【文章內(nèi)容簡介】 了預(yù)測方差分解，進一步分析結(jié)構(gòu)變量對內(nèi)生變量的貢獻度， 使得出的結(jié)論更加有力。 二 、 實證 設(shè)計 （一） 數(shù)據(jù)處理與描述 本文利用 2020 年 5 月至 2020 年 12 月的 我國房屋銷售價格指數(shù)（ P）與銀行對房地產(chǎn)貸款 (L)月度數(shù)據(jù) ，共 33 組樣本數(shù)據(jù)來對房地產(chǎn)價格與銀行信貸之間的 關(guān)系進行實證研究。其中，銀行貸款數(shù)據(jù)是用金融機構(gòu)各項貸款來表示 ，并且將銀行貸款數(shù)據(jù)取對數(shù)值，以消除異方差的影響，而房屋銷售價格指數(shù)則不用處理。所 有 的原始數(shù)據(jù)均來自于國家統(tǒng)計局 和東方財富網(wǎng) 。 （二）研究方法 本文將以 2020 年 5月至 2020 年 12 月 數(shù)據(jù)為時間序列，以房屋銷售價格指數(shù)與銀行信貸為變量構(gòu)建 VAR 計量模型進行分析， 首先對變量進行平穩(wěn)性檢驗 — ADF單位根檢驗，檢驗其平穩(wěn)性，再 基于 VAR模型 采用 Johansen 提出的協(xié)整檢驗方法對時間序列進行長期的平穩(wěn)性檢驗 ， 如果變量間存在協(xié)整關(guān)系 ,我們將運用 格蘭杰因果 關(guān)系檢驗 其 長期 變量之間的因果關(guān)系 。 上述模型檢驗的是變量之間的長期關(guān)系，對于短期影響，需要進行 VAR 模型估計， 此外，還加入的脈沖響應(yīng)函數(shù)方法， 使得出的結(jié)論更加有力。 三 、 房地產(chǎn)價格與銀行信貸關(guān)系的實證結(jié)果與分析 （一） 時間序列的 平穩(wěn)性檢驗 單位根檢驗是指檢驗序列中是否存在 單位根， 因為存在單位根就是非平穩(wěn)時間序列了，會使回歸分析中存在偽回歸。 本文采用的是 2020 年 5 月至 2020年 12月 數(shù)據(jù)為時間序列， 時間序列矩特性的時變行為實際上反映了時間序列的非平穩(wěn)性質(zhì)。對非平穩(wěn)時間序列的處理方法一般是將其轉(zhuǎn)變?yōu)槠椒€(wěn)序列， 這樣就可以應(yīng)用有關(guān)平穩(wěn)時間序列的方法來進行相應(yīng)得研究。對時間序列單位根的檢驗就是對時間序列平穩(wěn)性的檢驗，2020 屆 金融學(xué) 專業(yè)畢業(yè)論文 5 非平穩(wěn)時間序列如果存在單位根，則一般可以通過差分的方法來消除單位根，得到平穩(wěn)序列。 本文運用 軟件，對 檢驗 房屋價格銷售指數(shù)（ P）和銀行信貸 (L)兩個變量 是否存在 單位根。首先通過畫折線圖確定變量的截距項與趨勢項， 回歸滯后階數(shù)的確定主要依據(jù) 然 赤池信息準(zhǔn)則（ AIC） ， 要求其取值越小越好，然后經(jīng)過多次嘗試，選擇最佳滯后期的檢驗形式，得到單位根結(jié)果如表 1。 表 1 P 和 L 序列的 ADF 檢驗結(jié)果 變量 檢驗類型 (c，ｔ， k) AIC ADF 檢驗值 5%顯著水平臨界值 結(jié)論 P (c， t， 0) 不平穩(wěn) lnL (c， 0， 2) 不平穩(wěn) Δ P (c， 0， 0) 平穩(wěn) Δ lnL (c， 0， 1) 平穩(wěn) 注： Δ P、 Δ lnL 表示原序列的一階差分序列， (c，ｔ， k)分別表示 單位根檢 驗?zāi)Ｐ椭械慕鼐囗?、時間趨勢項和滯后階數(shù)。 通過平穩(wěn)性檢驗，我們從表 1 可以發(fā)現(xiàn) P、 lnL在原始序列上的 其 ADF 值均小于 5%的臨界值，故對這些非平穩(wěn)性變量采用一階差分進行檢驗，發(fā)現(xiàn)在 1階差分上變量 P、lnL 趨于平穩(wěn)，在 1 階差分上均能在 5%顯著水平下平穩(wěn)，表明變量為 1 階單整序列，可能存在協(xié)整關(guān)系，因此需要 進一步檢驗變量之間的協(xié)整關(guān)系。 （二）最優(yōu)滯后期的確定 在估計 VAR 模型時，我們要對系統(tǒng)內(nèi)解釋變量的滯后期進行選擇，而且協(xié)整分析的結(jié)果對滯后長度的選擇比較敏感，因此多元 VAR 模型的滯后期 長度的確定就至關(guān)重要，不當(dāng)?shù)臏笃冢芸赡艹霈F(xiàn)“虛協(xié)整”。 而且 滯后期 不能 過小 或過大 ， 否則會 影響模型參數(shù)估計量的有效性，誤差項的自相關(guān)性會很嚴(yán)重，并導(dǎo)致參數(shù)的非一致性估計。