企业官网建设流程全解析

做实证分析的人应该都清楚，时间序列数据里最麻烦的一件事就是：你手里的变量可能有的平稳、有的不平稳，直接跑普通最小二乘容易得到伪回归，可如果贸然做差分又会丢掉长期信息。ARDL（自回归分布滞后模型）之所以被大量使用，就是因为它能同时处理长期均衡关系和短期动态调整，还不用像传统协整方法那样要求所有变量必须同阶单整。这篇文章我会从模型原理讲到Stata实操，结合一个完整案例把每一个命令、每一行输出都拆开讲清楚，希望能帮你省掉自己翻文档、查贴吧的时间。

1. 先搞明白ARDL到底在解决什么问题

1.1 为什么我推荐ARDL

传统的协整检验，比如Engle-Granger两步法或者Johansen检验，都有一个比较严格的前提：所有变量必须是一阶单整，也就是I(1)。但实际研究里哪有那么听话的数据？很多宏观经济变量，像GDP、能源消费、人口、投资，有的原序列平稳（I(0)），有的差分后才平稳（I(1)），混在一起的情况非常常见。如果你非要把所有变量都差分成I(1)再去做协整，长期关系就没了；如果直接拿混着I(0)和I(1)的序列去做Johansen检验，结果又不可信。

ARDL模型的好处就在于：它允许解释变量和被解释变量里同时存在I(0)和I(1)的序列，只要没有I(2)就行。这一点在Pesaran和Shin（1999）、Pesaran、Shin和Smith（2001）的论文里已经给出了严格的证明。对于大多数做应用研究的人来说，这意味着你可以先不纠结单位根检验的结果，把建模流程大大简化。

另外一个很实际的优点是，ARDL在小样本下表现比Johansen检验好很多。Johansen检验本质上依赖VAR系统，参数多，对样本量要求高。ARDL本质上是一个单方程模型，虽然在滞后结构上也需要一定自由度，但比VAR省参数，对30到60个观察值的宏观数据集来说相对友好。我试过用48个季度数据跑ARDL，结果依然稳定，换做Johansen就会比较勉强。

1.2 模型的数学形式和数据要求

ARDL的核心思想是同时把被解释变量的滞后项和解释变量的当前项、滞后项放进一个回归方程里。一个最简单的双变量形式可以写成：

Δy_t = c0 + Σφ_i·Δy_{t-i} + Σβ_j·Δx_{t-j} + θ1·y_{t-1} + θ2·x_{t-1} + ε_t

这里的Σ部分刻画短期动态，而θ1·y_{t-1} + θ2·x_{t-1}这一组水平项则携带长期信息。如果θ1和θ2联合显著，就说明变量之间存在长期均衡关系（即协整），长期系数就是 -θ2/θ1。也就是说，ARDL用一个式子同时解决了长短期两个问题，这也是它名字里“分布滞后”的由来——解释变量对被解释变量的影响不是一次到位，而是分散在若干期里。

做ARDL建模一般对数据有几个基本要求。第一，时间维度不能太少，我个人的底线是不少于30个观察值，50个以上更稳；第二，必须是等间隔的时间序列数据，年度、季度、月度都行，但不要有缺失值突兀地断档；第三，变量不能是I(2)过程，因为ARDL的临界值表是基于I(0)和I(1)混合情形推出来的，遇到二阶单整，整个边界检验就失效了。所以虽然ARDL免掉了同阶单整的预检验，但单位根检验还是不能省。

2. 建模前的数据准备和单位根检验

2.1 变量怎么选、数据怎么整理

选变量这件事看起来朴素，其实决定成败。ARDL虽然是单方程模型，但它的协整关系对变量集合很敏感：少放一个重要变量，长期关系可能测不出来；多放一个无关变量，又会增大标准误、压低F统计量。我自己做研究时的习惯是，先画一张变量相关矩阵和散点图，用简单的相关系数初步判断是否存在明显的协同变化趋势，然后再结合经济理论确定进入模型的变量组合。别一上来就把七八个变量全塞进ARDL里，那样滞后结构会变得非常臃肿，小样本下基本跑不出稳定结果。

