误差修正模型案例
DLCM和DLhs300的误差修正模型
DLCM和DLhs300的误差修正模型建立误差修正模型的目的：通过做当月连续以及hs300的误差修正模型，使得短期非均衡的情况在进行误差修正后，能够不断自我调整以逼近长期均衡过程。
1．对CM 和hs300做OLS估计得f t = -58.4476 + 1.023049 s t +μt。
再将hs300的数据代入f t中，估计出f’t。
f’t=α’+β’s t = -58.4476 + 1.023049 s tECM= f t - f’t2.做当月连续的误差修正模型。
Δf t = c +αΔs t-1 + βΔf t-1 + θECM t-1 +μt。
在Eviews中将LCM(Δf t)，DLCM(Δf t-1)，ECM(ECM t-1)和DLhs300(Δs t-1)作为一个组打开，进行OLS估计3.做沪深300的误差修正模型。
Δs t = c +αΔs t-1 + βΔf t-1 + θECM t-1 + μt。
在Eviews中将Lhs300(Δs t)，DLCM(Δf t-1)，ECM(ECM t-1)和DLhs300(Δs t-1)作为一个组打开，进行OLS估计，所得结果如下：DLCM的误差修正系数为-0.361657，其绝对值大于DLhs300的误差修正系数-0.036316，说明当出现一个正的ECM时，DLCM会减少的更多，所以会使得一个时刻的ECM值变小。
同时，DLCM的误差修正系数P值为0.0036，DLhs300的误差修正系数的P值为0.7765。
所以在5%的显著水平下，DLCM的误差修正项是显著的，误差修正机制存在。
结论：对于当月连续，存在误差修正机制。
当出现误差项时，当月连续是向着沪深300的方向进行调整，因此沪深300起着主导作用，即股指期货的价格会依现货的变动而变动，股指期货会自我调整以实现与现货之间的某种均衡。
误差修正模型实例
一、误差修正模型的构造对于y t 的(1，1)阶自回归分布滞后模型：t t t t t y x x y εβββα++++=--12110在模型两端同时减y t-1，在模型右端10-±t x β，得：tt t t t t t t tt t t t x y x x y x y x x y εααγβεββββαββεββββα+--+∆=+---+--+∆=+-+++∆+=∆------)(])1()1()[1()1()(1101012120120121100其中，12-=βγ，)1/()(200ββαα-+=，)1/(211ββα-=。
记 11011-----=t t t x y ecm αα （5-5） 则 t t t t ecm x y εγβ++∆=∆-10 （5-6） 称模型（5-6）为“误差修正模型”，简称ECM 。
二、误差修正模型的含义如果y t ~ I(1)，x t ~ I(1)，则模型（5-6）左端)0(~I y t ∆，右端)0(~I x t ∆，所以只有当y t 和x t 协整、即y t 和x t 之间存在长期均衡关系时，式（5-5）中的ecm~I(0)，模型（5-6）两端的平稳性才会相同。
当y t 和x t 协整时，设协整回归方程为：t t t x y εαα++=10它反映了y t 与x t 的长期均衡关系，所以称式（5-5）中的ecm t -1是前一期的“非均衡误差”，称误差修正模型（5-6）中的1-t ecm γ是误差修正项，12-=βγ是修正系数，由于通常1||2<β，这样0<γ；当ecm t -1 >0时（即出现正误差），误差修正项1-t ecm γ< 0，而ecm t -1 < 0时（即出现负误差），1-t ecm γ> 0，两者的方向恰好相反，所以，误差修正是一个反向调整过程（负反馈机制）。