因此在該模型中選擇適當(dāng)?shù)臏笞兞總€數(shù)，可以消除誤差項中的自相關(guān)和虛協(xié)整 ，本文 采用 Eviews5 中的 Lag Length Criteria（滯后長度準(zhǔn)則） ，從而選擇最合適的滯后期。 房地產(chǎn)價格與銀行信貸關(guān)系實證研究 6 表 2 VAR 模型滯后期的確定 Lag LogL LR FPE AIC SC HQ 0 NA 1 * * * * * 2 3 注： 5 個評價統(tǒng)計量各自給出的最小的滯后期用“ *”號表示。 *表示其標(biāo)準(zhǔn)的滯后期。 LR 表示其連續(xù)修改的檢驗統(tǒng)計量（每 個測試在 5%的水平下）； FPE 表示 最終的預(yù)測誤差 ； AIC、 SC、 HQ 均為信息準(zhǔn)則 。 在 VAR 模型的基礎(chǔ)上，通過對 5 個指標(biāo)的檢測結(jié)果（如上表 2）我們發(fā)現(xiàn)，所有的準(zhǔn)則選出來的最優(yōu)滯后期均為 1，可見這里的 VAR 模型最合適的滯后期數(shù)為 1，因此本文選擇 VAR（ 1）模型。 （ 三 ） 協(xié)整檢驗和協(xié)整方程 根據(jù)協(xié)整理論，如果非平穩(wěn)變量序列之間的線性組合有不隨時間變化的性質(zhì)或者具有平穩(wěn)性特征，即說明這些非平穩(wěn)變量之間具有長期穩(wěn)定的均衡關(guān)系。 如果在不平穩(wěn)的時間序列上進行分析，很容易出現(xiàn)“偽回歸”的問題。為了解決“ 偽回歸”的出現(xiàn)，傳統(tǒng)的做法是在對數(shù)據(jù)差分的基礎(chǔ)上進行回歸，但是這樣做容易損壞變量間長期關(guān)系的信息，為了減少不必要的信息受損，本文在 VAR 模型的基礎(chǔ)上建立協(xié)整檢驗。 協(xié)整方程實際上是對非限制性 VAR模型進行協(xié)整約束后得到的 VAR模型，該模型的滯后期應(yīng)該是非限制性 VAR模型一階差分變量的滯后期，由于上文中 VAR模型選擇的最優(yōu)滯后期是 1，所以協(xié)整檢驗的 VAR模型的最優(yōu)滯后期確定為 0， 但考慮到滯后期為 0不便于理解和分析經(jīng)濟變量的長短期關(guān)系，而且依據(jù)滯后 0期建立的長期協(xié)整方程變量系數(shù)也出現(xiàn)不顯著的情況，所以還是選擇滯后 1期進行協(xié)整檢驗，同時進一步通過聯(lián)合 檢驗來確定選擇的僅有截距且序列有確定性線性趨勢的 Johansen協(xié)整檢驗。 因此，要實證 研究 農(nóng)村金融發(fā)展與農(nóng)村經(jīng)濟增長的關(guān)系，就需要對其是否 具有長期穩(wěn)定的協(xié)整關(guān)系進行檢驗。 表 3 協(xié)整檢驗結(jié)果 變量 原假設(shè) 特征值 跡統(tǒng)計量 5%的臨界值 P 值 lnL P 0 個 協(xié)整方程 * 至少 1個 協(xié)整方程 2020 屆 金融學(xué) 專業(yè)畢業(yè)論文 7 從表 3中，我們可以看出跡統(tǒng)計量為 ，其值大于 5%的臨界值 ，或者看其 P 值 小于 ，也 說明 遠假設(shè)成立。綜合表明 lnL 與 P存在長期的均衡關(guān)系，進一步對 lnL 與 P 之間進行回歸分析得出其協(xié)整方程 如表 （ 4） ： 表 4 協(xié)整系數(shù) lnL P （ ） 由以上的檢驗結(jié)果可以看出，在 1%和 5%的顯著行水平上， 2個變量之間存在一個協(xié)整關(guān)系，并以 lnL為被解釋變量，得到的協(xié)整關(guān)系式如下： lnL = （ ） 以上 2個變量之間的協(xié)整關(guān)系式表明了銀行信貸和房地產(chǎn)價格之間存在長期均衡關(guān)系。銀行信貸對房地產(chǎn)價格的長期均衡彈性為 ，即從長期來看，房地產(chǎn)價格每上漲 1%，銀行信貸也相應(yīng)上漲 %，可見，房地產(chǎn)價格對銀行信貸的正面作用十分明顯。 （四 ） 格蘭杰因果檢驗 在進行格蘭杰因果檢驗之前，需要對變量 進行協(xié)整檢驗。根據(jù)上文的檢驗結(jié)果，房地產(chǎn)價格銷售指數(shù)與銀行信貸之間存在 長期 協(xié)整關(guān)系， 但變量之間是否構(gòu)成因果關(guān)系還需要進一步檢驗， 所以 需要 進行格蘭杰因果關(guān)系檢驗。 格蘭杰因果檢驗的定義為：若在包含了變量 X、 Y 的過去信息的條件下，對變量 Y的預(yù)測效果要優(yōu)于只單獨由 Y 的過去信息對 Y 進行預(yù)測的效果，即變量 X 有助于解釋變量 Y 的將來變化，則認為 X 是引致變量 Y 的格蘭杰原因，公式為： titiniitinit XYY ??? ??? ???? ?? 11 （ 1） titi