中国部门间通货膨胀的“均值回复”特征研究——新方法的构建及实证分析，本文主要内容关键词为：通货膨胀论文,实证论文,中国论文,新方法论文,均值论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言
通货膨胀惯性又称通胀惰性（Inflation Inertia），或称通胀持久性（Inflation Persistence），是指通胀受到随机扰动后，偏离长期均值状态的持续时间（Fuhrer and Moore，1995），通常由动态自回归（AR）模型滞后因子系数和来度量。通胀惯性越高，通胀受到冲击后越难以“均值回复”，这意味着央行需要投入更多精力才能将通胀恢复至目标水平，因此通胀带来的产出成本（如牺牲率，Sacriffce Ratto）和社会福利损失也越高（米什金，2007）。
20世纪60～80年代“大通胀（Great Inflation）”构成了主要工业国家的“典型事实”，通胀惯性由此成为了西方学术界热衷探讨的问题，研究成果大量涌现。在理论方面，Fuhrer和Moore（1995），Gali和Gertler（1999），Mankiw和Reis（2001），Christiano等（2005）等从厂商定价行为入手探索了通胀惯性的微观基础；在实证方面，Cogly和Sargent（2006）,Pivetta和Reis（2007），Benati（2008）等基于美国数据，发现美国通胀具有较高惯性特征；O'Reilly和Whelan（2005）,Altissimo等（2006）等则对欧元区通胀惯性进行了讨论。相比之下，国内对通胀惯性的研究还不多见，绝大多数文献集中于对中国通胀惯性特征的描述，基础理论研究尤为欠缺。如，张成思（2009a,2009b,2008）等一系列研究应用未知结构断点检验和Grid-Bootstrap中值无偏估计方法检验了中国通胀惯性，发现中国通胀具有较高惯性，但这种惯性特征在20世纪90年代中后期以后有所减弱；而何启智、范从来（2011），张屹山、张代强（2008）等基于不同方法的研究同样得到了“中国通胀具有较强惯性”的结论。
已有通胀惯性研究无疑为我们认识中国通胀的动态特征提供了思路，但这些研究一般是通过加权八大类项目汇总所得CPI数据作为研究样本，因此无法揭示通胀的结构性特征。通胀分析主流框架是古典经济学的货币数量论，其核心观点是通胀和货币量的增长呈正比例关系，因而通胀的本质是“货币数量过多”（弗里德曼曾说“通货膨胀在何时何地总是一种货币现象”），然而这并不意味着过多的货币会“匀质”地进入不同行业或部门，所以经济体内各部门间的价格波动幅度并非均等。事实上，后者恰好与近年来中国通胀所显示出的典型事实相映衬，即各部门价格指数波动演绎出明显的异质性特征，具体表现为CPI八大类子成分涨跌交错、涨幅悬殊，其中食品类价格涨势尤为强劲。
由此我们提出问题，基于汇总数据的通胀惯性研究是否掩盖了各子成分惯性的异质性？Granger（1980）认为，在多个序列加总为单个序列的过程中存在汇总偏差（Aggregation Bias），即，当序列由汇总得到时，其显示出的自相关性将高于其成分序列自相关性平均值，且该高自相关性由其个别成分序列主导。据此可知，汇总通胀率序列表现出的高惯性特征并不意味着子类通胀都具有高惯性，而可能是个别子类高惯性的结果。与此同时，由于各子类包含的异质性（Idiosyncratic）成分在汇总过程中还可能发生正负抵消，因而汇总数据还存在低估子类通胀高惯性的嫌疑。所以，在通胀动态属性研究中，学术界不应仅限于以汇总指数衡量的通胀率为研究对象，而应积极探索通胀子成分（部门）的异质性惯性特征。如果子成分通胀率在“均值回复”过程中表现出较大差异①，那么，货币当局的最优策略就不应简单盯着一个损失很多结构信息的汇总目标，而应对难以回复均衡的子成分冲击做出更为积极的响应，以此突显货币政策的“结构性”，而非“一刀切”。