误差修正模型有以下几个明确的含义：1．均衡的偏差调整机制2．协整与长期均衡的关系3．经济变量的长期与短期变化模型长期趋势模型：t t t x y εαα++=10 短期波动模型： t t t t ecm x y εγβ++∆=∆-10三、误差修正模型的估计建立ECM 的具体步骤为：1．检验被解释变量y 与解释变量x （可以是多个变量）之间的协整性；2．如果y 与x 存在协整关系，估计协整回归方程，计算残差序列e t ：t t t x y εβα++=0 tt t x y e 0ˆˆβα--= 3．将e t-1作为一个解释变量，估计误差修正模型： t t t t v e x y ++∆=∆-10γβ说明：（1）第1步协整检验中，如果残差是确定趋势过程，可以在第2步的协整回归方程中加入趋势变量；（2）第2步可以估计动态自回归分布滞后模型：t i t i i t i t y x y εβαα∑∑+++=--此时，长期参数为：∑∑-=)1(i i βαθ协整回归方程和残差也相应取成：t t x y θ=， tt t x y e θˆ-= （3）第2步估计出ECM 之后，可以检验模型的残差是否存在长期趋势和自相关性。
协整与误差修正模型的研究
协整与误差修正模型的研究第一部分协整理论概述 (2)第二部分误差修正模型介绍 (4)第三部分协整与误差修正关系 (7)第四部分模型构建与检验方法 (9)第五部分实证分析应用案例 (13)第六部分结果解释与经济含义 (16)第七部分模型局限性与改进方向 (18)第八部分研究展望与未来趋势 (22)第一部分协整理论概述协整理论概述在经济学和金融学中，我们常常遇到时间序列数据之间的长期均衡关系。
然而，在实际经济活动中，这种均衡关系并不总是能够得到严格的保持，而是存在着一定程度的波动和偏差。
为了解决这一问题，经济学家们提出了协整理论。
协整理论是指两个或多个非平稳的时间序列之间存在一种长期稳定的关系。
换言之，即使各时间序列本身是随机游走的过程，它们之间也可能存在一个稳定的线性组合，使得这个组合呈现出平稳性质。
协整理论的发展为研究经济变量之间的长期动态关系提供了一个强有力的工具。
协整理论的核心思想是由 Engle 和Granger 于1987 年提出的。
他们认为，如果两个非平稳的时间序列之间存在协整关系，则这两个时间序列可以通过一个线性组合达到长期均衡状态，且这个线性组合具有零均值、有限方差和恒定自相关等特性。
在这个意义上，我们可以将协整关系看作是一种长期均衡关系的表现形式。
为了检验两个时间序列之间是否存在协整关系，Engle 和 Granger 提出了一种两步法：首先检验每个时间序列是否为非平稳过程；然后，如果这两个时间序列都是非平稳过程，再通过回归分析来检验它们之间是否存在协整关系。
这种方法被称为 Engle-Granger 两步协整检验。
除了 Engle-Granger 两步协整检验之外，还有许多其他的方法可以用来检验协整关系，例如 Johansen 检验和 Pedroni 检验等。
这些方法都可以有效地帮助我们确定不同时间序列之间的协整关系。
协整理论不仅用于检验不同时间序列之间的长期均衡关系，还可以用于构建误差修正模型。
实验报告二——误差修正模型的建立与分析
实验报告（二）——误差修正模型(ECM)的建立与分析一、单位根检验：1、绘制cons与GDP的时间序列图：从时间序列图中可以看出，cons与GDP随时间增加都呈上升趋势，表现出非平稳性。
2、对cons进行单位根检验：先选择对原序列（level）进行单位根检验，根据cons与GDP的时间序列图的走势，选择trend and intercept的检验方法，在maximum lags中填写ADF 检验方法的滞后期为0，从上表中可以看出，P值为0.9888，大于0.05的显著性水平，说明原序列是非平稳的。
选择cons的一阶差分（1st）和trend and intercept,从上表中可以看出，经过一阶差分后，P值（=0.5099）仍然没有通过0.05的置信水平检验，说明是不平稳的，需要继续改进。
再试用ADF检验，在滞后期（maximum lags）中填入8，选择一阶差分和trend and intercept，得出上表，可以看出P值=0.0801，大于0.05，没有通过0.05的置信水平检验，说明是不平稳的，需要继续改进。
再试用ADF检验，在滞后期（maximum lags）中填入6，选择二阶差分和trend and intercept，得出上表，可以看出P值=0.0137，小于0.05，通过0.05的置信水平检验，说明是平稳的。
3、对GDP进行单位根检验：先选择对原序列（level）进行单位根检验，根据cons与GDP的时间序列图的走势，选择trend and intercept的检验方法，在maximum lags中填写ADF 检验方法的滞后期为0，从上表中可以看出，P值为1.0000，大于0.05的显著性水平，说明原序列是非平稳的。
