中国主要宏观变量的稳定性检验基于非参数估计与Bootstrapping的.
中国GDP的趋势周期分解与随机冲击的持久效应_王少平
中国G DP 的趋势周期分解与随机冲击的持久效应3王少平 胡 进 内容提要:本文根据我国G DP 的数据特征,运用Beveridge 和Nels on 提出的趋势周期分解技术,将G DP 总量季度数据(样本:1992Q1—2008Q1)分解为确定性趋势、随机趋势与周期。
在此基础上,基于方差比度量随机冲击对我国经济波动产生的持久性效应。
本文的分解结果表明:(1)我国G DP 中存在稳健的确定性趋势,随机冲击效应在总体上对经济增长产生负面效应;(2)我国经济共经历八轮完整的周期,并于2008年第一季度进入第九轮周期的下行期。
基于方差比度量的结论为:随机冲击对我国经济的长期波动产生的持久性效应为20%,瞬间效应高达80%。
关键词:经济周期 Beveridge 2Nels on 分解 趋势 随机冲击3 王少平、胡进,华中科技大学经济学院,邮政编码:430074,电子信箱:wangspi @ ,hujin630@ 。
本文受国家社会科学基金重点项目(07A J Y 010)的资助。
特别感谢匿名审稿人对本文提出的宝贵意见,当然文责自负。
一、引 言2007年下半年以来,我国经济遭遇一系列随机冲击:猪肉价格和农产品价格的上涨,2008年初突如其来的冰雪灾害和随后的汶川大地震与国际油价及粮价的波动,以及近期美国金融危机的冲击。
由此提出的问题是,能否度量随机冲击对我国经济增长产生的效应?进一步,随着美国金融危机的蔓延和扩散,我国经济增长速度开始放慢。
2008年上半年G DP 的增速同比下降118个百分点,经济增长速度的下滑,是否意味着我国经济已进入新一轮周期?上述随机冲击是否导致我国经济周期的形成?我国G DP 的周期表现出何种特征?另一方面,尽管我国正在经历国际金融危机的冲击,但2008年上半年仍然实现了1014个百分点的增长速度,这一数据是否隐含了我国G DP 具有稳健的确定性增长趋势?回答或解释上述问题取决于:如何从我国的G DP 中分解出由于实际要素的增长等因素所引致的确定性增长趋势与随机冲击产生的随机趋势和周期。
我国财政与经济增长关系：基于Bootstrap仿真方法的实证检验
我国财政与经济增长关系：基于Bootstrap仿真方法的实证检验[摘要]不同经济体的财政与经济增长作用关系存在差异性，研究对二者理论关系的认识也并不统一。
本文采用小样本可靠的Bootstrap仿真方法，利用1952～2003年为样本期的时序数据，对我国政府支出与经济增长进行了Granger因果关系的实证检验。
比较研究显示，基于渐近理论的传统检验结果认为，二者不存在统计上的协整关系。
利用Bootstrap仿真方法却得到不同的结论，即政府支出与经济增长具有双向的Granger 因果关系，意味着我国财政和经济增长存在相互促进作用。
本文结论与大多数研究文献观点存在显着区别。
关键词财政支出，经济增长，Bootstrap仿真检验，Granger因果关系一、前言与文献综述财政政策有效性是经济学界普遍关注的焦点，也是凯恩斯主义理论研究的核心问题之一。
传统文献研究成果主要体现为内生财政理论，即通过财政收支和经济增长的作用机制，包括分析最优税率、最优财政支出对经济增长的影响。
指出不同的财政支出和税收政策对经济增长速度和效率有着不同的影响，财政对经济增长的主要功能体现为(尹恒等，2002)财政具有再分配功能Persson和Tabeuini(1994)通过跨期替代模型研究了财政对经济增长和收入分配的作用关系，指出财政具有再分配功能，一国分配政策的差异将直接决定政府投资和消费的差异，决定对经济增长的不同影响。
2.财政支出具有生产功能Alesina和Rodrik(1994)利用具有柯布一道格拉斯生产技术的内生经济增长模型，指出财政支出对经济增长有着正向的促进作用，主要原因在于政府财政支出的投资效应。
一方面，政府支出可以为消费者带来福利，增加消费者的支出，提高民间的需求；另一方面，政府在军事、技术进步和公共安全等领域的开支，提高了政府投资并拉动民间投资增长，从而共同促进经济增长(Anton，2001)。