事实上，国外已对部门间通胀的异质性动态特征予以了高度重视。例如，Altissimo等（2006），Bils和Klenow（2004），Nakamura和Steinsson（2008）等采用欧美诸国数据证实部门间价格调整存在差异性特征，进而对部门通胀动态调整的异质属性给予了充分肯定。Taylor（2001），Justiniano等（2006），Carvalho（2006），Imbs等（2011）等则把部门价格调整的差异性纳入通胀动态研究中，讨论了部门菲利普斯曲线（Multi-Sector Phillips Curve）。而欧洲中央银行（ECB）专门成立的通胀惯性研究机构（IPN）根据部门通胀研究得出的结论“不同经济活动的价格调整频率不尽相同”，则早已成为欧洲央行“结构性”货币政策操作的重要依据（Imbs et al.，2011）。
菲利普斯曲线（Phillips Curve，Pc）是研究通胀“均值回复”问题或通胀惯性问题的理论基础。因此，将该问题拓展到部门层面，同样将依托于（部门）菲利普斯曲线。借助Imbs等（2011）推导的多部门混合型菲利普斯曲线（Hybrid Philips Curve）足以说明本研究的要点（详细推导，参见文献，本文不赘述）：
以部门通胀为研究对象，面板数据模型不失为最佳选择。研究通胀的“均值回复”特征，通常是对通胀惯性参数构建假设检验③，即借助单位根模型来检验通胀序列的平稳性。若通胀序列平稳，则外生冲击的影响是短暂的，序列具有“均值回复”特征。虽然学术界意识到早期所采用的单变量单位根检验法由于样本量有限，从而导致检验功效不足这一问题，因而倾向于采用面板单位根检验方法。然而，已有面板单位根方法并不能较好地满足本文的研究要求，即在部门间通胀相依前提下识别出它们的异质“均值回复”特征。就第一代面板单位根模型而言，尽管后期发展的一部分模型允许序列的异质性特征，但截面个体独立的假定将忽视部门间价格调整的“协动性”。第二代面板单位根检验方法虽可有效处理截面个体间的“同期相依性”问题，但却仅能从整体角度对变量是否存在单位根做出检验，因而缺乏对截面个体“异质均值回复”特征的有效识别。因此，拓展已有的研究方法将成为本文的重要创新之处。下文从回顾单位根检验方法的发展轨迹入手，借鉴已有研究成果，开发出一种能兼顾面板数据截面个体“同期相依性”与“异质均值回复”特征，且更具高功效（High Power）的面板单位根检验方法——Stationary-Bootstrap-SURADF面板单位根检验方法。继而，本文以该方法对中国通胀率八大类子成分的平稳性特征进行严格统计推断，借此深化对中国部门通胀惯性的认识，以期为当局判断通胀走势与科学操作货币政策提供启示。
本文余下内容的结构安排如下：第二部分梳理单位根模型的演进脉络，并予以评述；第三部分设计Stationary-Bootstrap-SURADF面板单位根检验方法，并借助多个蒙特卡洛实验检验新方法的检验功效和水平扭曲；第四部分应用Stationary-Boot-strap-SURADF面板单位根检验方法对中国八大类子成分通胀率“均值回复”特征进行实证分析；第五部分为本文的主要结论及政策启示。
二、文献评述
（一）单位根检验方法的发展路径
过去几十年，大量学者竭力探索描述或模型化经济或金融时间序列动态性质的最佳方式。特别是，甄别单位根与平稳过程已成为时间序列计量经济学和宏观计量经济学热衷探讨的问题之一。关于此问题的探讨源于Nelson和Plosser（1982）的开创性工作，他们运用Dick与Fuller于1979年提出的检验方法对美国14个主要宏观经济变量进行平稳性检验，结果发现，其中13个宏观变量具有随机趋势（Stochastic Trend），即含有单位根结构。这一发现的重要意义不仅在于改变了学者对长期趋势与短期波动的思考方式④，更为重要的是，它极大地推动了时间序列方法——单位根检验方法的发展。
随着时间序列理论日臻成熟，单位根检验的小样本统计性质逐渐为人所熟知。毫不夸张地说，在有限样本下，几乎所有单变量单位根检验统计量都面临着检验功效Power，或称“势”）不高的问题（Schwert，1989；DeJong et al.，1992），尤其对高惯性（High Persistence）时间序列而言，单位根检验犯“第Ⅱ类错误”的几率还将大大增加。因此，仅基于单变量单位根检验模型，研究者并不能准确甄别宏观变量的平稳性。
