VECM 向量误差修正是什么？
VECM 回答的是多个非平稳变量存在长期均衡关系时，短期偏离如何向长期关系修正。它适用于变量本身 I(1)，但某个线性组合是平稳的协整系统。
先用一句话理解
把 VECM 想成两个人长期用绳子连着走路。短期一个人可能走快一点，但绳子会把他们拉回相对稳定的距离。这个拉回过程就是误差修正。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 多个 I(1) 序列存在协整关系，需要同时研究长期均衡和短期调整。 |
| 先不要用在 | 变量没有单位根，或没有协整关系。 |
| 最关键的前提 | 先做单位根和 Johansen 协整检验。 |
| 读表顺序 | 先看协整秩，再看误差修正项 alpha 和短期动态。 |
| 论文表述边界 | VECM 的长期关系来自协整，不能随意把任意非平稳变量放一起。 |
把它和相近方法分清楚
| 容易混淆的对象 | 怎么区分 | 初学者记法 |
|---|---|---|
| VAR in levels | 处理平稳或合适变换后的变量。 | 非平稳时风险高。 |
| VAR in differences | 只看短期变化。 | 会丢失长期均衡。 |
| VECM | 短期差分 + 长期协整项。 | 兼顾两者。 |
核心直觉和模型公式
误差修正模型
VECM 可写成：
\[\Delta Y_t=\alpha\beta'Y_{t-1}+\sum_{i=1}^{p-1}\Gamma_i\Delta Y_{t-i}+\varepsilon_t\]
beta'Y 是长期均衡偏离，alpha 表示变量向长期关系调整的速度。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| β'Y | 协整关系 | 长期稳定的线性组合。 |
| α | 调整速度 | 偏离长期均衡后回调的强度。 |
| ΔY_t | 短期变化 | 变量的一阶差分。 |
| Γ_i | 短期动态 | 滞后变化项的影响。 |
| cointegration rank | 协整秩 | 长期关系的数量。 |
专业使用口径
专业 VECM 报告要先证明协整存在，再解释长期和短期。
| 口径 | 专业写法 |
|---|---|
| 单位根 | 确认变量多为 I(1)。 |
| 协整秩 | 报告 Johansen trace/max 检验。 |
| 长期方程 | 解释 beta 的经济含义。 |
| 调整速度 | alpha 的符号和大小决定回归均衡速度。 |
一步一步做：从问题到结果的五步
| 步骤 | 这一页具体做什么 | 做到什么程度才算读懂 |
|---|---|---|
| 1. 做单位根检验 | 确认变量积分阶数。 | 不同阶数变量不能乱放。 |
| 2. 检验协整 | 确定是否存在长期关系和协整秩。 | 没有协整就不该用 VECM。 |
| 3. 估计 VECM | 同时包含误差修正项和短期滞后。 | 结构比差分 VAR 更丰富。 |
| 4. 读取 alpha/beta | 区分长期关系和调整速度。 | 不要混读。 |
| 5. 做动态分析 | IRF、FEVD 或预测。 | 建立在协整设定之上。 |
结果怎么读：先读口径，再读数字
本页案例读表时，先记住这个口径：年度聚合观测 = 6；面板案例按 year 聚合。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看协整秩 | 长期关系有几条。 | 秩决定模型结构。 |
| 再看 beta | 长期均衡关系是什么。 | 需要经济解释。 |
| 然后看 alpha | 偏离后谁负责调整。 | alpha 不显著说明该变量不调整。 |
| 最后看短期项 | 短期变化如何相互影响。 | 不要只看长期式。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 没检验协整就用 VECM | 错。VECM 依赖协整。 |
| 把 alpha 和 beta 混解释 | 错。一个是调整速度，一个是长期关系。 |
| 变量积分阶数不一致 | 风险高。模型前提不成立。 |
| 只差分导致丢掉长期信息 | 如果有协整，这会浪费关键信息。 |
先看这个案例的结论
- 年度聚合观测 = 6；面板案例按 year 聚合。
- ln Patent 年趋势 = 0.0993；年度均值趋势斜率。
- DFI 年趋势 = 22.3130；数字金融指数年度变化。
- 这些数字来自页面里的结果表；写论文时先解释数值含义，再讨论理论含义。
变量要求和案例口径
| 字段 | 口径 |
|---|---|
| 数据 | CSMAR 风格 A 股企业创新面板 |
| 原始样本 | 196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准 |
| 因变量 | patent_count；回归页通常使用 ln(1 + patent_count) |
| 核心解释变量 | dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index |
| 控制变量 | roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age |
| 输出文件 | vecm_results.csv |
| 角色要求 | 因变量、核心解释变量 |
| 依赖包 | 无额外 Stata 社区包要求 |
实际代码
下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。
import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year
global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0
collapse (mean) $y $x, by(year)
tsset year
vec $y $x, rank(1) lags(1)
export delimited using "$JOB_DIR/vecm_results.csv", replace实际输出表
这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。
| 指标 | 数值 | 解释 |
|---|---|---|
| 样本 | 1200 obs / 196 firms / 2015-2020 | 来自共用案例 CSV |
| 因变量 | ln(1 + patent_count) | 企业创新产出 |
| 核心解释变量 | dfi_index | 数字普惠金融指数 |
| 输出文件 | vecm_results.csv | empirical-wizard 对应方法产物 |
| 年度聚合观测 | 6 | 面板案例按 year 聚合 |
| ln Patent 年趋势 | 0.0993 | 年度均值趋势斜率 |
| DFI 年趋势 | 22.3130 | 数字金融指数年度变化 |
案例图
这是一张由同一份案例数据生成的页面内诊断图。
论文里怎么写
本文将企业面板按年份聚合后使用VECM 向量误差修正进行时间序列诊断。结果见 vecm_results.csv。由于本教学案例年度观测较少，该页重点展示代码和解释框架，正式论文需要更长时间序列。
检查清单
- 先有协整关系，再使用 VECM；没有协整就不要硬上误差修正项。
- 解释误差修正系数时看符号、速度和显著性。
- 长期关系和短期动态要分开写，不要把所有系数混在一起解释。