3.财政具有消费功能李宏毅和邹恒甫(1998)利用个体效用最优化模型探讨了一国财政支出和经济增长的作用关系，认为消费性财政支出可以促进经济增长，若财政支出同时具备生产和消费功能，则财政支出和经济增长存在倒U形关系(尹恒等，2001)。
中国宏观经济变量平稳性的实证分析
中国宏观经济变量平稳性的实证分析作者：张玮来源：《商情》2009年第27期[摘要]改革开放以来,中国宏观经济一直以高态势运行,而这正通过各种宏观经济变量表现出来。
在对我国的宏观经济进行计量分析时,要使用到大量的宏观经济数据,对这些数据进行平稳性检验,是保证分析结果准确可靠的基础。
本文利用ADF检验法,对全国零售物价指数、投资品物价指数、实际国内生产总值、实际固定资产投资、ER—人民币汇率等5个宏观经济变量的平稳性进行了分析。
[关键词]ADF检验法宏观经济变量平稳性时间序列单位根检验的各种方法中提出最早使用最多的是增补迪基—富勒检验。
这种方法最早由富勒、迪基提出,后经他们推广成为最为重要、使用最多的单位根检验方法。
沃尔德分解定理表明:没有确定性成分的一个平稳时间序列过程具有无限阶移动平均(MA)表示,这又课近似表示为有限阶的自回归移动平均(ARMA)表示。
因此,为了检验一个序列的平稳性,可以在有限的自回归移动平均模型中进行。
富勒、迪基分析了简单一阶自回归过程AR(p)含有一个单位根的情况。
他们的原假设是:一阶自回归过程,(1)中含有一个单位根,即。
备择假设是序列是平稳的,。
在对实际数据进行检验时,在估计(1)式之前面临一种选择,即我们是简单的估计(1)式还是在(1)式中加入常项和趋势项。
这样,可以估计三种模型:在实际应用中,由于实际数据一般的服从更为复杂的高阶自回归或自回归移动平均模型,因此有必要讨论在更为复杂的条件下的单位根检验问题。
考虑高阶自回归过程:(2)这种高阶自回归过程含有一个单位根时有,故检验序列含有单位根的原假设为。
为了检验上面的假定,使用一些等价的变换会使问题变得更简单。
令△为差分算子,即△-yt-1,则模型(2)等价于:(2′)其中。
因而相应的检验原假设变为,而模型(2′)又等价的写为:(2″)其中。
此时的原假设变为:。
迪基和富勒表明,在数据生成机制为高阶自回归条件下,通过回归(2″)或(2′)而得到的DF统计量仍是有效的。
基于bootstrap的sobel检验方法结果
基于Bootstrap的Sobel检验方法结果一、概述1.1 背景介绍Sobel检验方法是一种常用的检验方法，用于检验自变量与因变量之间的关系是否显著。
通过计算Sobel统计量，可以进行参数估计的显著性检验。
而基于Bootstrap的Sobel检验方法能够更加准确地估计参数的显著性，适用于样本量较小或者数据分布不符合正态分布的情况。
1.2 研究目的本研究旨在利用基于Bootstrap的Sobel检验方法来分析自变量与因变量之间的关系，获取更加稳健和准确的结果。
1.3 文章结构本文将首先介绍Sobel检验方法的基本原理，然后详细阐述基于Bootstrap的Sobel检验方法的步骤和计算过程，最后给出一个实例，展示基于Bootstrap的Sobel检验方法的结果。
二、Sobel检验方法的基本原理2.1 Sobel统计量的计算公式Sobel统计量是用来衡量因果关系的强度和显著性的指标，其计算公式为：Z = ab/√(a^2σb^2 + b^2σa^2)其中，a为自变量对因变量的影响系数，b为自变量的标准差，σa和σb分别为a和b的标准误差。
2.2 Sobel检验的显著性判断在Sobel检验中，若Sobel统计量的绝对值大于1.96，则认为自变量对因变量存在显著影响，即关系显著。
三、基于Bootstrap的Sobel检验方法步骤3.1 Bootstrap方法简介Bootstrap方法是一种非参数统计方法，通过对原始样本进行重抽样，来估计参数的分布或者进行显著性检验。
3.2 基于Bootstrap的Sobel检验步骤- 随机抽取样本集合，并计算Sobel统计量；- 重复上述步骤多次，得到Sobel统计量的分布；- 对Sobel统计量的分布进行显著性检验，判断自变量对因变量的影响是否显著。