近年来，伴随面板数据（Panel Data）理论的迅速发展，学者们通过模拟发现，将截面信息与时间序列信息相结合可以有效提高单位根检验功效，由此促成了面板单位根检验方法的发展。Hurlin和Mignon（2006）梳理了已有面板单位根检验方法，他们按照横截面个体独立与否假设的标准，将面板单位根检验分为两类：一类是假定横截面个体相互独立的第一代面板单位根检验；另一类是放松横截面个体独立假设的第二代面板单位根检验。第一代面板单位根模型的核心前提是横截面个体相互独立假设。因为只有在这一假设下，中心极限定理才适用，进而才可构建渐近正态分布的单位根检验统计量。正是基于此思路，部分学者将组间（Between-Dimension）个体统计量进行平均或汇总处理，通过构筑联合检验统计量进行面板单位根检验，具体可参见Levin和Lin（1992），Im等（2003），Choi（1999，2001）等的研究。相比单变量模型而言，第一代面板单位根检验方法的检验功效虽有所改善，但在某些条件限定下还不能达到合意的功效水平。如O'Connell（1998）通过模拟发现，在有限样本下，特别是当序列具有高持久性时，Levin和Lin（1992）检验的功效依然偏低⑤。同时，由于没将截面个体同期相依性（Contemporaneous Correlation）考虑在内，第一代面板单位根检验的实际检验水平还将严重扭曲。因此，如何提高单位根检验功效，同时降低水平扭曲，成为了学者们继续深化单位根检验方法的主要动机。
显而易见，第一代单位根模型的核心假设——横截面个体相互独立，与现实难以吻合，因而如何处理截面个体同期相依性问题就成为了第二代面板单位根检验的主要内容（Hurlin and Mignon，2006）。针对此问题的研究，大致有两种路径：一些研究，如Bai和Ng（2001，2004）,Moon和Perron（2004），Phillips和Sul（2003），Pesaran（2007），Choi（2002）等以因子结构（Factor Structure）为基础，将横截面个体的相关性视为横截面的共同因子（Common Factors）加以处置；另一些研究则针对“长面板”（Long Panel）数据（时间长度远大于截面个体数目）的“狭长”结构，运用系统估计方法将截面相依性纳入统计推断之中，如O'Connell（1998），Taylor和Sarno（1998），Chang（2004）等建议将SUR（Seemingly Unrelated Regression，近似无相关回归，全文简称SUR）估计方法引入面板单位根检验中。但是，Taylor和Sarno（1998），O'Connell（1998）在其早期研究阶段并未对SUR构架下的面板单位根检验做出理论解析。直到2004年，Chang才在理论上推断了基于SUR方法形成的单位根统计量——MADF极限分布。他发现，在截面相依条件下，对面板单位根检验统计量进行渐近分析十分困难。与单变量类似，首先是统计量分布问题：MADF并不是常规意义上的F分布，当T趋于无穷大时，MADF的极限分布服从Wiener过程函数分布；其次是冗余参数（Nuisance Parameters）问题，检验统计量的极限分布中包含了大量冗余参数，如横截面个体同期相依性、纵剖面上各序列异质序列相关性等。因此，统计量的极限分布并不具有渐近枢纽性（Asymptotically Pivotal）⑥。当统计量极限分布无法用解析方法求解时，研究者需要诉诸于仿真模拟和数值计算等方法。Chang（2004）建议采用自助（Bootstrap）方法构造统计量的经验分布，以此进行统计推断。
（二）现有面板单位根检验存在的问题
由于常规面板单位根检验从总体角度对变量平稳性做出判断，因而难以对截面个体异质平稳特征进行有效识别，这导致对面板单位根检验结果的理解存在一定偏误（Breuer et al.，2001，2002）。下面，我们以当前普遍使用的异质面板单位根模型为例说明此问题：
无法拒绝原假设意味着所有序列具有单位根性质；拒绝原假设则意味着至少存在一个序列是平稳的。因此，平稳序列和非平稳序列混合而成的（Mixed）样本“很有可能”拒绝原假设；而一旦拒绝原假设，由于检验结果无法对截面个体的异质“均值回复”特征做出有效识别，因而将掩盖个体序列的异质化属性，进而对检验结果的理解产生偏误。在此背景下，Breuer等（2001，2002）设计了以SUR估计为基础，在面板设定下的单变量单位根检验——SURADF检验，以此来弥补常规面板单位根检验的不足。具体而言，SURADF检验是在SUR框架下对n个单方程逐个进行ADF检验，其假设结构在形式上与单方程检验相同：