数据整理层面，时间序列最怕的是“隐式缺失”。比如你把不同来源的年度数据合并在一起，一个序列从2000年开始，另一个从2001年开始，如果不统一样本区间，软件可能只用到重叠部分，甚至报错。所以我的建议是在建模之前用tset命令把时间变量设置好，再用summary检查每个变量的样本范围。此外，如果变量量级差异太大，比如一个变量是几万亿美元，另一个是百分之几的增长率，建议取对数处理。对数化后，系数可以解释为弹性（也就是百分比变化之间的关系），而且能在一定程度上缓解异方差的干扰。

在Stata里准备数据的标准流程大概是这样的：

* 读取数据 use "macro_data.dta", clear * 设定时间序列结构，year为时间变量 tsset year * 生成对数变量 gen lngdp = ln(gdp) gen lnenergy = ln(energy) gen lnlabor = ln(labor) gen lncapital = ln(capital) * 检查样本范围 summarize lngdp lnenergy lnlabor lncapital

2.2 ADF与PP单位根检验：排除I(2)是关键一步

前面说了，ARDL不要求所有变量同阶单整，但必须排除I(2)。所以在正式建模之前，我一般会做两轮单位根检验：先对原序列做ADF检验和PP检验，再对一阶差分序列做同样的检验。如果某个变量原序列的检验p值大于0.05（不拒绝单位根原假设），一阶差分后p值小于0.05（拒绝单位根原假设），那它就是一阶单整I(1)；如果原序列就已经拒绝单位根，那它就是I(0)。

有人可能会问：既然ARDL允许混搭，为什么还要做这个检验？原因很简单：一是为了排除I(2)，二是为了检查是否有变量是I(0)却和一阶差分序列混在一起导致解释混乱。我见过有人直接把I(2)的变量放进ARDL，结果边界检验的F统计量高得离谱，长期系数符号也反直觉，最后才发现那个变量是二阶差分才平稳的。

ADF检验在Stata里的命令是dfuller，PP检验是pperron。比如：

* ADF检验：原序列 dfuller lngdp dfuller lnenergy * ADF检验：一阶差分 dfuller d.lngdp dfuller d.lnenergy * PP检验：原序列和一阶差分 pperron lngdp pperron d.lngdp

这里有个细节：dfuller和pperron默认都不含趋势项和常数项，但宏观经济序列往往有确定性趋势。我的建议是，先画时间趋势图，如果序列明显向上或向下走，ADF检验要选择带趋势项的选项，也就是dfuller lngdp, trend。如果你不加趋势项，一个明显有趋势的平稳序列可能被误判为有单位根，然后你为了“稳妥”把它差分掉，长期信息就白白损失了。

把单位根检验结果整理成一个表，放在论文或者报告里，是很多期刊的基本要求。我一般会做成三列：变量名、原序列检验p值、一阶差分检验p值，最后加一列“结论”。这一步别偷懒，后面所有解释都建立在“没有I(2)”这个前提上。

3. Stata里的完整操作流程（附案例）

3.1 安装ardl命令并准备数据

Stata有一个专门做ARDL估计和边界检验的外部命令，叫ardl，由Kripfganz和Schneider开发，可以在SSC上下载。安装命令很简单：

ssc install ardl

需要说明的是，ardl命令要求的Stata版本不能太老，我印象里Stata 13以上基本都支持。如果安装时报错，先去help ardl看一下依赖项是否齐全。

为了把流程讲透，我用一个简单的宏观经济案例来演示：研究能源消费对经济增长的影响。变量设定为：

• lngdp：实际GDP的对数，被解释变量
• lnenergy：能源消费总量的对数
• lnlabor：劳动力人数的对数
• lncapital：资本存量的对数