四、基于Bootstrap的Sobel检验方法结果4.1 实例介绍假设有一组数据集合，包括自变量X和因变量Y的观测值。
我们将利用基于Bootstrap的Sobel检验方法来分析X对Y的影响。
资料05中国宏观经济变量的衡量与趋势分解
资料05中国宏观经济变量的衡量与趋势分解资料5中国宏观经济变量的衡量与趋势分解March4,20121主要宏观经济变量的衡量1.1获取数据在国内研究中，宏观经济数据通常获取自《中国统计年鉴（各年）》（纸质版，附送光盘）或一些数据库，如中经网统计数据库（网络版）。
学校已购买中经网统计数据库，校内可自由访问。
–地址为/doc/0314258843.html,/bgs/zjtj.htm。
下文中提及的数据，可在其“综合年度库”中检索获取。
1.1.1名义GDP、实际GDP与GDP平减指数在“国民经济核算-国内生产总值-国内生产总值（现价）”中，可检索到GDP（现价）数据。
–这一数据即为中国的名义GDP（增加值法）。
在“国民经济核算-国内生产总值指数（上年=100）-国内生产总值指数-国内生产总值指数（可比价，上年=100）”中，可检索到GDP指数（可比价）。
–这一数据可以理解为用链式加权法计算得到的，每两年间的实际GDP增长率。
–“上一年=100”，意味着每一年的指数实际上表示的是，上年到当年的实际GDP总增长率（gross growth rate）百分比。
–得知两年间的实际GDP总增长率，也就可以加工得到以任意一年价格作为不变价的实际GDP水平。
–例如，要计算1978年不变价的实际GDP，这时，1978年的名义GDP就是当年的实际GDP水平。
其他年份根据实际GDP总增长率计算即可。
1根据以上数据，可以计算得到以任意年份为基年（例如1978年）的实际GDP（增加值法）。
基于名义GDP与实际GDP的时间序列数据，可以计算得到GDP 平减指数。
1.1.2居民消费与居民消费价格指数在“国民经济核算-支出法国内生产总值结构-最终消费-居民消费（现价）”中，可以检索到居民消费（现价）数据。
–这一数据可用来衡量名义消费。
在“价格指数-居民消费价格分类指数-全国-居民消费价格指数-居民消费价格指数（上年=100）”中，可以检索到居民消费价格指数（上年=100）。
中国宏观金融稳定性指标体系研究_霍德明
On Macro- Finance Stability Index Construction for China
HUO De- ming, LIU Si- dian
( China Center for Economic Research, Peking University, Beijing 100871, China) Abstract: It has been difficult to measure the risk of macro finance. This paper sets up a system of macro - financial stability indicators composed of 20 macro- financial variables. Then a macro- financial stability index for China is constructed with principal component analysis. The index is then set against economic facts to show that it matches the reality well. Key Words:M acro- financial Stability Assessment; Principal Component Analysis; Macro- financial Stability Index
i
。
2009 年 10 月 第 31 卷 第 10 期
山西财经大学学报
Journal of ShanXi Finance and Economics University