选择GDP的一阶差分（1st）和trend and intercept,从上表中可以看出，经过一阶差分后，P值（=0.5574）仍然没有通过0.05的置信水平检验，说明是不平稳的，需要继续改进。
第二讲 协整理论与误差修正模型
其残差序列是平稳序列，以它为误差修正项，可建立如下误差修正模型 表7 ECM模型回归结果
中变量的符号与长期均衡关系的符号一致，误差修正系数为负，符合反
向修正机制。回归结果表明，城镇居民人均可支配收入的短期变动对人
均消费支出存在正向影响，本期可支配收入每增加1%，本期人均消费将 增加0.884%；上期可支配收入每增加1%，本期人均消费将增加0.241%；
2．协整理论的重要意义
(1)避免伪回归。 (2) 估计量的“超一致性”。如果一组非平稳时间序列之间存在 协整关系，可以直接建立回归模型，而且，其参数的最小二乘估计量 具有超一致性，即以更快的速度收敛于参数的真实值。 (3) 区分变量之间的长期均衡关系和短期动态关系。 格兰杰和恩
格尔已证明，如果变量之间存在长期均衡关系，则均衡误差将显著影
当N>1时，意味着有N-1个协整参数需要估计。如果某些协整参数已事先 知道，那么计算临界值时，应相应减少N的值。作为一个极端情形，当全 部协整参数都已知时，应在附表8中N=1一栏中查找参数，计算临界值。 当N=1时，所涉及的变量只有一个。所以协整检验退化成为单整检验。 这时实际是做 ADF 检验。由此可见麦金农（ Mackinnon ）协整检验临界值 表实际上是协整检验和单整检验结合在一起，即把ADF 检验和 AEG 检验结 合在一起。所以N = 1对应的是ADF检验。N 2时，对应的是AEG 检验， 即协整检验。
(1)两变量的Engle-Granger检验
表2
双变量协整检验AEG临界值
例2
检验中国城镇居民人均消费性支出与人均可支配收入
（见表3.3与图3.1）时间序列的协整关系。
表3
中国城镇居民人均收入、人均消费（单位：元）
二阶误差修正模型的推导
二阶误差修正模型的推导误差修正模型（Error Correction Model, ECM）协整（cointegration）反映的是序列中变量之间的长期均衡关系，用网上的一个例子来描述协整就是一个醉汉牵着一只狗，他们之间的距离虽然会时远时近，但是由于绳子的存在，当达到绳子的长度时，他们的距离又会拉近，这样他们之间就存在着协整关系。
通过协整建立的模型是静态模型，而误差修正模型的使用就是为了建立短期的动态模型来弥补长期静态模型的不足，通过误差修正模型，可以判断出变量在短期波动中偏离其长期均衡关系的程度。
假设序列 X t X_{t} Xt和 Y t Y_{t} Yt存在这种长期的均衡关系，也就是协整关系，表现形式就是： Y t = a 0 + a 1 X t + u t Y_{t} = a_{0} + a_{1}X_{t} + u_{t} Yt=a0+a1 Xt+ut由于他们之间存在着长期的均衡关系，那就是说当 Y t Y_{t} Yt出现偏离均衡点时，这种现象只是暂时的。
而这种均衡关系建立的前提就是随机项 u t u_{t} ut是平稳的，这也是检验两个序列之间协整关系的一种方法，就是通过检验随机项的平稳性来判断是否存在协整关系。
试想一下，如果随机项不是平稳的，也就是它具有上升或者下降的趋势，那么 Y t Y_{t} Yt的偏离就会被长期累积下来而不能被消除。
因此，随机项也称作长期均衡误差，或者非均衡误差项，它将在误差修正模型中作为自变量。
误差修正模型的建立通过上面的分析，我们知道，如果要建立一个误差修正模型，首先要做的就是对序列进行检验，找出它们之间的协整关系，然后根据这种关系建立误差修正项，再将误差修正项作为解释变量，与其他反映短期波动的解释变量一起，建立一个短期模型，也就是误差修正模型。