不难看出，Breuer等（2001，2002）方法的优点大致有三：一是继承了现有面板单位根检验“异质性”设定的优点，如允许纵剖面上序列异质序列相关性及异质化惯性参数；二是使用系统估计方法——SUR修正了截面相依性问题，从而确保了检验结果的可靠性；三是模型原假设的特殊构造避免了现存面板单位根检验无法有效识别截面个体异质“均值回复”特征问题。不过，Breuer等（2001，2002）并未在文章中对SURADF的统计性质给出理论说明，我们通过借鉴Chang（2004）的研究，推导了SURADF统计量的极限分布，结果表明：SURADF使用的t或Wald检验统计量，在时间维度下的极限分布服从Wiener过程函数分布，且极限分布中包含冗余参数——横截面个体间同期协方差。因此，SURADF检验统计量并不具有任何标准分布的性质，且检验临界值还受到SUR体系中协方差矩阵、样本数及组间序列数目的影响，因而检验量临界值需要通过计算机仿真模拟得到。Breuer等（2001，2002）建议，采用蒙特卡洛（Monte Carlo）方法模拟临界值。需要指出的是，蒙特卡洛方法虽强大，但必须对误差项的生成过程做出非常具体的假定，而且通常需要先验正态假设⑧，因此从严格意义上讲，所得结果只适合于这种特定数据生成过程，并不适合总体分布情况未知情形⑨。与Breuer等（2001，2002）建议的方法——蒙特卡洛（Monte Carlo）方法不同的是，自助法（Bootstrap）并不对样本分布做出先验假定，它是将原始样本视为总体，通过对原始样本再抽样（Re-sampling）重建统计量的有限样本分布，故据此计算的临界值对于有限样本来说将更具可信性⑩。
有鉴于此，我们将拓展Breuer等（2001，2002）的研究，通过引入一种专门为单位根检验设计的自助方法——平稳自助（Stationary Bootstrap）方法，并以SUR估计冗余参数后重建小样本分布，再以重建分布进行检验，以期得出更为稳健的结论。研究方法的具体设计过程见本文第三部分。
三、模型与检验方法
（一）异质面板设定下单位根模型与SUR估计
本文采用异质面板单位根模型（1）作为检验的基础，为方便下文讨论，我们不妨将模型（1）整理成紧凑形式。
截面个体扰动存在“相依性”导致V并非对角矩阵，若运用OLS或2SLS估计，虽可得到参数的一致估计量，但将损失效率。这时可运用SUR对模型（2）中参数θ进行有效率的估计。
为得到θ的SUR估计量，需要先估计Ω中的各元素。我们运用OLS方法逐一估计模型（2）中的单方程，可得，Ω中各元素的估计量：
因此，综上，运用SUR得到的参数矩阵估计值如下：
（二）Stationary-Bootstrap-SU-RADF面板单位根检验方法设计
以上述模型为基础，构造Stationary-Bootstrap-SURADF（下文简称为Bootstrap-SURADF）面板单位根检验方法，其实现过程如下：
就掌握的文献来看，自助法（Bootstrap）已经被广泛地应用于单位根检验之中，现常用的有“块状”自助（Block-Bootstrap）法（Lee and Wu，2001）。相比常规自助方法，“块状”自助法的优势在于保留了原始数据的“跨期”相依性，然而，实证结果却对“块状”长度的选择十分敏感。1994年Politis和Romano提出平稳自助法（Stationary-Bootstrap）修正了“块状”自助法的问题，他们在再抽样中并不固定“块状”，而是假定块状长度是随机的且服从一个几何分布（Geometric Distribution）。更重要的是平稳自助法还能保证自助序列的平稳性——只要原始序列是平稳的，新模拟出的序列也必定是平稳的。这样，块状长度的敏感性不仅大大降低，而且单位根检验的稳健性还将得到进一步提高⑩。另外，在实际操作中，平稳自助方法比“块状”自助法更容易实施。平稳自助法（Stationary-Bootstrap）的实现步骤如下：
（1）从区间[p+1，T]内随机抽取一个整数i，将原数据中的第i个元素（本文中为第i个截面）放入自助序列中。
（2）从[0，1]均匀分布中随机抽取一个数j。
如果j＞prob（prob为给定概率，常设为0.1，平稳自助算法对此并不敏感），则自助序列中接下来的元素为原序列中的第i+1个元素。若i=T，则自助序列中接下来的元素为原序列第一个元素（通常认为序列是尾首相连）。如果j≤prob，则重复步骤（1）。
