KNOWECON WIKI

ARTICLE

非平稳时间序列

非平稳时间序列 (Non-stationary Time Series) 非平稳时间序列是指统计特性——均值、方差、自协方差——随时间发生系统性变化的随机过程。在计量经济学和时间序列分析中，平稳性是经典回归理论和推断的基石：若序列非平稳，传统OLS估计量的一致性、t检验和F检验的有效性将全部失效。这一警示因Granger与Newbold（1974）对"伪回归

浏览 0 更新 2025-11-18

非平稳时间序列 (Non-stationary Time Series)

非平稳时间序列是指统计特性——均值、方差、自协方差——随时间发生系统性变化的随机过程。在计量经济学和时间序列分析中，平稳性是经典回归理论和推断的基石：若序列非平稳，传统OLS估计量的一致性、t检验和F检验的有效性将全部失效。这一警示因Granger与Newbold（1974）对"伪回归"（spurious regression）的揭露而成为计量经济学最重要的方法论转折之一。

平稳性与非平稳性

时间序列 {yt}t=1T \{y_t\}_{t=1}^T 称为弱平稳（或协方差平稳），若满足三个条件：

E[yt]=μ,Var(yt)=σ2,Cov(yt,yt−k)=γk\mathbb{E}[y_t] = \mu, \quad \text{Var}(y_t) = \sigma^2, \quad \text{Cov}(y_t, y_{t-k}) = \gamma_k

三个量均不依赖 t t ，仅与滞后阶数 k k 有关。非平稳性意味着至少一个条件被违反。最常见的两类非平稳为：

  • 趋势平稳（trend-stationary, TS）：yt=α+βt+εt y_t = \alpha + \beta t + \varepsilon_t ，其中 εt \varepsilon_t 为平稳过程。去除确定性时间趋势后即为平稳——称为"退势"（detrending）。
  • 差分平稳（difference-stationary, DS）：yt y_t 本身含单位根，Δyt=yt−yt−1 \Delta y_t = y_t - y_{t-1} 是平稳的。这是宏观和金融数据中最为普遍的情形，Nelson与Plosser（1982）发现美国多数宏观经济总量序列均为差分平稳。

两者的政策含义截然不同：趋势平稳意味着冲击是暂时的，序列会回到确定性趋势；差分平稳意味着冲击具有永久效应——今天的扰动永远改变未来所有预测值，这对实际经济周期（RBC）理论和持久收入假说的检验至关重要。

随机游走与单位根

非平稳性的基本模型是一阶自回归过程：

yt=ρyt−1+εt,εt∼WN(0,σ2)y_t = \rho y_{t-1} + \varepsilon_t, \quad \varepsilon_t \sim \text{WN}(0, \sigma^2)

当 ∣ρ∣<1 |\rho| < 1 时序列平稳；当 ρ=1 \rho = 1 时，yt y_t 为随机游走，即单位根过程。随机游走的方差随时间线性增长（Var(yt)=tσ2 \text{Var}(y_t) = t\sigma^2 ），这意味着它不满足弱平稳中"常数方差"的要求，且任一冲击的效果永不衰减：

yt=y0+∑j=1tεjy_t = y_0 + \sum_{j=1}^t \varepsilon_j

冲击的记忆是无限的，而平稳过程（∣ρ∣<1 |\rho| < 1 ）的冲击影响以几何速率衰减。这一区别是区分两类非平稳的核心。实际中，许多金融价格序列（股价、汇率）近似于随机游走——这也是有效市场假说（EMH）在计量上的表征。

伪回归问题

Granger 与 Newbold（1974）通过蒙特卡洛模拟揭示了一个颠覆性事实：若将两个完全独立的随机游走序列用OLS回归，即使两者之间不存在任何经济关系，R2 R^2 和 t t 统计量仍会高到产生"显著"的虚假结论。其本质原因是：单位根过程的方差发散使得OLS的分布理论崩溃，残差本身也含单位根，Durbin-Watson统计量趋近于零。Philipps（1986）进一步证明，在单位根零假设下，t t 统计量不服从 t t 分布，而是收敛于维纳过程泛函——即Dickey-Fuller分布。这一发现从根本上改变了应用宏观计量研究的实践：任何涉及水平值（level）的回归，在审稿人面前都必须先接受单位根检验。