从上面的例子知道长期均衡 Y t = a 0 + a 1 X t + u tY_{t} = a_{0} + a_{1}X_{t} + u_{t} Yt=a0+a1Xt+ut，而误差修正模型的具体形式是：Δ Y t = b 0 + b 1 Δ X t + γ e c m t − 1 + u t \Delta Y_{t} = b_{0} +b_{1}\Delta X_{t} + \gamma ecm_{t-1} + u_{t} ΔYt=b0+b1ΔXt+γecm t−1+ut Δ X t \Delta X_{t} ΔXt 和Δ Y t \Delta Y_{t} ΔYt 分别是一阶差分后的结果，除此之外，其中γ < 0 \gamma < 0 γ<0， e c m t − 1ecm_{t-1} ecmt−1表示误差修正项，可以表示为 e c m t − 1 = Y t − 1 − a 0 − a 1 X t − 1 ecm_{t-1} =Y_{t-1} - a_{0} - a_{1}X_{t-1} ecmt−1=Yt−1−a0−a1Xt−1，这也是为什么上面提到的随机项将在误差修正模型中作为自变量的解释。
误差修正模型课件
单方程误差修正模型是针对单个经济变量进行建模的方法，主要目的是检验和估计长期均衡关系及其短期调整机 制。
详细描述
单方程误差修正模型基于经济理论，通过一个经济变量对它的长期均衡关系及其短期调整机制进行建模。它通常 采用一阶差分法或协整法来处理非平稳时间序列数据，以识别和估计变量的长期均衡关系及其短期调整机制。
通常用长期均衡方程来描述。
在长期均衡方程中，变量的系数 映了其在长期均衡关系中的贡
献程度。
长期均衡关系通常是在市场机制 的作用下，通过供求关系自发调
节而形成的。
短期调整机制
短期调整机制是指当经济变量受到外 部冲击或其他因素的影响，导致其偏 离长期均衡状态时，系统会自动调整 以重新回到均衡状态的过程。
与
06
误差修正模型在经济学中的地位与作用
经济学的核心工具
误差修正模型（ECM）是现代经 济学中用于研究长期均衡关系和 短期调整机制的重要工具，尤其 在宏观和微观经济学中占据核心 地位。
揭示经济规律
通过ECM，研究者可以深入探究 经济变量之间的内在关系，揭示 其背后的经济规律和动态机制， 为政策制定提供科学依据。
外汇市场汇率调整的误差修正模型
总结词
该模型用于研究外汇市场汇率的调整机制， 通过分析汇率的短期波动和长期均衡趋势来 预测汇率变化。
详细描述
外汇市场汇率调整的误差修正模型关注汇率 的动态变化，并考虑国内外经济基本面的差 异对汇率的影响。它利用误差项来衡量短期 非均衡程度，并通过调整机制预测长期均衡 汇率的回归，有助于分析汇率的稳定性和波 动性。
短期调整机制通常是通过误差修正机 制来实现的，即系统会根据误差的大 小和方向，自动调整变量的取值，以 使其重新回到长期均衡状态。
stata-误差修正模型讲解
stata-误差修正模型讲解误差修正模型：如果用两个变量，人均消费y 和人均收入x （从格林的数据获得）来研究误差修正模型。
令z=（y x ）’，则模型为：t t ki i t t z p z A z επ+?++=?-=-∑1110其中，'αβπ=如果令1=k ，即滞后项为1，则模型为t t t t z p z A z επ+?++=?--1110实际上为两个方程的估计：t t t t t y t x p y p x b y b a y 1112111112111ε+?+?+++=?---- t t t t t x t x p y p x b y b a x 2122121122121ε+?+?+++=?---- 用ols 命令做出的结果： gen t=_n tsset ttime variable: t, 1 to 204 gen ly=L.y(1 missing value generated) gen lx=L.x(1 missing value generated) reg D.y ly lx D.ly D.lxSource | SS df MS Number of obs = 202 -------------+------------------------------ F( 4, 197) = 21.07 Model | 37251.2525 4 9312.81313 Prob > F = 0.0000 Residual | 87073.3154 197 441.996525 R-squared = 0.2996 -------------+------------------------------ Adj R-squared = 0.2854 Total | 124324.568 201 618.530189 Root MSE = 