简介这份专题资料聚焦 Granger 因果关系与误差修正模型ECM在时间序列分析中的应用以中国电力消费与经济增长关系为实证场景适合经济学、能源经济领域的研究生及需要开展协整分析的研究人员。内容涵盖时间序列平稳性检验ADF、PP 单位根检验与 Zivot-Andrews 结构断点分析、Granger 因果关系检验、Johansen 协整检验以及 ECM 模型的构建与解读并配有相应的检验公式、模型设定与结果判读逻辑能够帮助读者系统掌握从数据平稳性验证到长期均衡关系建模的完整分析流程。资源共 1 个 doc 文件整体约 784KB目前已有 156 人学习。对从事宏观变量之间动态关系研究或政策评估的读者而言这份资料可作为方法梳理与实操参考。1. 一份2021-2022年的专题资料为什么还要专门讲 Granger 和 ECM拿到这份专题资料的人多数不是来学概念而是手上已经有一组宏观经济或金融序列想搞清楚“A 是不是 B 的原因”“两者的长期关系到底是多少”。Granger 因果检验和 ECM 误差修正模型正是回答这两个问题的标准组合前者看统计意义上的因果关系后者把长期均衡和短期波动拆开。新手最容易踩的坑是拿到两个带趋势的序列直接跑回归R² 高得吓人实际却是伪回归。这份资料的价值在于把「检验—建模—解释」的完整链路串起来。这篇笔记按这条链路讲透并把操作步骤和参数边界一并说清楚。2. 跑模型前先打地基平稳性、协整和建模主线Granger 因果检验和 ECM 模型都不是拿来就能用的它们对序列的统计性质有严格前提。跳过这一步后面所有结果都可能只是数字游戏。2.1 平稳性检验是整个流程的地基Granger 因果检验要求序列满足平稳性否则传统的 F 检验和 Wald 检验统计量不再服从标准分布。ECM 模型虽然允许序列非平稳但必须先确认它们存在协整关系否则误差修正项没有统计意义。所以第一步永远是做单位根检验。最常用的是 ADFAugmented Dickey-Fuller检验。它的原假设是序列存在单位根也就是非平稳。p 值小于显著性水平通常 0.05时拒绝原假设认为序列平稳。EViews 里的操作路径是打开序列窗口View → Unit Root Test在 Test type 里选 Augmented Dickey-Fuller再选带常数项、带趋势项还是都不带。这个选择直接影响结果不是随便选的。带常数项还是带趋势项判断依据是看序列的时序图。序列围绕水平线波动用带常数项序列有明显递增或递减趋势用带趋势项序列在零附近波动用都不带。很多人在这一步翻车趋势型序列选了「带常数项」结果 p 值显示不平稳换了「带趋势项」就平稳了。做一次检验同时看三种设定也不算浪费时间至少知道边界在哪。Python 里做 ADF 检验可以用 statsmodels。先取对数、再差分是宏观序列最常见的预处理顺序。import numpy as np import pandas as pd from statsmodels.tsa.stattools import adfuller # 假设 data 为 DataFrame包含 gdp 和 credit 两列 data pd.read_csv(macro_series.csv, parse_dates[date], index_coldate) # 对 gdp 取自然对数宏观序列通常先取对数再判断差分阶数 data[ln_gdp] np.log(data[gdp]) # ADF 检验regressionc 表示带常数项ct 表示带趋势项n 表示都不带 result adfuller(data[ln_gdp].dropna(), maxlagNone, regressionc, autolagAIC) print(ADF 统计量:, result[0]) print(p 值:, result[1]) print(使用的滞后阶数:, result[2])这里的 maxlag 设为 None让函数按 AIC 自动选择最优滞后阶数autolagAIC 是 statsmodels 的默认行为。若 p 值大于 0.05就要对序列做一阶差分再对差分序列重复上面的检验。差分后若平稳说明原序列是 I(1) 过程也就是一阶单整。2.2 协整检验Engle-Granger 两步法和 Johansen 怎么选如果两个序列都是 I(1)接下来不是直接回归而是先检验它们是否存在协整关系。协整的经济含义很直白两个变量单独看都在漂移但存在一个线性组合是稳定的说明它们之间有长期均衡关系。检验协整的常用方法有两条路。