Oct. , 2009 Vol. 31 No. 10 实际存款利率 = 存款利率 - CPI 贸易条件 1995 年不变价 国内生产总值 中央政府信贷 Kaminsky & IMF Kaminsky & IMF Kaminsky & IMF IMF IMF IMF IMF IMF IMF Kaminsky Kaminsky Kaminsky Kaminsky Kaminsky Kaminsky
china domestic macro policy proxy指标 -回复
china domestic macro policy proxy指标-回复中国国内宏观政策的proxy指标，是衡量和评估中国宏观政策效果的重要指标。
proxy指标通常是一系列经济数据或统计数据，反映了宏观政策对经济和社会的影响。
本文将一步一步回答关于中国国内宏观政策proxy指标的问题。
第一步：什么是proxy指标？Proxy指标，即替代指标，是一种通过观察和测量一组相关的变量来近似或代表无法直接观察或测量的变量的方法。
在宏观经济学中，proxy指标通常用于衡量和评估国家或地区的经济和社会现象，以便政策制定者能够更好地理解并制定相应的政策。
第二步：中国国内宏观政策的proxy指标有哪些？中国国内宏观政策的proxy指标包括但不限于以下几个方面：1. GDP增长率：GDP（国内生产总值）是衡量一个国家经济总体规模和增长的核心指标，GDP增长率则是衡量中国经济增长速度的指标。
中国政府通常通过调整宏观政策来影响经济增长的速度和稳定性。
2. 通胀率：通胀率是指物价总水平的持续上涨速度。
作为宏观政策的目标之一，政府通常希望保持稳定的通胀率，以促进经济增长并避免通货膨胀的负面影响。
3. 财政政策效果指标：中国政府通过调整财政政策来推动经济增长，常用的proxy指标包括财政收入、财政赤字和政府支出等。
4. 货币政策效果指标：货币政策是中国宏观政策的重要组成部分，proxy 指标包括货币供应量、利率水平、汇率变动等。
5. 就业率：就业率是衡量一个国家劳动力市场状况的指标，中国政府通常通过宏观政策来促进就业，使就业率保持较高水平，以维护社会稳定。
6. 居民收入水平：人民收入水平是衡量居民经济福利的重要指标，政府通过宏观政策来调控收入分配，以提高居民的生活水平和消费能力。
7. 外贸指标：中国是世界上最大的贸易国之一，外贸指标如出口额、进出口总额等，是评估宏观政策对外贸发展的重要指标。
第三步：如何使用这些proxy指标评估中国国内宏观政策效果？使用这些proxy指标评估中国国内宏观政策的效果通常需要进行定量和定性分析。
回归分析中的模型参数稳定性检验技巧(五)
回归分析中的模型参数稳定性检验技巧回归分析作为一种常用的统计分析方法，用来研究自变量和因变量之间的关系。
在进行回归分析时，我们经常需要考虑模型参数的稳定性，即在不同样本或不同时间段内，模型参数是否保持一定的稳定性。
本文将就回归分析中的模型参数稳定性检验技巧展开讨论。
一、稳健标准误在回归分析中，参数估计通常是通过最小二乘法得到的，但是最小二乘法对异常值和异方差敏感，会导致估计的标准误偏大或偏小。
为了解决这个问题，研究者可以使用稳健标准误来进行参数估计，这种标准误对异常值和异方差具有更好的鲁棒性，能够更准确地反映模型参数的稳定性。
二、自助法自助法是一种经典的非参数统计方法，可以用来评估模型参数的稳定性。
其基本思想是通过有放回的重抽样来生成大量的自助样本，然后在每个自助样本上重新估计模型参数，最后计算参数估计值的方差。
如果参数估计的方差很大，那么就说明模型参数的稳定性较差，需要引起重视。
三、交叉验证交叉验证是一种常用的模型选择和评估方法，也可以用来检验模型参数的稳定性。
在回归分析中，研究者可以将数据集划分为训练集和测试集，然后在不同的训练集上估计模型参数，并在测试集上进行检验。
如果模型参数在不同的训练集上有较大的变化，就说明模型参数的稳定性较差。
四、Bootstrap法Bootstrap法是一种统计学中常用的重抽样方法，可以用来评估模型参数的稳定性。
