KNOWECON WIKI

ARTICLE

长程方差

长程方差 (Long-Run Variance) 长程方差（Long-Run Variance，LRV），也称长期方差或渐近方差，是时间序列分析与计量经济学中描述平稳过程长期累积波动性的核心概念。对于一个均值为 的平稳过程 \X_t\，其长程方差定义为该过程所有自协方差之和： 其中 _j = Cov(X_t, X_t-j) 为滞后 j 的自协方差， _0 =

浏览 0 更新 2026-01-05

长程方差 (Long-Run Variance)

长程方差（Long-Run Variance，LRV），也称长期方差或渐近方差，是时间序列分析与计量经济学中描述平稳过程长期累积波动性的核心概念。对于一个均值为 μ\mu 的平稳过程 {Xt}\{X_t\}，其长程方差定义为该过程所有自协方差之和：

ω2=∑j=−∞∞γj=γ0+2∑j=1∞γj\omega^2 = \sum_{j=-\infty}^{\infty} \gamma_j = \gamma_0 + 2\sum_{j=1}^{\infty} \gamma_j

其中 γj=Cov(Xt,Xt−j)\gamma_j = \text{Cov}(X_t, X_{t-j}) 为滞后 jj 的自协方差，γ0=Var(Xt)\gamma_0 = \text{Var}(X_t) 为过程的普通方差。直观而言，长程方差度量了过程在长期视野中的总变异性——它不仅包含同期波动，还纳入了序列在各时间维度上的关联效应。若过程是序列不相关的（如白噪声），则 ω2=γ0=σ2\omega^2 = \gamma_0 = \sigma^2，长程方差退化为普通方差；若存在正自相关，则 ω2>σ2\omega^2 > \sigma^2；若存在负自相关，ω2<σ2\omega^2 < \sigma^2。

谱表示与频率零

长程方差与过程的谱密度函数（Spectral Density）存在本质联系。对于平稳过程，其标准化谱密度 f(λ)f(\lambda) 在频率零处的值恰好等于长程方差除以 2π2\pi：

f(0)=12π∑j=−∞∞γj=ω22πf(0) = \frac{1}{2\pi} \sum_{j=-\infty}^{\infty} \gamma_j = \frac{\omega^2}{2\pi}

这一等式为长程方差的估计提供了两条互补途径：时域方法直接对自协方差加权求和，频域方法则对谱密度在零频率附近进行光滑估计。二者在渐近意义上等价，构成了HAC推断的理论基础。

HAC标准误与Newey-West估计量

长程方差在现代计量经济学中最关键的应用在于构造HAC标准误（Heteroskedasticity and Autocorrelation Consistent Standard Errors）。考虑线性回归模型 yt=xt′β+ety_t = x_t'\beta + e_t，当误差项 {et}\{e_t\} 存在序列相关时，OLS估计量 β^\hat{\beta} 的渐近方差取决于得分过程 {xtet}\{x_t e_t\} 的长程方差矩阵：

Avar(β^)=Qxx−1 Ω Qxx−1,Ω=∑j=−∞∞E[xtet(xt−jet−j)′]\text{Avar}(\hat{\beta}) = Q_{xx}^{-1} \, \Omega \, Q_{xx}^{-1}, \quad \Omega = \sum_{j=-\infty}^{\infty} E[x_t e_t (x_{t-j} e_{t-j})']

其中 Qxx=E[xtxt′]Q_{xx} = E[x_t x_t']。Newey-West估计量（Newey \& West, 1987）以截断加权方式一致地估计 Ω\Omega：

Ω^=Γ^0+∑j=1mw(j,m)(Γ^j+Γ^j′)\hat{\Omega} = \hat{\Gamma}_0 + \sum_{j=1}^{m} w(j,m) (\hat{\Gamma}_j + \hat{\Gamma}_j')

其中 Γ^j=1T∑t=j+1Txte^te^t−jxt−j′\hat{\Gamma}_j = \frac{1}{T}\sum_{t=j+1}^{T} x_t \hat{e}_t \hat{e}_{t-j} x_{t-j}'，权重函数 w(j,m)=1−jm+1w(j,m) = 1 - \frac{j}{m+1} 为Bartlett核，mm 为截断参数（带宽）。Bartlett核的优势在于保证估计量的半正定性，带宽则需随样本量增长满足 m→∞,m/T→0m \to \infty, m/T \to 0。

核函数选择与自动带宽

除Bartlett核外，文献中广泛使用的核函数还包括Parzen核、二次谱核（Quadratic Spectral, QS）以及Tukey-Hanning核。Andrews（1991）在均方误差准则下证明了QS核的最优性，并提出了数据依赖的自动带宽选择方法（Andrews带宽），通过拟合低阶AR模型估计过程的自相关结构来确定最优 mm。Andrews-Monahan（1992）进一步提出了预白化（Prewhitening）策略：先用VAR模型滤除短程自相关，再对残差使用核估计，最后恢复长程方差。Den Haan与Levin（1997）的VAR-HAC方法则完全采用参数化VAR来替代核加权。

经济学与金融应用

长程方差在实证中应用广泛。在有效市场假说检验中，方差比检验（Variance Ratio Test）利用长程方差与短期方差之比判断资产价格是否存在均值回复或动量。在宏观计量中，单位根检验的KPSS统计量及结构断点检验（Andrews, 1993; Bai \& Perron, 1998）均依赖于长程方差来标准化检验统计量。此外，已实现波动率的长程性质分析及高频金融数据的微观结构噪声校正也离不开长程方差的建模与推断。

前沿议题与估计挑战

长程方差估计面临多重挑战。有限样本下，结论对带宽选择高度敏感——过小的 mm 导致偏差，过大的 mm 则使估计方差膨胀。Kiefer-Vogelsang（2005）提出的固定带宽渐近理论（Fixed-b Asymptotics）通过令 b=m/Tb = m/T 固定而非趋于零，得到了更好的有限样本近似，并使用非标准的极限分布（与布朗桥的二次型相关）来构造临界值。另一前沿方向是长记忆过程（Long Memory）下的长程方差估计，传统核方法在分数阶差分参数 d>0d > 0 时收敛速度衰减，需引入分数阶积分模型进行自适应估计。高维面板数据中联合长程方差矩阵的正则化估计也正成为活跃的研究前沿。