第一条是 Engle-Granger 两步法先做最小二乘回归得到残差再对残差做 ADF 检验。残差平稳就认为存在协整关系。这个方法的优点是直观、计算简单缺点也明显——只能处理一个协整关系而且检验结果受回归中变量顺序影响。先回归 y 对 x和先回归 x 对 y结论可能不同。第二条是 Johansen 极大似然法基于 VAR 框架可以同时检验多个协整向量适合三变量以上或多重协整的场景。实际选择时经验法则是两个变量之间做 EG 两步法完全够用三个以上变量、或者你对协整向量不止一个这件事有怀疑用 Johansen。资料里如果讨论的是双变量宏观序列EG 两步法是最顺手的入口。下表把两种方法的关键差异列出来方便对照对比维度Engle-Granger 两步法Johansen 方法适用变量数两个变量为主两个以上变量协整关系数量只能识别一个可识别多个协整向量计算复杂度低回归后检验残差高基于 VAR 的极大似然估计受滞后阶数影响较小大必须先确定 VAR 滞后阶数典型使用场景双变量长期关系多变量系统、VECM 建模Johansen 检验在 EViews 里的操作路径是在多个序列构成的无限制 VAR 上做 Cointegration Test选「Johansen System Cointegration Test」然后选择检验类型迹检验或最大特征值检验。两组检验结果都要看出现冲突时以迹检验为主但要在报告里说明这是常见处理方式。2.3 用一个最小流程确认模型能不能往下走把上面两步合并成一个最小流程任何一组双变量数据都可以对照执行第一步对两个原始序列画时序图判断趋势形态确定 ADF 检验的设定形式。第二步对两个序列分别做 ADF 检验确认同阶单整。第三步若同为 I(1)用 EG 两步法或 Johansen 做协整检验。第四步协整关系存在才允许进入后面的 ECM 建模若不存在Granger 检验要做差分序列且放弃长期均衡的解释。这里特别提醒一件事协整检验的滞后阶数Johansen 方法和 EG 方法的敏感性不同。Johansen 方法对滞后阶数非常敏感滞后阶数选错协整关系可能直接消失。确定滞后阶数时可以先估计一个无约束 VAR再看信息准则而不是凭感觉填。这个细节在后面 Granger 因果检验里还要再碰一次因为两处共用滞后阶数逻辑。3. 把 Granger 因果检验做扎实原假设、滞后阶数和结果解读Granger 因果检验是这个专题资料的第一个大主题。它回答的是x 的过去值是否对 y 的当期值有解释力。注意是解释力不问经济机理。所以结果只能说「统计意义上的因果」不能直接说「经济上的因果」。这个边界不理解后面全是误读。3.1 先读懂原假设Granger 因果不是你想的那个因果检验的原假设是「x 不是 y 的 Granger 原因」。嵌套模型的思想是先做一个只含 y 滞后项的回归再做一个同时含 y 和 x 滞后项的回归然后用 F 检验比较两个回归的拟合优度。如果加入 x 的滞后项后模型解释力显著提高就拒绝原假设认为 x 是 y 的 Granger 原因。两个变量之间可能出现四种结果x 单向 Granger 导致 y、y 单向 Granger 导致 x、双向互为 Granger 因果、彼此独立。最后一种结果也很有信息量——说明你选的这两个变量之间至少在统计意义上没有领先滞后关系。这个结论放在经济分析里可能意味着两个市场是分割的或者信息传导速度太快月度数据无法捕捉。检验是基于 VAR 框架做的。滞后阶数 p 一旦变化结论可能翻转。这也是 Granger 检验最被人诟病的地方也是很多人的血泪经验来源。同一个数据用滞后 2 期做出来有显著因果用滞后 4 期就消失了。所以滞后阶数的选择必须有依据而不是挑一个结美好的值。3.2 滞后阶数选择信息准则和残差诊断配合用在双变量情形下先估计一个 (p) 阶向量自回归模型再用 AIC、SCBIC、HQ 三个信息准则选出最优 p。三个准则给的阶数不一致时常见做法是在备选阶数附近各跑一次 Granger 检验如果结论一致说明结论对滞后阶数不敏感报告里可以多写一句「稳健性检验显示结论一致」。如果结论不一致那不等于检验失效而是说明你的数据在滞后维度上本身不稳定应该在报告里如实呈现。EViews 操作路径把两个序列建成 GroupOpen Group → View → VAR在 Lag Intervals 里填 1 2 或 1 4估计完成后在 View → Lag Structure → Lag Length Criteria 里查看各准则推荐的最优阶数。也可以直接换不同阶数反复跑观察 Granger 因果结果是否变化。