（3）重复步骤（2）直到自助序列依序被“填满”。
由于prob值介于0和1之间，若prob=0，那么通过上面的步骤得到的自助序列与原序列无异。若prob=1，上述过程等价于普通的自助算法。
为了验证实证方法构造是否有效，我们设计了一系列蒙特卡洛（Monte Carlo）实验，实验结果显示Bootstrap-SURADF面板单位根检验方法无论在检验功效还是水平扭曲上都具有良好表现（具体的Monte Carlo实验设计和检验结果见附录）。进而，我们应用该方法对中国部门间通货膨胀“均值回复”特征进行实证检验。
四、基于Stationary-Bootstrap-SU RADF方法的中国部门间通胀“均值回复”特征检验
（一）数据说明
目前，中国汇总通胀指标之一的CPI指数执行国家统计局规定的“八大部类”体系，包含食品、烟酒及用品、衣着、家庭设备用品及服务、医疗保健及个人用品、交通和通信、娱乐教育文化用品及服务、居住等八大类262个基本分类。这八大类的最新构成权重为：食品—31.39%；娱乐教育文化用品及服务—14.15%；居住—17.82%；交通通讯—9.25%；医疗保健个人用品—9.04%；衣着—8.51%；家庭设备及维修服务—5.84%；烟酒及用品—3.99%（数据来源：Wind资讯）。其中，食品类权重最高，由此可知，高权重的食品类基本可主导CPI的走势。但是，由于惯性的汇总偏差问题，我们还无法仅以当前的权重信息来推估子成分通胀率对汇总CPI通胀率惯性的“贡献”度。
本文选取2001年1月至2011年9月CPI八大类指数月度环比数据作为分析对象，并以之构建长面板数据集。这里需要强调的是，西方研究在估计中所使用的数据一般为环比数据，而国内同类研究通常选择同比数据。事实上，基于同比数据的估计存在严重高估通胀惯性的可能，因为前后相邻的两个同比数据增长率重叠了11个月份。为求行文方便，我们将组成CPI的八大类子成分分别简记为：FOOD（居民食品消费，简称食品），TABACO（居民烟酒及用品消费，简称烟草），CLOTH（居民衣着消费，简称衣着），HOUSOLD（居民家庭设备用品及服务消费，简称家庭），MEDICINE（居民医疗保健和个人用品消费，简称医疗），TRANS（居民交通和通信消费，简称运输），EDU（居民娱乐教育文化消费，简称教育），RESIDENCE（居民居住消费，简称居住）。本文所用数据来源于中经网宏观月度库，并依据公式
计算通胀率。在计算通胀率之前，我们已对环比序列进行X12季节调整，图1和图2分别从子类通胀动态走势和分布特征两个角度，描述了季节调整后的CPI子类数据特征。
图1说明CPI八大部类子成分的通胀率在动态走势上表现出涨跌不同步、涨幅悬殊特征，如，每轮价格上涨，食品类价格几乎都是“首当其冲”，其价格波动幅度明显大于其他子类。
除了走势的异质性（见图1），各子部类分布特征的异质性特征也相当明显。这里，我们采用核密度分布方法（Kernel Density Distribution）来直观刻画子类成分分布形态（图2所示）。这一方法的基本要点是设随机向量X的密度函数为：
其中，I（·）为示性函数（Indicator Function），当括号内的不等式成立时取值为1，否则取0。
从CPI八大类子成分分布函数的偏度表现来看，仅教育与居住为左偏，且偏倚程度后者大于前者；其余六类均呈现右偏特征，偏倚程度由高到低依次为：医疗、食品、烟草、衣着、家庭、运输。根据分布理论，右偏意味着在序列的概率密度函数右侧的尾部比左侧长，绝大多数时点位于均值之上，左偏则恰好相反。这表明在多数情况下，只有教育与居住的实际通胀率低于均衡通胀率，而其他各类高于均衡水平。
从分布函数的峰度表现来看，八大部类中，除家庭类属于“平峰”之外，其他七大类均呈现出不同程度的“尖峰”状态，教育与居住尤为明显。据此可初步推断，家庭类通胀率难以实现“均值回复”，其中可能含有单位根。
初步统计性描述显示CPI子类通胀率异质性特征相当明显。下文中，我们将进一步应用Bootstrap-SURADF面板单位根检验方法，对通胀子成分序列进行严谨的计量检验。
（二）计量检验过程
