协整

协整 (Cointegration)

协整 (Cointegration) 是时间序列分析中的核心概念，由 Clive Granger 于 1981 年提出，后与 Robert Engle 合作完善，二人因此获得 2003 年诺贝尔经济学奖。协整描述的是：两个或多个非平稳时间序列之间可能存在一种长期稳定的均衡关系，尽管每个序列各自是 $I(1)$（一阶单整），但它们的某个线性组合却是 $I(0)$（平稳的）。

协整的革命性在于它为经济学家提供了一条"第三条道路"：在此之前，研究者面对非平稳数据只有两种选择——要么对数据进行差分以消除趋势（但丢失了长期信息），要么直接对水平值回归（但面临伪回归风险）。这一困境在宏观经济学中尤为突出：许多核心理论（如永久收入假说、购买力平价）预测变量间存在长期均衡，但用于检验这些理论的数据几乎都是非平稳的。协整与 误差修正模型 (ECM) 的结合，使得短期动态调整与长期均衡关系可以在同一框架内建模，从而从根本上化解了这一方法论难题。

伪回归问题

协整概念诞生于对伪回归 (Spurious Regression) 的深刻反思。Granger 与 Newbold (1974) 通过蒙特卡洛模拟揭示了一个令人警醒的现象：对两个完全独立的随机游走序列进行 OLS 回归，即使在两者毫无经济关联的情况下，仍常常得到统计显著的 $t$ 值和较高的 $R^2$，且 Durbin-Watson 统计量偏低。这就是伪回归——看似"显著"的统计推断实为谬误。伪回归的根本原因在于非平稳序列的随机趋势 (Stochastic Trend) 导致了标准推断失效，这一发现彻底改变了应用计量经济学的研究规范。

定义与数学表述

设 $\{y_t\}$ 和 $\{x_t\}$ 均为 $I(1)$ 过程，即它们的一阶差分 $\Delta y_t$ 和 $\Delta x_t$ 是平稳的。若存在一个非零向量 $\beta = (1, -\theta)'$ 使得线性组合

是平稳过程，则称 $y_t$ 与 $x_t$ 是 协整的 (Cointegrated)，记作 $y_t, x_t \sim CI(1,1)$。向量 $\beta$ 称为协整向量 (Cointegrating Vector)，标量 $\theta$ 为协整参数。更一般地，对于 $n$ 个 $I(1)$ 变量组成的向量 $Y_t$，若存在 $r$ 个线性独立的协整向量（$0 < r < n$），则称该系统存在秩为 $r$ 的协整关系，其中 $r$ 称为协整秩 (Cointegrating Rank)。

直观上，协整意味着变量之间被一种"引力"约束着：虽然每个变量各自游走不定，但它们之间的某种线性差距始终围绕一个均值回复，不会偏离太远。典型的协整例子包括：短期利率与长期利率（期限结构）、消费与收入、股价与股息等。

恩格尔-格兰杰两步法

Engle 与 Granger (1987) 提出了检验与估计协整关系的经典程序，即 恩格尔-格兰杰两步法 (Engle-Granger Two-Step Method)：

第一步，用 OLS 估计长期均衡关系（协整回归）：

第二步，对残差序列 $\hat{u}_t$ 进行 ADF检验（不含常数项和趋势项），检验其是否平稳。若拒绝"存在单位根"的零假设（即残差平稳），则认为变量间存在协整关系。需注意，该检验的临界值不能使用标准 DF 分布，而应使用 Engle-Granger 协整检验专用的临界值（比标准 DF 临界值更负），因为残差来自第一步估计。

若协整关系成立，则可将第一步估计的残差滞后项 $\hat{u}_{t-1}$ 作为误差修正项纳入短期动态方程，建立 误差修正模型 (ECM)：

其中 $\lambda < 0$ 为调整系数，衡量系统向长期均衡调整的速度。

格兰杰表示定理

格兰杰表示定理 (Granger Representation Theorem) 是协整理论的数学基石。该定理指出：若一组 $I(1)$ 变量之间存在协整关系，则该系统必然可以等价地表示为向量误差修正模型 (VECM)；反之，任何 VECM 都蕴含着一组协整关系。形式上，对于 $n$ 维 $I(1)$ 向量 $Y_t$，存在 VECM 表示：

其中 $\Pi = \alpha \beta'$ 为 $n \times n$ 矩阵，可分解为调整速度矩阵 $\alpha$ ($n \times r$) 与协整向量矩阵 $\beta$ ($n \times r$) 的乘积。该定理将长期均衡（$\beta$）与短期调整（$\alpha$）统一于一个紧凑的线性框架。

Johansen 协整检验

恩格尔-格兰杰方法的一个局限是它只能检验单一协整关系，且在多个变量时可能因标准化选择而产生歧义。Johansen (1988, 1991) 基于 VAR 模型的极大似然估计提出了系统性的协整检验方法，可以同时确定协整秩 $r$ 并估计所有协整向量。Johansen 方法提供两种似然比检验统计量：迹统计量 (Trace Statistic) 和最大特征值统计量 (Maximum Eigenvalue Statistic)，二者分别检验 $H_0: r \leq r_0$ 和 $H_0: r = r_0$ 备择 $r = r_0 + 1$。

应用与局限

协整分析广泛应用于宏观经济学（货币需求、购买力平价）、金融学（期货与现货价格、利率期限结构）和国际经济学。其核心贡献在于使研究者不再被迫在"差分丢失信息"与"水平伪回归"之间二择其一。在实证研究中，协整已经成为处理非平稳时间序列的标准范式：研究者首先进行单位根检验确认变量单整阶数，然后通过协整检验探寻长期均衡，最后在 VECM 框架内同时估计长短期效应。

然而协整方法也有限制：（1）要求变量同阶单整（通常为 $I(1)$），对 $I(2)$ 或分数阶单整需借助多协整 (Multicointegration) 或分数协整 (Fractional Cointegration) 等特殊处理；（2）协整关系捕捉的是线性长期均衡，若真实关系是非线性的，则需借助阈值协整 (Threshold Cointegration) 或平滑转移协整等非线性格兰杰类方法；（3）在有限样本下，协整检验的功效可能不高，特别是当调整速度缓慢（$\lambda$ 接近零）或样本量较小时容易漏判；（4）协整关系可能因结构突变 (Structural Break) 而改变，忽略突变点会导致检验偏误，需使用考虑结构突变的协整检验（如 Gregory-Hansen 检验）。尽管有诸多扩展，协整的基本思想——非平稳变量可以分享共同的随机趋势——已成为现代时间序列计量经济学最深刻也最具操作性的洞见之一。