Python 里用 statsmodels 跑 Granger 检验很直接但滞后阶数要自己传参import pandas as pd from statsmodels.tsa.stattools import grangercausalitytests # data 是已经处理好的平稳序列或差分序列包含两列 df data[[credit, gdp]].dropna() # 对滞后阶数 1 到 6 逐一检验 # 返回结果中每个阶数对应一份包含 F 检验和卡方检验的字典 result grangercausalitytests(df, maxlag6, verboseTrue)grangercausalitytests 的第一个参数要求是 DataFrame函数会对每一列依次检验「列1 是否是列2 的 Granger 原因」和反向的因果。verboseTrue 会把每个滞后阶数的检验统计量和 p 值打印出来负相关或正相关都直接可见。需要留意的细节是这个函数不自动帮你做差分如果序列非平稳结果不可信。你要么在外部先把序列差分平稳再传入要么使用协整情形下的 VECM 再做 Granger 检验。另外数据类型必须是数值型且无缺失值否则函数直接报错。缺失值先用 dropna 处理或者对缺失年份做插补后再检验不能带空值进模型。综合经济含义来选滞后阶数和解释结果是 Gradner 检验里最容易踩坑的地方。统计工具只能告诉你在给定滞后阶数下结论是什么而滞后阶数本身是经济学理论、数据频率和统计准则三方妥协的结果。月度数据通常滞后 6—12 期季度数据 4—8 期具体还受样本长度限制样本只有 15 年季度数据 60 期单侧滞后拉到 8 期以上模型自由度会快速下降估计不稳定。这也是信息准则和残差诊断必须配合使用的原因。3.3 一组可照抄的检验结果解读写法拿到检验输出后报告里最常见的一种写法是这样「在 5% 显著性水平下滞后 2 期的检验结果显示信贷规模的变化是 GDP 增长的 Granger 原因F4.72p0.013但 GDP 增长不是信贷规模的 Granger 原因F1.20p0.31。」这段话包含三个必要信息显著性水平、滞后期数、F 值或 p 值。缺一个都不完整。尤其要写清楚滞后期数和样本区间因为不同滞后期结果可能不同读报告的人需要自己判断可信度。报告之外还有一个常见保留项如果两个变量都是 I(1) 且存在协整仅对差分后的序列跑 VAR 来做 Granger 检验会丢失长期信息检验结果能反映的只是短期 Granger 因果关系。这种情况下文档给的通常建议是短期关系用差分 VAR 里的检验说明长期关系用 VECM 中误差修正项的显著性说明。这正好过渡到 ECM 模型的主题。4. ECM 误差修正模型从长期均衡到短期动态调整Granger 检验告诉你「有没有领先滞后关系」ECM 模型告诉你「偏离了长期均衡后系统怎么往回拉」。两者是互补关系不是竞争关系。4.1 从 EG 两步法到误差修正项一阶 ECM 的构建假设两个 I(1) 变量 yt 和 xt 存在协整关系。第一步估计长期均衡方程yt β0 β1·xt ut得到残差序列 êt。第二步残差项的一阶滞后就是误差修正项 ECM_t-1。把它放入差分方程Δyt α0 γ·Δxt λ·ECM_t-1 vt其中 λ 就是所谓误差修正系数。它的含义很直观上一期偏离均衡一个单位本期系统会把这种偏离往回修正 λ 个百分点。λ 为负且在统计上显著时说明存在向均衡回归的机制这是 ECM 模型能够成立的关键证据。λ 的绝对值越大修正速度越快λ 不显著说明两个变量间的长期关系在你研究的样本期里实际上没有约束力。假设 yt 是消费、xt 是收入长期关系是消费约等于收入的一定比例。某期收入快速增长消费当期也增长但没完全跟上差额部分进入 ECM_t-1。如果 λ -0.35表示上一期多出的差额在下一期会有 35% 被修正回来。这个概念对应「调整速度」这一关键参数宏观文献里经常用它推断市场效率或制度粘性。4.2 单方程 ECM 还是多方程 VECM两个变量、一个协整关系时单方程 ECM 完全够用。但变量数增加到三个或更多可能出现不止一个协整向量单方程 ECM 无法处理多组均衡关系。这时就要用 VECM即向量误差修正模型。VECM 的内核是把误差修正项放进一个多方程系统每个内生变量都有一个自己的方程公共的协整向量决定长期均衡路径各自的误差修正系数刻画不同变量对这个均衡的调整速度。Johansen 检验得到的协整向量就是 VECM 的长期部分估计时直接代入即可。