21.024------------------------------------------------------------------------------D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- ly | .0417242 .0187553 2.22 0.027 .0047371 .0787112 lx | -.0318574 .0171217 -1.86 0.064 -.0656228 .001908 ly |D1. | .1093189 .082368 1.33 0.186 -.0531173 .2717552 lx |D1. | .0792758 .0566966 1.40 0.164 -.0325344 .1910861 _cons | 2.533504 3.757158 0.67 0.501 -4.875909 9.942916 这是t t t t t y t x p y p x b y b a y 1112111112111ε+?+?+++=?----的回归结果，其中y a =2.5335，b 11=0.04172，b 12= -0.03186，p 11=0.10932，p 12=0.07928同理可得t t t t t x t x p y p x b y b a x 2122121122121ε+?+?+++=?----的回归结果，见下reg D.x ly lx D.ly D.lxSource | SS df MS Number of obs = 202 -------------+------------------------------ F( 4, 197) = 11.18 Model | 36530.2795 4 9132.56988 Prob > F = 0.0000 Residual | 160879.676 197 816.648101 R-squared = 0.1850 -------------+------------------------------ Adj R-squared = 0.1685 Total | 197409.955 201 982.139082 Root MSE = 28.577------------------------------------------------------------------------------D.x | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- ly | .037608 .0254937 1.48 0.142 -.0126676 .0878836 lx | -.0307729 .0232732 -1.32 0.188 -.0766694 .0151237 ly | D1. | .4149475 .111961 3.71 0.000 .1941517 .6357434 lx |D1. | -.1812014 .0770664 -2.35 0.020 -.3331825 -.0292203 _cons | 11.20186 5.10702 2.19 0.029 1.130419 21.27331 如果用vec 命令vec y x, piVector error-correction modelSample: 3 - 204 No. of obs = 202AIC = 18.29975 Log likelihood = -1839.275 HQIC = 18.35939Det(Sigma_ml) = 277863.4 SBIC = 18.44715Equation Parms RMSE R-sq chi2 P>chi2---------------------------------------------------------------- D_y 4 20.9706 0.6671 396.7818 0.0000D_x 4 28.5233 0.5328 225.8313 0.0000---------------------------------------------------------------- ------------------------------------------------------------------------------| Coef. Std. Err. z