这是一个很经典的实证设定。资本和劳动是生产函数的基本投入，能源作为额外投入加入。样本用的是1990年到2022年的年度数据，共33个观察值，刚好属于ARDL比较擅长处理的小样本范畴。

数据准备完成后，用tsset声明时间结构，然后用ardl命令进行估计。先跑一个不考虑自动选滞后、手动设定各变量滞后阶数的版本：

* 手动指定：y滞后2阶，三个x都滞后1阶 ardl lngdp lnenergy lnlabor lncapital, lags(2 1 1 1) ecterm(ect)

其中ecterm(ect)会生成误差修正项变量ect，这个变量在后续误差修正模型里会用到，建议一开始就写上。

3.2 滞后阶数到底怎么选

滞后阶数选择是ARDL建模里最让人纠结的一步。选少了，残差可能残留自相关；选多了，自由度损耗严重，系数估计精度下降。常见的做法主要有两种。

第一种是手动指定。根据经济逻辑和样本频率，年度数据通常滞后1到2阶就够，季度数据可以放宽到4到8阶。手动指定有一个前提：估计完之后一定要做残差自相关检验。如果自相关还存在，就说明滞后阶数可能不够。

第二种是使用信息准则自动选择。ardl命令支持aic和bic选项，配合maxlags()指定最大滞后阶数，让软件在给定范围内自动选出信息准则最小的模型。比如：

* 自动选择：最多允许4阶滞后 ardl lngdp lnenergy lnlabor lncapital, maxlags(4) aic

这里有个坑需要注意：如果变量多、maxlags又大，自动搜索的组合数量会非常大，计算会比较慢，而且AIC和BIC选出来的结果常常不一致。AIC更倾向于选择较大的滞后阶数，因为它对参数惩罚比较轻，适合预测导向的模型；BIC惩罚更重，在小样本下更容易选出简约模型。我的经验是：如果AIC和BIC选出的滞后阶数不同，看样本量。样本量小（比如30左右）优先信BIC，样本量在80以上可以优先信AIC。选完之后，再用手动指定该阶数的模型跑一遍，同时做自相关检验确认残差是白噪声。

另外，如果你的核心解释变量只有一个，或者样本量有限，我建议不要对所有变量用同一滞后阶数。可以试几个组合，比如lags(1 2 2 1)和lags(2 1 1 2)，比较一下信息准则和诊断检验结果。这种“人工网格搜索”配合信息准则，有时候比纯自动搜索更可靠，因为你知道每个变量各自的经济意义，比如政策变量的影响往往有较长时滞，滞后阶数可以适当放宽。

3.3 边界检验：判定长期协整关系是否存在

ARDL模型最关键的检验就是边界检验（Bounds Test）。检验的原假设是“不存在长期均衡关系”，具体到模型里就是θ1 = θ2 = ... = 0（所有水平滞后项系数联合为0）。Stata的ardl命令在估计结束后会直接输出边界检验的F统计量和对应临界值，不需要你手动算。

一个典型的输出会包含：

• F统计量
• 显著性水平（1%、5%、10%）对应的I(0)临界值和I(1)临界值
• 可能还有一个t统计量检验

判断规则也很明确：如果F统计量大于I(1)临界值，拒绝原假设，说明存在长期关系；如果F统计量小于I(0)临界值，不能拒绝原假设，说明没有协整；如果F统计量落在两者之间，属于“不确定区间”，就需要参考t统计量，或者结合经济理论和后续的误差修正项显著性来做判断。

在我这个案例里，假设输出结果显示F统计量为6.82，5%显著性水平下I(0)临界值为3.23，I(1)临界值为4.35。因为6.82 > 4.35，所以拒绝“没有长期关系”的原假设，说明能源消费、劳动、资本与GDP之间存在长期均衡关系。这个结果对于研究能源与增长的关系来说，是一个挺关键的证据。