在正式分析前，我们先对八大类子成分通胀率的整体平稳性做出基本判断。为方便起见，本文仅采用Eviews软件内嵌的3种第一代异质面板单位根检验方法（IPS、Fisher-ADF和Fisher-PP）进行检验。这3种检验的原假设和备择假设完全相同，原假设为“所有序列具有单位根”，而备择假设为“至少存在一个序列是平稳的”，且统计量的构造都是对“组间”单个统计量的平均或汇总处理。检验结果如表1所示，3种检验方法无一例外地得出八大类子成分通胀率面板集在1%的显著性水平上拒绝原假设“所有序列具有单位根”的结论，即八个序列中至少含有一个I（0）过程。正如前文所述，这一结论是否稳健还值得商榷。然而，如果说，第一代面板单位根方法的主要问题是未考虑截面相依性而存在实际检验水平的过度扭曲Over-Size），那么上述的检验结论应该是相对保守的，因而仍有一定参考价值。
接下来，我们将在上述检验的基础上纳入子成分通胀序列的“相依性”信息，运用新构建的方法——Bootstrap-SURADF面板单位根检验方法对通胀各子成分的平稳性进行检验。具体检验中，本文将自助次数设定为10000，生成了样本容量为10000的
分布（图3所示），这些分布的形状差异较大，表明难以构筑统一分布对子类通胀的惯性特征进行统计推断。我们选取这些分布第1%、5%、10%分位数值，作为统计推断临界值。Boot-strap-SURADF单位根检验结果可见表（表2）。
表2结果显示，子类通胀率构成的面板数据是一个由平稳序列和非平稳序列混合而成的（mixed）样本。这虽与面板单位根整体检验的“保守”结果一致，但Bootstrap-SURADF检验方法因充分考虑了各子成分通胀序列之间的“相依性”与“异质性”特征，进而将提供更为可靠且丰富的信息：医疗类（MEDICINE）与居住类（RESIDENCE）在1%显著性水平上拒绝了序列含有单位根的原假设，食品类（FOOD）在5%的显著性水平上，拒绝了序列含有单位根的原假设，说明这3个序列均具有“均值回复”特征，受到冲击后序列偏离稳态只是暂时的，而其余序列则会存在冲击永久性影响，无法恢复到均衡水平。这些结论对于构筑中国部门间菲利普斯曲线具有重要参考价值。同时，根据Granger（1980）汇总偏差理论，我们可做出推断，烟酒、衣着、家庭设备、交通通信、娱乐教育等这些难以回复均衡的成分将对CPI通胀率显示出的高惯性做出重要“贡献”。
五、结论及政策启示
针对常规面板单位根检验方法普遍存在对截面个体平稳特征缺乏有效识别能力的问题，本文沿袭第二代单位检验思路针对具有“狭长”结构的面板数据，采用SUR估计方法将截面个体“同期相依性”纳入统计推断，同时，引入平稳自助法（Stationary-Bootstrap），拓展了Breuer等（2001，2002）的研究，在其SURADF基础上构建了全新的Bootstrap框架——Bootstrap-SURADF面板单位根检验方法。进一步，本文通过Monte Carlo实验检验了不同截面相依条件下的Bootstrap-SURADF面板单位根检验方法的检验功效与样本扭曲情况。最后，本文还将构建的新方法应用于研究中国部门间通货膨胀的“均值回复”特征。本文的主要结论如下。
（1）在截面相依性的不同分布下,Bootstrap-SURADF检验均表现出高检验功效，且截面相依程度分布分散有助于检验功效的提高。同时，截面相依程度的差异会导致功效随之变动：截面相依性越高，检验功效也越高。另外，延长序列可以提高不同截面相依区间上的检验功效，然而，在给定T的前提下，n的增加却未带来检验功效的提升，甚至略有降低。
（2）在序列具有高持续性特征时，SU-RADF检验功效虽有所下降，但也普遍高于同类文献报告的结果。通过在时间维度上增加样本或提高截面相依度可以将检验功效提高到合意的程度。通过引入GLS去势法，并嵌入Bootstrap-SURADF之中，我们发现在
∈（0.9，0.95）上，SURADF-GLS的检验功效还不如SU-RADF。进一步模拟发现，只有在特定的数据生成机制下（T＜100，持久参数超过0.95），选择SURADF-GLS方法才会带来检验功效的提高，否则将损失检验功效。
（3）随着样本容量在时间维度和截面相依程度上的增加，SURADF实际检验水平有所提高，这表明相对于名义显著性水平5%而言，SURADF的水平扭曲虽随着功效的提高有所恶化，但依旧能控制在很低的水平（5%）。事实上，扭曲程度远远低于单变量ADF检验的情形。