P>|z| [95% Conf. Interval]-------------+----------------------------------------------------------------D_y |_ce1 |L1. | .0418615 .0069215 6.05 0.000 .0282956 .0554273y |LD. | .1091985 .0807314 1.35 0.176 -.0490323 .2674292x |LD. | .0793652 .055411 1.43 0.152 -.0292384 .1879687_cons | -3.602279 3.759537 -0.96 0.338 -10.97084 3.766278 -------------+----------------------------------------------------------------D_x |_ce1 |L1. | .0256414 .0094143 2.72 0.006 .0071897 .044093y |LD. | .4254495 .1098075 3.87 0.000 .2102308 .6406683x |LD. | -.1889879 .0753677 -2.51 0.012 -.3367058 -.04127_cons | 5.880993 5.113562 1.15 0.250 -4.141405 15.90339 ------------------------------------------------------------------------------这里_ce1 L1显示的是速度调整参数α的估计值，上述结果没有π的估计，而是在下面的表格中。
- 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)。
大型作业报告课程名称计量经济学课程代码142102601题目误差修正模型专业经济学班级成员陈晓燕上海电力学院经济与管理学院计量经济学大型作业评分表备注：课程设计报告的质量70%，分4个等级：1、按要求格式书写，计算正确，方案合理，内容完整，绘图规范整洁，符合任务书的要求35－402、按要求格式书写，计算较正确，有少量错误，方案较合理，内容完整，绘图较规范整洁，基本符合任务书的要求26－343、基本按要求格式书写，计算较正确，有部分错误，方案较合理，内容基本完整，绘图不规范整洁，基本符合任务书的要求15－254、基本按要求格式书写，计算错误较多，方案不合理，内容不完整，绘图不规范整洁，不符合任务书的要求0－14工作态度30%，分4个等级：1、很好，积极参与，答疑及出勤情况很好16－202、良好，比较能积极参与，答疑情况良好但有少量缺勤记录，或答疑情况一般但出勤情况良好11－153、一般，积极性不是很高，基本没有答疑记录，出勤情况较差6－104、欠佳，不认真投入，且缺勤很多，也没有任何答疑记录0－5实验报告一、实验目的与要求1、掌握时间序列的ADF平稳性检验；2、掌握双变量的Engel-Granger检验；3、掌握双变量的误差修正模型；4、熟练使用Eviews软件建立误差修正模型。
二、实验内容依据1978-2010年我国人均消费和人均GDP的数据，完成以下内容。
1、对实验数据进行单位根检验；2、利用E-G两步法对实验数据进行协整检验；3、根据实验数据的关系，建立误差修正模型，估计并进行解释。
三、实验步骤（1）收集数据数据均来自于国家统计局的《统计年鉴》，1978-2011年全体居民人均消费取的是绝对数（实验过程中设为变量Y，而人均国内生产总值（GDP）则是名义值。
实验过程中为了减少误差，我们将两个变量取对数，即得到LNY和LNGDP。
（2）单位根检验1.对人均消费（LNY）序列进行单位根（ADF）检验。
提出假设H0：γ=1 存在单：γ≠1存在单位根。
位根；H1①对对数序列的原水平进行ADF检验，（下面实验中滞后阶数均1），选取模型为带截距项的检验结果如下：从检验结果看，在1％、5％、10％三个显著性水平下，单位根检验的Mackinnon临界值分别为-3.653730、-2.957110、-2.617434，t检验统计量值-0.528634大于相应临界值，则接受原假设说明序列存在单位根，序列非平稳。