需要注意的是，边界检验的临界值会随模型设定变化而变化。你的模型里是否包含常数项、是否包含时间趋势项，都会影响临界值。Pesaran et al.（2001）把模型分成五种情形：无常数项无趋势、有常数项无趋势、有常数项有趋势、无常数项有趋势等等。在Stata的ardl命令中，你可以通过选项来控制是否加入趋势项。如果GDP这类变量有明显的随时间上升趋势，那在模型里加一个trend选项是合理的，临界值也会相应调整。不要无视趋势项就直接用默认临界值。

3.4 读取长期与短期系数、计算误差修正项

确认存在长期关系后，下一步就是解释长期和短期系数。Stata的ardl命令会直接报告长期系数（long-run coefficients），这一列通常有个醒目的小标题，下面列出每个解释变量对应的长期弹性。以我的案例来说，假设lnenergy的长期系数是0.43，含义是：长期来看，能源消费每增加1%，GDP平均增加0.43%。这就是你写论文时放在核心结果位置的那个数字。

短期动态关系则体现在差分项的系数上，反映的是变量在当期和前几期的变动对GDP增长的即时影响。这部分系数一般比较小，符合现实直觉——能源消费冲击对经济增长的影响本来就存在时滞，不可能当期全部到位。

误差修正项（ECM）是另一个关键输出。ecterm(ect)选项会创建变量ect，它的滞后一期系数（也就是误差修正速度）通常为负，界于-1和0之间。如果这个系数是-0.35，含义是：当GDP偏离长期均衡状态时，系统每年会以35%的速度向均衡回调整。这个值的经济学解释很直观——短期冲击会被逐渐消化，但不会立刻消失。你要检查这个系数的t统计量是否显著，如果误差修正项系数不显著，那说明即使边界检验通过，短期调整机制也可能存在问题，需要重新审视模型设定。

更进一步，如果你想把误差修正方程单独拿出来报告，可以基于ardl估计得到的变量自己构建ECM方程：

* 生成一阶差分变量 gen d_lngdp = d.lngdp gen d_lnenergy = d.lnenergy gen d_lnlabor = d.lnlabor gen d_lncapital = d.lncapital * 用滞后一期的误差修正项跑OLS regress d_lngdp d_lnenergy d_lnlabor d_lncapital L.ect

这里L.ect是误差修正项的一阶滞后，它的系数应该和ardl输出里的ECM系数一致或非常接近。单独跑一下的好处是，你可以很方便地保存残差，继续做后续的诊断检验，也可以把标准误和其他变量一起整理成规范的表格。

4. 模型诊断与稳定性检验

4.1 残差自相关、异方差和正态性检验

ARDL模型再好，如果残差不满足经典假设，系数的标准误和显著性判断都不可信。所以模型估计完成后，诊断测试是必须的一环，尤其是自相关检验。

自相关最直接的检验是BG（Breusch-Godfrey）拉格朗日乘数检验，在Stata里的命令是estat bgodfrey。滞后阶数一般选1到2阶：

* 自相关检验 estat bgodfrey, lags(1 2)

如果你的残差存在自相关，优先考虑增加滞后阶数，而不是直接换模型。还有一种情况是遗漏了重要解释变量，导致残差里有未被解释的结构性信息，这时候单纯加滞后解决不了问题，得回头改模型设定。

异方差检验常用的是Breusch-Pagan检验：

estat hettest

如果p值很小，说明存在异方差，稳健的做法是用稳健标准误重新估计，或者用ARDL命令中带robust选项的版本。不过要注意，在有限样本下，稳健标准误可能会让小样本推断变得更保守，需要结合样本量权衡。

正态性检验可以用sktest或者swilk：

sktest resid

Stata的ardl命令估计完成后，一般会保存残差变量。如果没保存，你可以用predict e, resid把残差提出来。注意，残差项的平稳性也可以顺带看一下，如果残差序列仍然有强烈的趋势或单位根特征，那说明模型设定有问题。

