bootstrap法在协整检验中的作用是通过重抽样技术提高检验结果的稳健性，尤其在小样本或传统方法假设不满足时替代正态性假设。其基本步骤包括：1. 估计原始模型并获取残差；2. 对残差进行中心化和bootstrap重抽样；3. 利用bootstrap残差重构因变量并重新回归；4. 计算adf统计量并构建经验分布；5. 比较原始adf值与bootstrap分布判断协整关系。实际操作中需注意bootstrap次数、模型设定一致性、趋势项处理及软件实现方式。适合使用bootstrap的情况包括样本量较小、残差异方差或非正态、传统检验结果接近临界值以及需要更稳健p值的情形。
验证协整关系时，如果样本量较小或者传统方法（如Engle-Granger或Johansen检验）的假设条件不满足，可以考虑使用Bootstrap方法来提高检验结果的稳健性。这种方法通过反复抽样构造经验分布，从而更准确地判断协整关系是否存在。
什么是Bootstrap法在协整检验中的作用？
简单来说，Bootstrap是一种重抽样技术，用来估计统计量的分布。在协整分析中，它主要用于替代传统检验中对残差正态性或其他分布假设的依赖。尤其是在小样本情况下，标准检验可能不太可靠，这时候用Bootstrap模拟出的临界值会更贴近实际情况。
协整Bootstrap检验的基本步骤
以下是基于Engle-Granger两步法结合Bootstrap进行协整检验的大致流程：
-
估计原始模型并获取残差
先用OLS回归两个变量之间的长期关系，比如 $ y_t = \alpha + \beta x_t + \epsilon_t $，然后保存残差 $ \hat{\epsilon}_t $。 -
对残差进行Bootstrap重抽样
通常采用“残差Bootstrap”方法：将原始残差中心化（减去均值），然后有放回地抽取与原样本相同长度的残差序列。 -
生成Bootstrap样本路径
利用抽样后的残差重构因变量 $ y_t^ $，即 $ y_t^ = \hat{\alpha} + \hat{\beta}x_t + \epsilon_t^ $，再对新生成的 $ y_t^ $ 和 $ x_t $ 再次做OLS回归，得到新的残差。 -
计算Bootstrap检验统计量
对每一轮Bootstrap样本，计算ADF统计量（用于检验残差是否平稳），记录下来形成经验分布。 -
比较原始统计量与Bootstrap分布
将原始数据得到的ADF值与Bootstrap重复多次（例如1000次）所得的统计量分布进行比较，判断其是否落在拒绝域内。
实际操作中需要注意的关键点
- Bootstrap次数一般设为1000或以上，太少会影响分布的稳定性。
- 保持原模型设定不变，比如趋势项、截距项等，在每次Bootstrap中都应保持一致。
- 如果变量本身是趋势平稳的，建议在回归中加入时间趋势项。
- Bootstrap不能解决模型误设问题，比如遗漏变量或非线性关系。
- 某些软件（如R、Stata、Python）已经内置了部分Bootstrap功能，但需要手动实现协整过程。
举个例子，在Python中可以用statsmodels库做回归和ADF检验，再自行编写循环完成重抽样；而R语言的
urca
包配合自编函数也能实现类似效果。
哪些情况更适合用Bootstrap协整检验？
- 样本量较小（比如少于100期）
- 残差可能存在异方差或非正态
- 传统检验结果接近临界值，不确定是否拒绝原假设
- 需要报告更稳健的p值或临界值
这种情况下，Bootstrap可以帮助你更准确地评估协整关系的存在性。
基本上就这些。虽然步骤看起来有点多，但只要理解每一步的目的，实际操作起来并不复杂，只是容易忽略一些细节，比如残差处理方式或者模型设定一致性。
暂无评论内容