其基本思想是通过有放回的重抽样来生成大量的Bootstrap样本，然后在每个Bootstrap样本上重新估计模型参数，最后计算参数估计值的置信区间。
如果参数估计值的置信区间很宽，就说明模型参数的稳定性较差。
五、断点回归断点回归是一种用于探讨因变量在自变量发生变化时是否出现显著变化的回归分析方法，也可以用来检验模型参数的稳定性。
研究者可以通过建立断点回归模型，来检验自变量的某个临界值是否对模型参数产生了显著影响，如果存在显著的断点，就说明模型参数的稳定性较差。
我国宏观统计指标数据有效性的实证检验
适的滞后阶数。
统计与决策２０1 1 年第 23 期 （总第 347 期）
9
理论新探
表4
H 0:rank = r r=0 * r1* r2* r3 r4 r5 r6*
变量间协整关系的 Johansen 检验 特征值 0.3208 0.2924 0.1406 0.1018 0.0741 0.0535 0.0271 迹统计量 最大特征值统计量 197.9913 66.5325 131.4588 59.4877 71.9711 26.0570 45.9141 18.4657 27.4483 13.2484 14.1999 9.4661 4.7338 4.7338 5%临界值 125.6154 46.2314 95.7537 40.0776 69.8189 33.8769 47.8561 27.5843 29.7971 21.1316 15.4947 14.2646 3.8415 3.8415 p-value 0.0000 0.0001 0.0000 0.0001 0.0333 0.3173 0.0753 0.4569 0.0911 0.4296 0.0776 0.2494 0.0296 0.0296
则可拒绝存在一个单位根的零假设， 得出 X t ~I ( 0) 的结论； 检验 X t 中存在一个单位根 （ X t ~I (1) ） 的零假设相当于检验
确定了各变量均是一阶单整的单位根后， 再对其进行协 整检验， 判断这些变量之间是否存在长期的均衡关系。 根据上文分析结果， CPI、 广义货币和有效实际汇率等变 量都是一阶单整序列， 若直接对它们回归建模， 会不可避免 地产生伪回归现象。但如果它们存在协整关系， 则表明它们 之间存在长期的稳定关系。本文采用 Johansen 提出的基于 VAR 的协整检验方法对 CPI 以及其他变量建模， 判断各变量 之间是否存在协整关系。 在进行协整检验之前首先要确定合适的滞后阶数， 由于 确定 VAR 的之后结束没有一个统一的标准， 因此本文根据 AIC 准则(Akaike Information Criterion)、 SC 信息准则(Schwarz Information Criterion)和 HQ 信息准则(Hannan-Quinn Information Criterion)， 综合选取两个 VAR 模型的合适的滞后阶数。 滞后阶数选取结果见表 3。 根据表 3 的结果， 本文参照 AIC 准则， 确定其滞后阶数 为 3， 因此协整检验以及 VECM 模型中所选择的滞后阶数均 VAR 模型滞后阶数的选取 为 2。 同 时 考 表 3 滞后阶数 AIC SC HQ 虑到要与经济 0 -18.6689 -18.5382 -18.6159 理论相吻合， 1 -37.4745 -36.42894 -37.0501 在协整方程中 2 -37.9716 -36.0112 -37.17595 将不考虑时间 3 -38.02419 -35.1489 -36.8572 4 -37.8708 -34.0806 -36.3324 趋势， 只加入 注： 表 3 中的符号 表示根据各信息准则所选取的合 截距项。在确
宏观经济变量的研究方法
宏观经济变量的研究方法宏观经济变量指的是一些反映整个经济运行状况的指标，例如国内生产总值(GDP)、通货膨胀率、失业率、利率等。
这些指标的变化直接关系到一个国家或地区的经济发展和社会状况。
因此，对于经济学家和政策制定者来说，了解和研究这些变量非常重要。