4.2 参数稳定性：CUSUM与CUSUMSQ

时间序列建模里，很多人忽略了一个问题：模型参数在整个样本期内是不是稳定的？如果1990年到2022年之间发生了明显的结构变化，比如政策调整、经济危机，那么用一个固定系数的模型解释全过程就很不合适。

ARDL框架下常用的稳定性检验是CUSUM（累积和控制图）和CUSUMSQ（累积平方和控制图）。这两个检验的基本思想是：利用递归残差或累积残差，判断模型系数是否存在系统性漂移。通常CUSUM图关注系数的均值漂移，CUSUMSQ图关注系数的方差漂移。如果累积和曲线始终位于5%显著性水平的边界线以内，就说明参数是稳定的。

在Stata里，我一般用cusum6这个外部命令，安装方式同样是ssc install cusum6，然后：

cusum6 lngdp lnenergy lnlabor lncapital

它会同时画出CUSUM和CUSUMSQ图。如果你的Stata版本不支持，也可以先估计模型、保存残差，再手工作图。这里有一个容易被忽视的细节：CUSUM检验对样本顺序很敏感，所以你在跑之前务必确认tsset的时间顺序是正确的，不然画出来的图毫无意义。

如果CUSUM图明显出界，说明模型可能存在结构性断点。解决思路有两个：一是加入虚拟变量或时间趋势项重新估计；二是把样本分段。不过分段后样本量又会减少，所以很多时候更实际的选择是在模型里加入结构突变虚拟变量，再重新做边界检验。

5. 常见问题与排查技巧实录

5.1 高频问题和解决办法速查

我把自己实际使用中遇到的坑，以及身边朋友问过最多的问题整理成一张速查表，方便你直接对照排查。

5.2 我踩过的坑和几点实用建议

第一个坑：没做单位根检验就直接跑ARDL，结果边界检验F值大得离谱。后来才发现有个变量是I(2)过程，价格指数类的变量尤其常见。所以哪怕ARDL对I(0)、I(1)混搭很宽容，也一定要先跑dfuller和pperron。如果你发现某个变量的一阶差分仍然不是平稳的，宁可换指标也别硬塞进去。

第二个坑：自动选滞后阶数的时候，直接用了maxlags(8)，结果电脑跑了十分钟还没停下来。后来明白过来，变量有四个、最大滞后八阶，组合数量是指数级增长，如果还想让软件搜索每个变量的不同滞后，计算量非常可观。现在我的习惯是先看样本量和数据频率，年度数据最多设maxlags(4)，季度数据最多设maxlags(8)，并且不会同时让四五个变量全部参与自由搜索。

第三个坑：在分析结果时，只报了长期系数，忽略了短期动态和误差修正项。实际上很多期刊审稿人会特别在意误差修正速度，因为它能反映经济系统自我修复的能力。尤其当你研究政策冲击、能源价格变动这类问题时，ECT系数的大小直接决定了政策效应的持续性。我建议在最终报告里至少给出以下信息：滞后结构、边界检验F统计量、长期系数、短期系数、ECT项系数及其显著性、残差诊断结果、CUSUM稳定性图。

最后再分享一个小技巧：在写论文或报告时，尽量把ARDL的完整设定写清楚，比如“ARDL(2,1,1,1)”这类表示方法。审稿人看到清晰的模型设定，往往就不会追着你问为什么不用VECM。至于边界检验临界值表，可以引用Pesaran et al.（2001）的原文，也可以直接报告Stata输出的临界值。

我个人在实际操作中的体会是，ARDL更像是一个聪明的折中方案：它保留了误差修正模型对长期均衡的重视，又避免了传统协整方法对单整阶数的严苛要求。只要你的数据里没有I(2)，样本量又不是特别小，那ARDL几乎总能给出一个逻辑自洽、容易解释的结果。把这个模型用透，应对宏观经济、金融、能源环境等大多数时间序列研究都够用了。