EssayAI
Блог
Блог
Гуманитарные науки

Коинтеграция: как найти долгосрочную связь рядов

8 ноября 2026Время чтения: 8 минут
#коинтеграция#временные ряды#эконометрика#стационарность#модель коррекции ошибки
Коинтеграция: как найти долгосрочную связь рядов

Цены двух связанных товаров, доход и потребление, курс и ценовой индекс могут годами меняться, не возвращаясь к одному уровню. Однако их подходящая разность иногда колеблется вокруг устойчивого значения. Коинтеграция описывает именно такую долгосрочную связь нестационарных временных рядов. Она помогает отделить возможное общее равновесие от случайного совпадения трендов. В инструменте ниже измените вес одного ряда и посмотрите, как меняется отклонение от заданного соотношения.

Что означает коинтеграция

Представим два показателя xtx_t и yty_t, каждый из которых подвержен длительным изменениям. Коинтеграция возникает, когда сами ряды нестационарны, но их ненулевая линейная комбинация стационарна. Для распространённого случая рядов первого порядка интегрированности записывают:

ut=yt−α−βxt.u_t = y_t - \alpha - \beta x_t.

Здесь α\alpha и β\beta задают долгосрочное соотношение, а utu_t измеряет отклонение от него. Если utu_t стационарен, его распределение не меняется во времени в соответствующем смысле; в частности, у слабо стационарного процесса постоянны среднее и дисперсия, а ковариация зависит от расстояния между наблюдениями, а не от календарного момента. Это свойство процесса, а не гарантия, что каждый наблюдаемый остаток быстро вернётся к нулю.

Золотые точки одновременно проходят по учебным траекториям и по их остатку: уровни меняются, а отклонение колеблется около нуля.

На видео верхние линии приведены к сопоставимому масштабу: показаны xtx_t и (yt−2)/1,5(y_t-2)/1{,}5. Нижняя линия - ненормированный остаток yt−2−1,5xty_t-2-1{,}5x_t. Это специально построенная иллюстрация, а не наблюдения экономики и не результат статистической проверки. Близкое движение помогает увидеть идею, но само по себе не доказывает коинтеграцию.

Интегрированность и общий тренд

Ряд называют I(0)I(0), если он стационарен в рамках принятой модели. Ряд I(1)I(1) становится стационарным после первого разностного преобразования Δxt=xt−xt−1\Delta x_t=x_t-x_{t-1}, хотя его уровень нестационарен. Типичный пример - случайное блуждание: новый случайный шок прибавляется к предыдущему уровню и влияет на все последующие значения.

Если два ряда I(1)I(1) имеют общий стохастический тренд, подходящая комбинация может его исключить. Например, пусть yt=2+1,5xt+uty_t=2+1{,}5x_t+u_t, где xtx_t - случайное блуждание, а utu_t - стационарный процесс. Тогда yty_t наследует общий нестационарный компонент, но yt−2−1,5xt=uty_t-2-1{,}5x_t=u_t. Вектор коэффициентов при уровнях (1,−1,5)(1,-1{,}5) называют коинтегрирующим вектором; его можно умножить на любое ненулевое число без изменения самой связи.

Не всякие восходящие линии содержат общий случайный тренд. Два ряда могут одновременно расти из-за отдельных причин и расходиться всё дальше. Исследователь должен учитывать детерминированный тренд, сезонность и возможные структурные сдвиги. Похожесть графиков и высокая корреляция - только повод проверить гипотезу, а не её подтверждение. Основы совместного движения переменных полезно сопоставить с выборочным коэффициентом корреляции.

Численный пример: от уровней к остатку

Для рисунка и инструмента возьмём конечную учебную траекторию при 0≤t≤240\leq t\leq24:

xt=10+0,2t+sin⁡(0,7t),yt=2+1,5xt+0,8cos⁡(πt4).x_t=10+0{,}2t+\sin(0{,}7t),\qquad y_t=2+1{,}5x_t+0{,}8\cos\left(\frac{\pi t}{4}\right).

При выбранном коэффициенте β=1,5\beta=1{,}5 остаток равен ut=0,8cos⁡(πt/4)u_t=0{,}8\cos(\pi t/4). Так, при t=0t=0 он составляет 0,80{,}8, при t=4t=4 - −0,8-0{,}8, а при t=8t=8 снова 0,80{,}8. В последней точке x8≈10,969x_8\approx10{,}969, y8≈19,253y_8\approx19{,}253: разность y8−2−1,5x8y_8-2-1{,}5x_8 равна 0,80{,}8 до округления.

