基于Bootstrap方法的FDI与GDP因果关系的检验

［摘 要］在小样本的情况下,总体分布的情况未知时,传统的经济计量分析的结果变得不可靠。本文为此提供了一种新的思路,Bootstrap方法的原理是通过再抽样,对总体分布进行估计,可以有效挖掘样本信息。由于完全依赖样本的经验分布,所以对数据没有过高的要求。本文将该方法用于对FDI与中国经济增长关系的检验。

［关键词］Bootstrap；小样本；Granger因果关系检验

［中图分类号］F273 ［文献标识码］A ［文章编号］1005-6432（2011）26-0168-03

1 Bootstrap方法的基本原理

2.2 数据平稳性检验

2.2.1 根据数据的水平值,一阶差分和二阶差分趋势图,为ADF检验选取恰当的形式

gdp和FDI的水平值、一阶差分、二阶差分趋势图

下图显示GDP的水平值和一阶差分序列均含时间趋势项和截距项,二阶差分围绕0值波动,所以不含时间趋势项和截距项。FDI的水平值有时间趋势,含截距项。一阶差、二阶差分均不含时间趋势项和截距项。

2.2.2 在Eviews中对GDP和FDI数据进行单位根检验

从表2可知：在1%的显著性水平上,GDP为I(2)过程,FDI为I(1)过程。GDP和FDI之间的关系并不是协整的,因而经典假设下的Granger检验的有效性值得怀疑。下面尝试采用Bootstrap方法来构建新的临界值来完成检验。由于完全依赖样本数据,无需假定误差项服从正态分布。对非平稳数据,即使变量间缺乏协整关系,也可得到较为可靠的结论。

2.3 Bootstrap 方法下的 Granger 因果检验：基于F统计量和R语言的仿真环境

2.3.1 Granger因果关系检验的原理

2.3.3 R语言下的bootstrap仿真实现(限于篇幅,只介绍思路)

2.3.4 Bootstrap仿真结果

3 结 论

Granger非因果关系检验广泛用于时间序列数据的分析中,严格的检验其实还有好多工作要做,通常需要以谨慎的态度来进行。Bootstrap方法的优势就在于非参数统计方面,本文重在给出两者相结合进行分析的新思路,而这种方法本身也存在许多值得改进的地方。

［作者简介］刘源,男,四川人,沈阳工业大学辽阳校区工程学院,讲师；谢水园,女,福建省人,沈阳工业大学辽阳校区工程学院,讲师。

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文