EViews 里的操作路径是建立序列组后在估计方法里选 Vector Error Correction指定协整秩即协整向量个数和滞后阶数。理论上协整秩怎么定看 Johansen 检验的迹统计量。实际操作中也会结合经济理论判断比如利率和物价之间理论上只有一个长期关系就选协整秩为 1。在 Python 里statsmodels 的 VECM 封装了这个流程from statsmodels.tsa.vector_ar.vecm import VECM, select_coint_rank, coint_johansen # 数据要求传入原始 I(1) 序列内部会做差分 # k_ar_diff 表示差分后的滞后阶数等于 VAR 阶数减 1 vec_data df[[consumption, income]].dropna() # 先做 Johansen 迹检验确定协整秩 jres coint_johansen(vec_data, det_order0, k_ar_diff3) print(迹统计量:, jres.lr1) print(临界值(5%):, jres.cvt) # 指定协整秩为 1估计 VECM model VECM(vec_data, k_ar_diff3, coint_rank1, deterministicci) vecm_res model.fit() print(vecm_res.summary())det_order0 表示没有确定性趋势k_ar_diff3 对应 VAR 阶数为 4。这两个参数都直接影响协整检验结果。deterministicci 表示在协整关系里包含常数项是宏观序列最常见的设定。拟合完成后summary 里同时给出协整向量、误差修正系数和各短期方程系数解释时先看协整向量再看 λ。4.3 参数解释和报告写法三个数字一个都不能漏ECM 模型的结果报告有经验的读者主要看三个数字长期均衡系数 β1、误差修正系数 λ、短期调整系数 γ外加模型残差的诊断结果。β1 解释为长期弹性或边际倾向γ 解释为短期弹性λ 解释为调整速度。如果 λ 为负不显著可以认为长期均衡关系虽然存在但调整机制在样本期内没有体现这是对协整关系「有效但较弱」的一种表述。残差诊断这块重点是检验残差是否存在自相关和异方差。自相关的 LM 检验例如 Breusch-Godfrey 检验若不通过说明遗漏了滞后项通常需要对短期方程增加滞后阶数。异方差问题在宏观月度数据里常见处理办法是使用稳健标准误EViews 里在 Equation Estimation 选项里勾选 HACNewey-West即可。模型的整体解释力、调整 R² 这些指标在 ECM 中不是最重要的。因为 ECM 方程用的是差分序列拟合优度天然不高大概在 0.1—0.4 之间是常态不能拿它和水平值回归的 R² 比较。这一点对于刚接触这个模型的新手很有迷惑性看到低 R² 就以为模型失败其实是理解错了指标含义。提示误差修正系数的 t 统计量不能直接用普通临界值判断显著性。因为它是非平稳序列相关变量的估计结果分布非标准。EViews 和 statsmodels 会给出对应的临界值和 p 值直接以输出结果为准不要自己手动查正态分布表。5. Granger 与 ECM 的避坑指南五个最常见的翻车现场下面五条都是这个模型组合里真正容易让人翻车的操作细节。每一条都按现象、原因、解决三步来写对照着检查自己的工作流程非常有用。5.1 不平稳序列直接跑 Granger 检验现象原始序列比如 CPI 和 M2直接放进 Granger 检验出现大量显著的「双向因果」关系甚至一个序列对另一个序列的 p 值小到 0.000。结论看起来很有价值但换滞后阶数后结果完全变样。原因非平稳序列含有趋势项和随机游走成分回归很可能得到伪结果F 统计量被严重放大。显著性不是变量间的真实领先滞后关系而是共同趋势导致的「虚假相关」。解决先做单位根检验。若两者均为 I(1)要么先差分后在差分序列上做 Granger 检验解释为短期因果关系要么直接切换到 VECM 框架利用误差修正模型同时考察长期均衡和短期因果。后一种方法保留更多信息优先推荐。5.2 滞后阶数全凭 AIC 一个准则决定现象AIC 推荐滞后 2 期Granger 检验显著同事用 HQ 准则选了滞后 4 期结论反过来。两人拿着同一批数据争论不下本质是把准则当成了唯一真理。原因信息准则各有偏好AIC 倾向于选择更灵活的大模型BIC 更严格惩罚参数数量HQ 居中。样本短时不同准则的推荐阶数经常不一致这不是程序出错而是准则设计目标不同。解决把 AIC、SC、HQ 同时跑出来全部列在报告里。