Учебный остаток колеблется около нуля между минус 0,8 и плюс 0,8; при t = 8 он равен 0,8
Учебный остаток колеблется около нуля между минус 0,8 и плюс 0,8; при t = 8 он равен 0,8

Если поставить в инструменте другой коэффициент, общий компонент не сокращается полностью: к колебанию добавляется (1,5−β)xt(1{,}5-\beta)x_t. Например, при β=1\beta=1 остаток в момент t=8t=8 равен примерно 6,286{,}28. Ползунок показывает роль коэффициента, но он не оценивает его по выборке и не проверяет статистические гипотезы. Более того, конечная детерминированная картинка не устанавливает свойства случайного процесса на бесконечном горизонте.

Как работает тест Энгла - Грейнджера

Двухшаговый подход подходит для рассматриваемого случая двух рядов, предполагаемых I(1)I(1). Сначала задают спецификацию с константой и при необходимости трендом, затем оценивают долгосрочную регрессию yt=α+βxt+uty_t=\alpha+\beta x_t+u_t и сохраняют остатки. На втором шаге проверяют остатки на единичный корень, обычно с добавочными лагами разностей, чтобы учесть их краткосрочную динамику.

Нулевая гипотеза теста - коинтеграции нет; альтернатива - она есть. Малое pp-значение при выбранном заранее уровне значимости даёт основание отвергнуть нулевую гипотезу, но не доказывает модель окончательно. Если pp-значение велико, правильный вывод - оснований отвергнуть отсутствие коинтеграции недостаточно, а не «связи точно нет». Логика различия между этими выводами разобрана в статье о нулевой и альтернативной гипотезах.

Остатки здесь получены из оценённой регрессии, поэтому стандартные критические значения обычного ADF-теста для непосредственно наблюдаемого ряда применять нельзя: нужны критические значения для остаточного теста коинтеграции с учётом спецификации. Так устроена, например, реализация теста в документации statsmodels. Метод предполагает ряды I(1)I(1); проверка порядка интегрированности, выбор лагов и детерминированных компонентов входят в постановку задачи. На короткой выборке результаты могут быть неустойчивыми.

В конечной выборке результат двухшагового метода может зависеть от того, какой ряд выбран зависимым. Для нескольких рядов возможны несколько независимых коинтегрирующих связей; тогда рассматривают системный подход Йохансена. Нельзя механически переносить вывод одной спецификации на другую: единицы измерения, состав переменных и период наблюдений имеют значение.

Модель коррекции ошибки

Если долгосрочная связь подтверждена и остальные предпосылки модели выполняются, краткосрочную динамику можно описать через модель коррекции ошибки:

Δyt=c+λut−1+γΔxt+εt,ut−1=yt−1−α−βxt−1.\Delta y_t = c+\lambda u_{t-1}+\gamma\Delta x_t+\varepsilon_t,\qquad u_{t-1}=y_{t-1}-\alpha-\beta x_{t-1}.

Здесь γ\gamma связан с краткосрочным изменением xx, а λ\lambda показывает вклад прошлого отклонения в изменение yy при прочих членах уравнения. Например, при λ=−0,3\lambda=-0{,}3 и ut−1=2u_{t-1}=2 вклад равен −0,6-0{,}6: положительное отклонение создаёт компонент изменения вниз. Это не означает, что итоговое Δyt\Delta y_t обязательно отрицательно: остальные слагаемые тоже действуют. Сам знак одного коэффициента не заменяет проверки устойчивости всей системы.

Связь коинтеграции с представлением через коррекцию ошибки исследована в работе Энгла и Грейнджера. Стационарный остаток может сохранять собственную зависимость во времени; для диагностики после оценки модели отдельно изучают автокорреляцию остатков. Коинтеграция также не равнозначна причинности: тест Грейнджера отвечает на вопрос об улучшении прогноза, а не устанавливает механизм действия.

Как подготовить данные и прочитать результат

До расчёта определите экономический вопрос: почему именно эти показатели могут иметь общее долгосрочное соотношение? Согласуйте частоту и даты наблюдений, проверьте единицы измерения и пропуски. Нельзя сопоставлять месячный ряд с квартальным без заранее выбранного правила приведения частоты. Если используются цены, отдельно решите, нужны ли номинальные значения, реальные величины или логарифмы: коэффициенты в этих моделях имеют разный смысл.

Затем рассмотрите графики уровней и разностей, а также проведите проверки единичного корня с подходящими константой, трендом и лагами. У тестов ограниченная мощность, поэтому не следует считать одну неподтверждённую нулевую гипотезу окончательным доказательством единичного корня. При заметном изменении правил, кризисе или смене методики измерения рассмотрите возможность разрыва: стабильное уравнение на всём интервале может быть плохим описанием.