综上而论，Bootstrap-SURADF面板单位根检验方法，无论在检验功效还是水平扭曲上都具有良好表现，而且其检验功效还高于Breuer等（2001，2002）构建的SURADF面板单位根检验方法。本文以此方法对通胀子成分的“均值回复”特征进行检验，结果显示通胀子成分在“均值回复”特征上具有明显的差异性。具体而言，医疗类、居住类、食品类等具有“均值回复”特征，而其余序列则会受到冲击的永久性影响，无法恢复到均衡水平。
上述结论具有很强的政策操作启示，即当局应对难以回复均衡的通胀子成分，如烟酒、衣着、家庭设备、交通通信、娱乐教育等价格的波动做出更为积极的响应。简言之，货币政策操作应注重“结构性”，而不应基于汇总目标的“一刀切”。
附录：（Stationary-Bootstrap-SURADF方法的功效与水平扭曲检验）
蒙特卡洛模拟设计与检验
（一）数据生成过程
不失一般性，本文借鉴Chang（2004），Breuer等（2002）的研究，以面板AR（1）过程
为基础对Bootstrap-SURADF的检验功效与水平扭曲进行检验。在这里，产生具有同期相依的误差序列是本文设计模拟实验的关键。参照Breuer等（2001）的方法，先模拟对称矩阵Ω：
（1）产生n个独立同分布的n元标准正态随机序列Z；
（2）利用Ω的乔里斯基分解（Cholesky Decomposition）的上三角矩阵R构造具有协方差矩阵Ω和均值0的n元正态随机过程
显然，利用该数据生成过程产生的面板数据是具有同期协方差矩阵Ω的面板自回归过程。由于同期协方差矩阵主对角线元素已被标准化为1，协方差
即可表示相关系数，因此，研究者通过改变其均匀分布区间即可控制截面相依度。
（二）功效检验
近年来，面板单位根技术被广泛地应用于“汇率平价理论”、“通胀、短期名义利率的均值回复”、“股市有效性”等问题。这些问题所涉及的宏观变量，如汇率、通胀率、利率、股市收益率等构成的面板数据通常为“长面板（Long Panel）”，即T远＞n。因此，我们将T设定为100，150，200（13），而将n设定为5、10、15、20，以此涵盖现有实证文献面板数据的特征。
为了全面把握Bootstrap-SURADF检验方法的功效，我们将设计如下两个实验：
实验一，检验整体功效，着重比较各种有限样本条件Bootstrap-SURADF的检验功效。
基于上述设定，我们在各种样本容量及各种数据生成机制下，运用蒙特卡洛方法分别模拟了10000个面板数据集。对每一个面板数据，我们都通过上文设计的Bootstrap-SURADF方法来检验其纵剖面各个序列的平稳性，自助次数设定为1000。
为了更好地描述单位根检验之功效，本文定义了3个指标，其中，Ave表示面板设定下，单变量单位根检验的平均功效；Sup表示这些单位根检验中出现的最大功效；Min则表示这些单位根检验中出现的最低功效。假定名义显著性水平为5%之下，功效检验的结果如附表1所示。
附表1结果显示，第一，就整体上（∈[0 1]）来说，Bootstrap-SURADF的检验表现出高检验功效。随着样本容量增加，检验功效也在不断提高，这在时间维度上表现得尤为明显。第二，在3个不同截面相依程度区间，Bootstrap-SURADF的检验同样显示出高检验功效，但功效低于相关程度分布在（0 1）区间的情形，这意味着截面相依程度分布分散有助于检验功效的增加。同时，截面相依程度的差异会导致功效随之变动，表中结果显示了这一重要规律——截面相依性越高，则检验功效越高。另外，延长序列虽可以提升不同截面相依区间上的检验功效，然而，在给定T的前提下，n的增加却未带来检验功效的增长，反而略有降低。
众所周知，单变量单位根检验，如ADF检验或PP检验（包括绝大多数单位根检验），一个重要不足是，当真实模型接近单位根时，检验功效偏低。具体而言，当一个序列是非常接近于I（1）的I（0）时间序列时（比如，一阶自回归系数高达0.99），常规的单位检验很难区分其究竟是I（1）还是I（0）。因传统检验方法的不足，我们将设计实验二，讨论高持久性（或近单位根）序列在不同截面相依程度区间下Bootstrap-SURADF的检验功效。同时，我们还将目前在“近单位根”情况下最具功效的“DF-GLS”检验中的“GLS去势法”嵌入Bootstrap-SURADF之中，形成Bootstrap-SURADF-GLS方法，并将之与Bootstrap-SURADF进行对比研究。