②选择模型为有截距项和时间趋势项的模型进行对对数序列的原水平进行ADF检验。
从检验结果看，在1％、5％、10％三个显著性水平下，单位根检验的Mackinnon临界值分别为-4.273277、-3.557759、-3.212361，t检验统计量值-2.435240大于相应临界值，则接受原假设说明序列存在单位根，序列非平稳。
③选择模型为不带截距项和趋势项的模型进行对对数序列的原水平进行ADF检验。
从检验结果看，在1％、5％、10％三个显著性水平下，单位根检验的Mackinnon临界值分别为-2.639210、-1.951687、-1.610579，t检验统计量值2.157310大于相应临界值，则接受原假设说明序列存在单位根，序列非平稳。
④采用AIC指的是赤池信息准则，参数的数值越小，就代表你所做的模型越好.根据前三个检验数据显示，AIC参数值分别为-3.102971，-3.225597，-3.101471.所以参数显示含有截距项和时间趋势项的模型AIC参数值最小，模型越好。
所以接着以含有截距项和时间趋势项模型，对对数序列进行一阶差分。
得到结果在10％的显著性水平下，单位根检验的Mackinnon临界值分别为-3.215267、t检验统计量值-3.241876小于相应临界值，则拒绝原假设说明序列不存在单位根，序列平稳。
说明⊿LnY序列在ɑ=0.1下平稳，LnY是一阶单整序列2 .对人均国内生产总值（LNGDP）序列进行单位根（ADF）检验。
提出假设H0：γ=1 存在单位根；H1 ：γ≠1存在单位根。
①对对数序列的原水平进行ADF检验，选取模型为带截距项的检验结果如下：从检验结果看，在1％、5％、10％三个显著性水平下，单位根检验的Mackinnon临界值分别为-3.653730、-2.957110、-2.617434，t检验统计量值-0.208041大于相应临界值，则接受原假设说明序列存在单位根，序列非平稳。
②选择模型为有截距项和时间趋势项的模型进行对对数序列的原水平进行ADF检验。
从检验结果看，在1％、5％、10％三个显著性水平下，单位根检验的Mackinnon临界值分别为-4.273277、-3.557759、-3.212361，t检验统计量值-3.208925大于相应临界值，则接受原假设说明序列存在单位根，序列非平稳。
③选择模型为不带截距项和趋势项的模型进行对对数序列的原水平进行ADF检验。
从检验结果看，在1％、5％、10％三个显著性水平下，单位根检验的Mackinnon临界值分别为-2.639210、-1.951687、-1.610579，t检验统计量值2.192699大于相应临界值，则接受原假设说明序列存在单位根，序列非平稳。
④.根据前三个检验数据显示，AIC参数值分别为-3.119969，-3.369226，-3.138693.所以参数显示含有截距项和时间趋势项的模型AIC参数值最小，模型越好。
所以接着以含有截距项和时间趋势项模型，对对数序列进行一阶差分。
得到结果在10％的显著性水平下，单位根检验的Mackinnon临界值分别为-3.215267、t检验统计量值-3.253823小于相应临界值，则拒绝原假设说明序列不存在单位根，序列平稳。
说明⊿LnGDP序列在ɑ=0.1下平稳，LnGDP是一阶单整序列由于人均消费和人均GDP的对数都为非平稳数列，但两者都是一阶单整序列，且从时序图中来看，两者其有可能存在协整关系。
倘若两者存在协整关系，我们就可以做出一个平稳序列来描述原变量之间的均衡关系。
（3）协整检验采用EG两步法检验进行协整检验对LnY和LnGDP,用最小二乘法做回归，得到回归方程的估计结果：LnY=0.913331LnGDP-0.073751+εt在得到残差序列后，对残差序列进行ADF 检验，同样提出假设H 0：γ=1 存在单位根；H 1 ：γ≠1存在单位根。
根据结果显示，回归结果存在自相关，且为正相关 接着对模型进行广义差分修正。
求的相关系数:0.848359t t t t t X X Y Y μββ+-+-=---)8483.0()8483.01(8483.01101进行回归，得到结果进行LM 检验结果显示修正后的回归方程不存在自相关，修正后模型：*865996.0055728.0ˆ*LnGDP Y Ln t +=+εt ，对该模型进行协正检验，结果如下。