在这篇文章中，我们将探讨宏观经济变量的研究方法，包括时间序列分析、面板数据分析和协整分析。
时间序列分析时间序列分析是指通过观察一段时间内宏观经济变量的变化来研究这个变量的规律和趋势。
这种方法有助于我们了解一个经济变量的历史走势和轨迹，从而可以根据这些数据进行预测和推断。
时间序列分析的具体方法包括趋势分析、季节性分析、周期性分析和随机性分析。
其中，趋势分析可以帮助我们确定长期的趋势和所处的阶段，季节性分析可以帮助我们了解一个变量的季节性波动情况，周期性分析可以帮助我们预测周期性变化和周期的长度，而随机性分析则可以帮助我们了解宏观经济变量的随机波动和方差。
面板数据分析面板数据分析是指使用含有多个观测值和多个变量的数据集，同时考虑观测值和变量之间的关系。
这种方法可以帮我们更加深入地了解不同变量之间的相互关系和对经济变量的影响。
面板数据分析的主要工具包括面板回归分析和固定效应模型。
面板回归分析可以帮助我们了解多个变量对宏观经济变量的影响程度，而固定效应模型则可以帮助我们控制不变的个人或企业特征等因素，更加准确地评估变量对宏观经济变量的影响。
协整分析协整分析是一种更复杂的方法，可以用于研究两个或多个经济变量之间的关系。
它可以帮助我们确定两个不同变量之间的平稳状态，并测量它们之间的长期关系。
协整分析主要依赖于向量自回归(VAR)模型和误差修正模型(ECM)。
VAR模型可以用于分析不同经济变量之间的相互影响，从而得出它们之间的关系，而ECM模型可以帮助我们纠正由于短期的冲击或噪声引起的偏差，以便更准确地测量两个变量之间的长期关系。
结论综上所述，宏观经济变量的研究方法主要包括时间序列分析、面板数据分析和协整分析。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
中国主要宏观变量的稳定性检验:基于非参数估计与Bootstrapping的【摘要】在利用中国各种宏观和金融数据的实证研究和政策分析中，向量自回归模型（Vector Autoregression, VAR）或结构向量自回归模型（Structural VAR）、脉冲反应函数分析（Impulse-response Function）、Granger因果检验（Granger-causality）等方法得到了越来越广【摘要】在利用中国各种宏观和金融数据的实证研究和政策分析中，向量自回归模型（Vector Autoregression, VAR）或结构向量自回归模型（Structural VAR）、脉冲反应函数分析（Impulse-response Function）、Granger因果检验（Granger-causality）等方法得到了越来越广泛的应用。
上述方法一般要求其所使用的相关变量必须满足模型线性化和结构稳定性的要求。
非线性的依存关系和结构不稳定性会给VAR等模型以及相关的估算和检验带来极其严重的影响。
但是在实证研究中，绝大部分现有的文献往往忽视了对非线性和非稳定性的检验。
利用最新发展起来的趋势性时变系数模型（Trending Time-varying Coefficient Model），本文将稳定性检验建立在比较非参数估计与线性参数估计的基础上，并通过bootstrap的方法来计算检验量的样本分布。
我们的方法可以同时检测到时间序列变量之间的非线性关系和渐进非稳定性。
由于使用了依赖于数据本身的bootstrap来计算统计检验量的P值，因此本方法还具有较理想的小样本性质。
我们利用中国85个包括产出、价格、汇率、短期利率、政府财政等主要变量的月度宏观数据，检验这些变量本身的自回归以及它们两两之间的线性关系。
我们的初步结果发现部分宏观变量存在严重的非稳定性或非线性问题，基于这些变量的VAR或者SVAR分析将会得到误导性的结论。
【关键词】非参数时变系数模型结构稳定性非线性 wild bootstrap VAR SVAR一、引言在利用中国各种宏观和金融数据的实证研究中，向量自回归（Vector Autoregressive，VAR）模型和结构向量自回归（Structure VAR）模型得到了越来越广泛的应用。