单位根检验

检验单位根的标准工具包括：

  • Dickey-Fuller (DF) 检验：在 Δyt=(ρ−1)yt−1+εt=γyt−1+εt \Delta y_t = (\rho - 1)y_{t-1} + \varepsilon_t = \gamma y_{t-1} + \varepsilon_t 中对 H0:γ=0 H_0: \gamma = 0 （即 ρ=1 \rho = 1 ）做 t t 检验，临界值来自DF分布而非标准正态。实际中可加入截距项或趋势项以适配不同数据形态。
  • Augmented Dickey-Fuller (ADF) 检验：在回归中加入 Δyt \Delta y_t 的滞后项 ∑i=1pδiΔyt−i \sum_{i=1}^p \delta_i \Delta y_{t-i} 以吸收残差自相关，保证 εt \varepsilon_t 为白噪声。滞后阶数 p p 通常通过AIC或BIC选择。
  • Phillips-Perron (PP) 检验：不引入额外滞后项，而是用Newey-West标准误对残差序列相关和异方差做非参数修正。
  • KPSS 检验：与前三者"原假设为单位根"不同，KPSS的零假设是平稳（H0 H_0 : 趋势平稳），拒绝域在右侧。联合使用ADF和KPSS可提高推断的稳健性——若ADF不能拒绝单位根而KPSS拒绝平稳，则非平稳性证据强劲。

需要注意的是，单位根检验在有限样本下检验功效（power）通常较低，尤其是当 ρ \rho 接近但不等于1时（如 ρ=0.95 \rho = 0.95 ），区分单位根与高持久性平稳过程极为困难。这促使了面板单位根检验（如LLC检验、IPS检验）的发展——利用截面维度增强对 ρ \rho 的识别精度。

协整与误差修正模型

如果两个（或多个）I(1) I(1) 变量之间存在一个平稳的线性组合，则称它们为协整（cointegrated）。Engle与Granger（1987）证明这是计量经济学中极为重要的发现：协整意味着变量之间存在长期均衡关系，而短期动态可以围绕这一均衡波动。

更精确地说，若 yt y_t 和 xt x_t 均为 I(1) I(1) ，但存在 β \beta 使得 yt−βxt∼I(0) y_t - \beta x_t \sim I(0) ，则称二者 (1,−1) (1,-1) 阶协整，记为 CI(1,1) CI(1,1) 。Granger表示定理指出，协整系统必然存在误差修正模型（ECM）表示：

Δyt=α(yt−1−βxt−1)+∑i=1pγiΔyt−i+∑j=1qδjΔxt−j+εt\Delta y_t = \alpha (y_{t-1} - \beta x_{t-1}) + \sum_{i=1}^p \gamma_i \Delta y_{t-i} + \sum_{j=1}^q \delta_j \Delta x_{t-j} + \varepsilon_t

其中 α<0 \alpha < 0 为调整速度（误差修正系数），衡量上一期偏离均衡时系统回归均衡的速率。若 α=0 \alpha = 0 ，则不存在误差修正机制，协整关系不成立。

Johansen（1988, 1991）将双变量协整推广至多变量系统，基于VAR框架下的迹检验和最大特征值检验可同时确定协整向量的个数和形式。Johansen方法已成为实证宏观经济学中检验购买力平价（PPP）、货币需求函数、期限结构等长期均衡关系的主力工具。

实践警示与现代进展

非平稳性对计量实践的教训是深刻的：一旦忽视序列的积分阶数，回归结果便可能完全不可靠。标准的工作流程是：先对每个变量执行单位根检验→若同为 I(1) I(1) ，检验协整→若存在协整，使用ECM或VECM建模；若无协整，对差分后平稳序列做回归以避免伪回归。

现代计量经济学也已超越简单的 I(0)/I(1) I(0)/I(1) 二元框架。分数阶积分（fractional integration）允许 d d 取非整数值（0<d<0.5 0 < d < 0.5 为长记忆平稳，d≥0.5 d \geq 0.5 为非平稳），ARFIMA模型可同时捕捉长记忆与短记忆。此外，结构突变（structural breaks）——如Perron（1989）所指出的——可能被误判为单位根：一个平稳但存在水平或趋势突变的过程，在标准ADF检验中极易错误地不拒绝单位根原假设。Zivot-Andrews检验等内生断点单位根检验部分缓解了这一问题。这些进展共同提醒：非平稳性的甄别既是科学也是艺术，需要理论和数据特征的反复对话。