在1％的显著性水平下，单位根检验的Mackinnon 临界值分别为-2.641672、t 检验统计量值-3.604026小于相应临界值，则拒绝原假设说明序列不存在单位根，序列平稳。
说明残差平稳，又因为LnY 和LnGDP 都是1阶单整序列，所以二者具有协整关系。
说明人均消费与人均GDP 存在长期均衡，虽然两个序列非平稳，但两者具有协整关系，他们之间并不是伪回归，所以依旧可以进行误差修正模型的建立 （4）误差修正模型构建如下ECM 模型：用两种方法：第一种：构建如下ECM 模型： ⊿LnY=β0LnGDP+β1ECM T -1 +εtECM T -1= LnY t-1-0.865996LnGDP t-1-0.055728 对LnY 和 LnGDP 做差分 DLnY=⊿LnY= LnY t -LnY t-1DLnGDP=⊿LnGDP= LnGDP t -LnGDP t-1将DlnY 、 DLnGDP 和ECM T -1 做回归，得到结果如下： ECM T -1为EVIEWS 计算的前期误差项ECM误差修正模型为:⊿LnY=0.8630⊿LnGDP-0.15015ECM T-1+0.047297T (14.19696)(-3.708852)(3.36166)第二种方法：建立模型: LnYt =β+β1LnGDPt+β2LnGDPt-1+β3LnYt-1+εt误差修正模型为LnY t=0.055959+0.863243LnGDP t-0.734005LnGDP t-1+0.850682LnY t-1四、实验结果1.单位根检验的三个模型不含截距项和时间趋势项：-1-1pt t i t i tiY Y Yδαε==+∆+∑含截距项:-1-1pt t i t i tiY Y Yαδαμ==++∆+∑含截距项和时间趋势项:-1-1pt t i t i tiY t Y Yαβδαμ==+++∆+∑做时序图从时序图可以看出，两个序列都不平稳，并且随时间增长，序列可能存在时间趋势项。
此外，两个序列都具有几乎相同的变化趋势，所以，两者可能存在协整关系。
根据图中显示的信息存在截距项和趋势项，所以单位根检验模型选择含截距项和时间趋势项。
此外在实验过程中，AIC以及SC准则的参数都显示检验模型选择含截距项和时间趋势项的值最小，模型最好。
而最后的检验结果也证明了，经过一阶差分后，含截距项和时间趋势项的模型可以使得LnY和LnGDP两个序列在10%置信水平下趋于平稳。
2误差修正模型的建立第一步：建立长期关系模型用最小二乘法建立y关于x协整回归方程，并且检验其残差序列的平稳性。
若残差是平稳的，说明这些变量之间存在相互协整关系，因此长期关系模型的变量选择是合理的，回归是有意义的。
第二步：建立短期动态关系，即建立误差修正模型第一种方法：⊿LnY=β0⊿LnGDP+β1ECM T -1 +ε1（ECM 模型的估计方法Engle-Granger 的两步法）我们用ECM T -1来纠正短期失衡。
第二种方法：LnY t =β0+β1 LnGDP t +β2LnGDP t-1+β3LnY t-1+εt 进行OLS 估计可得出结果。
根据上述两个模型可以看出，第一种模型，AIC 和SC 检验的参数值更小，且该方法使用相对广泛；第二种方法建立的模型拟合优度更好，并且第二个模型更加便于预测。
3.误差修正模型的经济意义；短期均衡模型：*865996.0055728.0ˆ*LnGDP Y Ln t+= t : (2.47) (53.20)短期均衡模型显示，人均国民生产总值对人居消费影响显著。
当人均国内生产总值相对增加1%会引起居民人均消费0.865996%的相对增长长期均衡模型:误差修正模型：模型一：⊿LnY=0.8630⊿LnGDP-0.15015ECM T-1+0.047297T (14.19696) (-3.708852) (3.36166)回归的t 检验结果显示人均国民生产总值当期波动对人均消费支出的当期波动有显著性影响，上期误差对当期波动的影响也同样显著；同时，从回归系数的绝对值大小可以看出人均国民生产总值的当期波动对人均消费支出的当期波动调整幅度很大，每相对增加1%的人均国民生产总值便会相对增加0.8630%元的人均消费支出，上期误差对当期人均消费支出的当期的单位调整比例为-0.15015。