向量自回归模型可以很好地模拟多变量时间序列之间的动态关系。
通过脉冲反应函数（Impulse-response Function）分析的方法，在VAR模型中可以估算出某一具体变量对整个多变量体系的影响。
研究者也可以直接在VAR 模型中运用格兰杰因果检验（Granger-Causality）发现某些变量之间的格兰杰因果关系。
在八十年代初，作为对卢卡斯批判的一种回应，由Sims（1980）等人发展起来的结构向量自回归模型进一步促进了经济理论和经济计量模型之间的联系，从而有助于具体的政策分析和政策效应模拟。
有别于传统的VAR模型，结构向量自回归模型强调对于外生冲击本身的识别，通过一系列结构方程来描述整个体系之间的动态关系。
在“协整”(cointegration) 概念提出以后（Granger, 1981；Engle and Granger, 1987），研究者也把“协整”向量引入到VAR模型或者SVAR模型中，扩展成为向量误差修正模型（Vector Error Correction Model, VECM）和结构向量误差修正模型（Structural VECM）。
由于上述的一些优点，VAR 模型和SVAR 模型在研究中国的经济学文献中得到了广泛的应用。
我们查阅了近三年中最重要的一些研究中国经济的期刊，发现学者主要使用CPI 通胀率、短期利率、汇率、货币供应量、进出口贸易量、外商直接投资、产出、消费、政府财政收支等变量，利用VAR模型或者SVAR模型以及脉冲反应函数等方法来分析FDI、实际汇率以及货币政策等相关关系。
例如，戴金平和王晓天（2005）利用VAR分析中国的贸易、境外直接投资和实际汇率的动态关系；宋旺和钟正生（2006）利用VAR来分析货币政策区域效应的存在性，从而得出货币政策具有显著的区域差别；刘琛和卢黎薇（2006）利用VAR 来分析外商直接投资的动态时滞效应，得出FDI可以通过不同的途径对中国的经济产生综合影响；封北麟和王贵民（2006）利用VAR 来分析货币政策与金融形势指数FCI，结果表明包含真实货币供应量的FCI指数对CPI通胀率具有更好的预测力；陈六傅和刘厚俊 (2007) 则利用VAR来分析人民币汇率的价格传导机制，发现稳健的货币政策有利于进一步隔绝来自外部的通货膨胀压力。
其他利用VAR和SVAR模型来分析中国宏观或金融数据的文献还包括：施建淮（2006）、王永齐（2006）、王义中和金雪军（2006）、赵振全和刘柏（2006）、Qi 和Teng（2006）、Abeysinghe和Lu (2003）等。
正确使用VAR或者SVAR模型一般要求其满足模型线性化和结构稳定性（structural stability）的假设。
所谓结构不稳定性是指多变量之间的动态关系在若干个时点由于某种原因发生突变，或在某一时段内发生持续缓慢的变化。
非线性的多变量的依存关系和结构不稳定性会给VAR和SVAR模型以及相关的估算和检验带来严重的影响，甚至会导致错误的结论和不合理的政策建议。
Stock和Watson（1996）对美国战后代表性的76个月度宏观时间序列以及它们两两之间的依存关系进行稳定性检验。
他们采用了一系列稳定性检验的方法，其中包括（1）将稳定性检验建立在比较常系数线形模型和时变系数参数模型的方法（Nyblom, 1989）；（2）建立在累积预测误差（cumulative forecast errors）基础上的稳定性检验方法（Ploberger和Krämer, 1992）；和（3）建立在序贯Wald统计量基础上的稳定性检验（Quandt, 1960；Andrews和Ploberger, 1994；Hansen, 1994）。
不同的检验方法得到了类似的结论。
既使在美国这样一个成熟市场经济的国度中，他们的研究发现在5700个双变量稳定性检验中，有超过55%的依存关系是不稳定的。
而中国正在经历一个规模巨大的经济转型过程。
在从计划经济向市场经济过渡的过程中，宏观经济政策和宏观经济调控手段都会发生深刻的变革，国民经济统计方法和统计口径也出现频繁的调整和变动。
这些都会导致中国的主要宏观时间序列变量出现结构不稳定性的问题。