在这个实验中，我们分别研究了两个高持久性区间[0.9 0.95]和[0.95 1]，在不同截面相依条件下Bootstrap-SURADF与SURADF-GLS的检验功效。
第二，随着持久性的提高，即当
∈（0.95，1）时，Bootstrap-SU-RADF的检验功效进一步下降，但相比于Breuer et al（2002）蒙特卡洛模拟方法而言，平均功效依然得到很大的改进（14）。序列高持久性下，通过延长T或提高截面相依度依旧是提高检验功效的有效途径。Bootstrap-SURADF-GLS与Boot-strap-SURADF相比，仅在T=100显示出优势的检验功效，这种功效优势约为10%。随着样本容量的增加，Bootstrap-SURADF-GLS的检验功效最终会低于Bootstrap-SURADF。由此可见，只有在特定样本（T＜100）且序列具有高度持久性（持久参数超过0.95）的条件下，选择Bootstrap-SURADF-GLS方法才是合理的，否则将损失检验功效，得到错误结论。
（三）水平扭曲检验
通常情况下，检验功效（Power）的提高伴随着检验的水平扭曲。本文构建的Bootstrap-SURADF方法检验功效的提升是否以较大的水平扭曲为代价？为此，我们进一步设计实验三来讨论Bootstrap-SURADF在不同相依程度下实际检验水平（Size）。
从附表4中的结论，我们发现随着样本容量在时间维度和截面相依程度上的增加，Bootstrap-SURADF平均实际检验水平有所提升，相对于名义显著性水平5%而言，Bootstrap-SURADF的水平扭曲虽随着功效的提高有所恶化，但能控制在很小的范围内。事实上，就扭曲程度而言，这远远低于单变量ADF检验的情形。
基于上述实验结果，我们发现Bootstrap-SURADF面板单位根检验方法，无论在检验功效还是水平扭曲上都具有良好的表现。
感谢SURADF方法提出者之一——克莱姆森大学Myles S.Wallace教授在论文撰写过程中给予的帮助。当然，文责自负。
注释：
①本文将以通胀子成分来刻画部门间通胀。
④宏观变量存在单位根意味着随机冲击具有持久效应；短期波动无法按照传统观点解释为围绕确定性趋势（Deterministic Trend）的简单偏离。
⑤给定名义显著性水平5%，检验功效只有9%。
⑥极限分布具有枢纽性指的是该分布为已知分布（如t，F，卡方等），且不包含扰动参数（Nuisance Parameters）。
⑦就所掌握的面板单位根检验方法来看，只有Hadri（2000）检验是面板平稳性检验，即原假设是序列平稳的，其余都是面板非平稳性检验。
⑧尽管假定误差项服从正态分布非常方便，但几乎还没有证据表明这是合理的。Tiao和Box（1973）曾推测“对近似正态性的普遍信赖，很可能来自早期对极大似然和其他估计量近似正态分布这一特殊信念的灌输”。
⑨在原假设下，大多数检验统计量服从标准分布，如正态、t、卡方以及F分布等，然而，这些分布的适用性严格依赖于模型扰动项的正态分布特征。当扰动项分布不是正态分布时，多数的传统检验统计量需要依据渐近论来讨论分布特征，这虽然为采用通常方法进行检验或估计提供了方便，但这却忽视了实际应用中的有限样本偏差。
⑩从某种意义上来说，Bootstrap方法正以其计算能力取代复杂的定理证明。计算机计算能力在近年来的突发猛进意味着前者相比于后者，成本已急剧下降。而这也正是本文放弃从繁琐的数学证明入手进行研究的一个重要理由。
（11）举例来说，原时间序列虽是平稳的，但常规Bootstrap模拟出的时间序列却未必是平稳的。一旦模拟出的序列具有非平稳性，这将导致统计量的经验分布偏移真实分布。
（12）若采用Wald检验统计量，则为选取该分布1-a的分位数。
（13）T较小时，各种检验方法的功效普遍偏低已经是不争的事实，这也即是说，具体的实证检验中，基于小样本得出的结论通常是不可靠的。
（14）举例来说，如Breuer等（2002）文中表1所示，n=5，T=100，∈[0.2 0.3]，SURADF的功效为0.135，ADF为0.126，而本文在相同条件下的平均功效却为0.222，已经高出Breuer等（2002）方法近10个百分点。