Для отчёта сохраните период, число наблюдений, спецификацию долгосрочной регрессии, метод выбора лагов, статистику, критические значения и полученное pp-значение. После этого рассмотрите остатки и устойчивость результатов к разумным изменениям модели. Если результат неоднозначен, покажите его неопределённость: повторение процедуры на той же выборке с множеством произвольных настроек увеличивает риск найти значимость случайно.

Даже статистически убедительная связь является описанием выбранного набора данных. Она может нарушиться при институциональных изменениях и плохо переноситься на другой период. Для прогнозирования полезно проверить модель на отложенном участке, который не использовался при выборе уравнения. Практический смысл коэффициентов должен согласовываться с тем, как измерены переменные; статистический результат не заменяет экономического объяснения.

Частые ошибки

  1. Принимать корреляцию за коинтеграцию. Даже высокая корреляция уровней может возникнуть у несвязанных нестационарных процессов.
  2. Проверять только разности и забывать уровни. Разности помогают изучить краткосрочные изменения, но исключение уровней может потерять информацию о долгосрочном соотношении.
  3. Использовать обычные критические значения ADF для оценённых остатков. У остаточного теста другое распределение статистики; применяйте таблицы или программу для соответствующего теста.
  4. Игнорировать сдвиги и выбор лагов. Изменение режима, сезонность и ошибки спецификации способны изменить остатки и вывод. Сравните экономически осмысленные варианты и сообщите настройки.
  5. Называть учебный график доказательством. Ограниченная траектория на экране не определяет порядок интегрированности и не даёт pp-значение.

Частые вопросы

Обязательно ли рядам двигаться в одном направлении?

Нет. Знак и масштаб задаются коэффициентами комбинации. Например, если долгосрочный коэффициент отрицателен, соответствующие уровни могут двигаться в противоположных направлениях.

Может ли остаток долго оставаться вдали от нуля?

Да. Стационарность не устанавливает единой скорости возврата для каждой реализации. Сильная инерция и случайные шоки могут создавать продолжительные отклонения; их длительность следует оценивать в конкретной модели.

Доказывает ли коинтеграция причинную связь?

Нет. Она говорит о статистическом долгосрочном соотношении при выбранных условиях. Для причинной интерпретации нужны отдельная исследовательская конструкция и дополнительные предпосылки.

Коротко

Коинтеграция связывает нестационарные ряды через стационарную линейную комбинацию. В методе Энгла - Грейнджера сначала оценивают долгосрочное уравнение, затем проверяют его остатки специальным тестом. Модель коррекции ошибки добавляет прошлое отклонение к объяснению краткосрочных изменений, но вывод всегда зависит от данных и спецификации.

Доверьте текст нейросети EssayAI

Открыть EssayAI

Бесплатно, на русском языке и без VPN

Читайте также

Модель Койка: формула распределённого лага и пример

Модель Койка: формула распределённого лага и пример

Модель Койка в эконометрике: геометрическое убывание лагов, преобразование уравнения, краткосрочный и долгосрочный эффекты, средний лаг и пример расчёта.

8 ноября 20268 минут
Тест Льюнга-Бокса: проверка автокорреляции

Тест Льюнга-Бокса: проверка автокорреляции

Тест Льюнга-Бокса проверяет автокорреляцию сразу на нескольких лагах. Разбираем формулу Q, выбор числа лагов, степени свободы и пример интерпретации p-значения.

8 ноября 20268 минут
Тест Филлипса-Перрона: проверка единичного корня

Тест Филлипса-Перрона: проверка единичного корня

Тест Филлипса-Перрона простыми словами: что такое единичный корень, как непараметрическая поправка убирает автокорреляцию, чем тест отличается от теста Дики-Фуллера и где ошибаются студенты.

20 июня 20269 минут
Расширенный тест Дики-Фуллера: проверка на единичный корень

Расширенный тест Дики-Фуллера: проверка на единичный корень

Расширенный тест Дики-Фуллера простыми словами: что такое единичный корень, как строится ADF-регрессия, как считается статистика и сравнивается с критическими значениями, и где студенты ошибаются.

11 июня 20267 минут
Индекс корреляции: формула и пример расчёта

Индекс корреляции: формула и пример расчёта

Как рассчитать индекс корреляции по группам и остаткам модели, прочитать его квадрат и отличить нелинейную связь от коэффициента Пирсона: пример с таблицей.

8 ноября 20268 минут
Логит-модель: формула, пример и смысл коэффициентов

Логит-модель: формула, пример и смысл коэффициентов

Как логит-модель описывает бинарный выбор: формула вероятности, шансы и отношение шансов, расчёт на примере дохода, оценивание и границы интерпретации.

8 ноября 20268 минут