但是在实证研究中，绝大部分现有的文献往往忽视了对非线性和非稳定性的检验。
因此，我们认为，对中国主要宏观变量的稳定性检验已经成为一项基础性的研究工作。
在进行宏观政策分析和宏观经济预测中，我们的工作有助于研究者选择正确的宏观计量模型，比如是选择常系数的VAR或SVAR模型还是选择时变系数模型。
在本文中，我们检验了中国85个主要的月度宏观数据，包括产出、消费、价格、汇率、财政和金融市场等变量自回归关系的稳定性（单变量检验），以及它们两两之间线性关系的稳定性（双变量检验）。
单变量自回归关系的稳定性检验和双变量的稳定性检验是所有VAR或SVAR模型的基础，因此双变量关系的不稳定性就预示着多变量关系的不稳定性。
利用最新发展起来的趋势性时变系数模型（trending time-varying coefficient model），我们将稳定性检验建立在非参数估计与线性参数估计的基础上，并通过bootstrap的方法来计算检验量的p值。
与Stock和Watson所采用的稳定性检验方法相比，我们的方法具有以下几个优点：（1）用非参数的方法可以检测到连续的渐近性的结构变化，而以前的方法只适合于结构突变的检验；（2）我们的方法可以同时检验非稳定性和非线性；（3）无需关于结构性断点的位置信息和数目信息；（4）因为使用了Bootstrap的工具，我们的方法具有更理想的小样本性质。
除了第一部分的引言之外，我们将在本文的第二部分讨论我们所使用的非参数估计方法，稳定性检验统计量的构造，以及具体的wild bootstrap的方法。
第三部分则是详细介绍本文所使用的数据，以及数据的处理过程，并报告稳定性检验的主要结果。
第四部分是一个结论。
二、稳定性检验在这一节中，我们将介绍本文中所使用的稳定性检验的方法。
该方法建立在趋势性时变系数模型（Cai，2007）的基础上，通过局部线性回归（local linear estimation）的非参数方法来估计上述的时变系数模型，并将其与常系数的线性参数模型进行比较，从而构造一个检验稳定性的统计量，并利用bootstrap的方法求得该统计量的样本分布。
Cai (2007)、Cai，Fan和 Yao (2000）利用上述统计量作为一个一般的参数模型设定检验，在这里我们则利用该统计量来进行稳定性检验。
本文同时考察单变量检验模型和双变量检验模型。
首先给出固定系数的线性模(1)(2)第 (1) 式代表了一个单变量固定系数的AR（p）模型，其中是一个p阶的线性时滞算子，即。
我们一般假设是一个序列不相关的随机扰动项。
第（2）式则代表了一个双变量的固定系数线性模型, 是一个q 阶的线性时滞算子，即。
（1）和（2）的共同特点是所有的系数即和都是固定不变的常数。
该特点所隐含的假设也就是模型线性化和结构稳定性。
随后，我们引入了与之对应的趋势性时变系数模型，第（3）式和第（4）式分别给出了一个单变量和双变量的趋势性时变系数模型：(3)(4)其中。
和前面的固定系数模型相比，在趋势性时变系数模型中，所有的和都是时间t 的一个方程。
换言之，我们允许在不同的时间点有不同的和。
为了取得渐近一致性的结论，对于模型（3）和（4）而言，我们需要假设：（1）其中；（2）即在允许存在异方差的情况下，异方差是取决于的函数；（3）是严格平稳的 -混合型序列（strictly stationary -mixing）；（4）是一个相互独立的时间序列FF FF；（5）和存在连续的二阶导数。
根据 Cai（2007）的建议，我们采用局部线性回归的方法来估算趋势性时变系数模型。
和其它的非参数方法（比如常见的Nadaraya-Watson 方法）相比，局部线性回归在内点处可以取得和Nadaraya-Watson 方法相似的估算，但在边界处则可以得到更好的估计（Fan和Gijbels, 1996）。
因为时间t 是一个离散的变量，在非参数估计中，我们按照Robinson（1989, 1991）的建议，定义，其中T是样本量。
经过转换后，和均成为的方程。
在T趋向于无穷大的过程中，的分布在[0,1]区间上也变得更加密集，从而确保了非参数估计的渐近一致性。