如果最优阶数不一致在几个候选阶数附近都做一遍 Granger 检验结论方向一致就在报告里标注「对滞后期数选择稳健」不一致就如实报告并且考虑用理论逻辑辅助选择——季度数据选 4 的倍数月度数据选 6 或 12 的倍数是常见的经济先验。5.3 协整检验和单位根检验的顺序、做法搞反现象用 EG 两步法时先对两个 I(1) 序列做回归得到残差然后直接对残差做 ADF 检验p 值显示平稳就宣布存在协整关系。这个流程本身没错但有人略过了第一步「确认两个序列都是 I(1)」或者拿两个不同阶单整的序列比如一个 I(0) 一个 I(1)直接做协整检验照样给结果。原因协整的前提是各变量同阶单整。不同阶单整的序列间不存在标准意义下的协整关系混入 I(0) 变量会污染残差项的性质让检验统计量失效。解决建模之前固定一个检查顺序先 ADF 确认同阶单整再做 EG 两步法或 Johansen 检验。Johansen 检验可以同时输出对协整向量的估计但同样要求你提前把所有变量按 I(1) 处理完毕。顺序上严格走「单位根 → 同阶 → 协整 → ECM」不要跳步。5.4 把短期 Granger 因果和长期均衡调整混为一谈现象变量间存在协整关系。有人只用差分序列做了 Granger 检验得到「信贷不是 GDP 的原因」的结论然后报告为否定两者关系。但 VECM 里误差修正项系数显著为负说明长期关系存在且调整机制有效——两个结论看似矛盾实际是不同的因果层次。原因Granger 检验在差分 VAR 里只捕捉短期领先滞后关系协整关系和误差修正项承载的信息被丢弃了。结论互相矛盾通常不是建模错误而是信息层次不一样。解决正确表述是「短期 Granger 因果检验显示信贷对 GDP 不具备预测力但 VECM 的误差修正项显著说明两个变量在长期存在均衡关系偏差会被修正。」短期和长期并列呈现不冲突。这也意味着哪怕短期检验不显著ECM 依然有独立价值。5.5 忽视样本区间和结构突变的影响现象同一组变量改成 2008 年金融危机前后的不同样本区间ECM 的误差修正系数从 -0.4 变成 -0.1显著性消失。后面的人拿着其中一个区间结果写死结论换数据就翻车。原因宏观序列受制度变化和外部冲击影响很大协整参数和调整速度在不同样本期可能发生实质变化。Granger 因果和协整关系都是样本依赖的不是永恒真理。解决报告里附上样本区间并做分段稳健性检验。常用的做法是把全样本、危机前、危机后分别建模对比误差修正系数和 Granger 检验结论。如果结果方向一致结论可信度大幅提升如果差异大就不要做全样本的泛化结论如实说明「关系存在时变性」。这也是 2021—2022 年专题资料里反复强调的验证意识——模型稳定性是结论说服力的前提。6. 用一组实际数据把全流程走通验证套路与三条确认资料里的方法学完最后这一步是教你把整套流程用在自己的数据上并确认结果不是碰运气出来的。我的验证套路是这样的。第一步先画一张两张序列的时序图在同一坐标系下看趋势形态和可能的断点这一步不要省。第二步按「ADF → 同阶 → 协整」的顺序做前置检验每一步记录停留结论不允许跳步。第三步确定最优滞后阶数后做 Granger 检验并顺手把滞后阶数加减 1—2 期再做一遍记录结论稳定性。第四步估计 ECM 或 VECM先看误差修正项系数符号和显著性再看短期系数方向是否符合经济直觉。第五步对模型的残差做 LM 自相关检验和 White 异方差检验这一步通常是文档里篇幅最少但最检验水平的环节。三条确认技巧第一条协整向量的符号是否符合理论预期比如消费和收入的长期系数在 0.8—1 附近如果跑出来是 -2.3 这种结果第一时间回去检查是不是常数项和趋势项的设定错了。第二条误差修正系数 λ 应该在 -1 到 0 之间大于 0 或小于 -1 都说明模型设定有问题最常见原因是协整秩选错。第三条VECM 做出来之后如果你关心的是冲击传导路径可以再做一次脉冲响应分析看某个变量受到一个标准差的正向冲击后另一个变量在第几期达到峰值这个动态形状是 Granger 检验和 ECM 系数都给不了的额外信息。我自己的习惯是每次跑完协整和 ECM 都会顺手把 Johansen 检验的三个备选设定无趋势、只含常数、含趋势都跑一遍。三个结果一致心里才有底不一致时就去翻时序图判断到底该用哪种设定绝不挑一个显著的结果写进报告。「显著」不等于「真实」模型结论经不起设定变更的通常最先在协整这一步露出马脚。这套流程我从 2021 年开始给多批研究用数据反复跑过在这份专题资料能覆盖的双变量场景里按上述顺序走基本能少走一半弯路。希望帮到你。本文还有配套的精品资源点击获取