eviews图像及结果分析报告

word第4章 图形和统计量分析EViews软件提供了序列(Series)和序列组(Group)等对象的各种视图、统计分析方法和过程。当序列对象中输入数据后，就可对序列对象中输入的数据进展统计分析，并且可以通过图、表等形式进展描述。本章将介绍序列和序列组对象图形的生成和描述性统计量与其检验。4.1 图 形 对 象图形(Graph)对象可以形成序列和序列组等对象的各种视图，如线图(Line)、散点图(Scatter)以与饼图(Pie)等。通过图形可以进一步观察和分析数据的变化趋势和规律。下面介绍图形对象的根本操作。4.1.1 图形(Graph)对象的生成图形对象也是工作文件中的根本对象之一。要生成图形对象需首先打开序列对象窗口或序列组对象窗口，选择对象窗口工具栏中的“View|“Graph选项。选择的对象类型不同，将弹出不同的窗口。如果在序列对象窗口下选择“View|“Graph选项，将弹出如图4-1所示的界面。图4-1 序列窗口如下图形对象的生成此时“Graph弹出的菜单中有6种图形可供选择。“Line表示生成的是折线图，如图4-2所示，其横轴表示时间或序列的顺序，纵轴表示序列对象观测值的大小。“Area表示生成面积图，其图形的形状与“Line(折线图)一样，不同的是“Area(面积图)曲线下方是被填满的，而“Line(折线图)下方是空白。图4-2 “Line折线图“Bar表示为条形图，用条状的高度表示观测值的大小。“Spike表示尖峰图，由竖线组成，每根竖线的高度代表观测值的大小。“Seasonal Stacked Line表示生成的是季节性堆叠图，“Seasonal Split Line表示生成的是季节性分割线。如果在序列组(群)对象窗口下选择“View|“Graph选项，将弹出如图4-3所示的界面。这里有9种图形可供选择。其前4种与上面讲述的一样。图4-3 序列组(群)窗口如下图对象的生成其中，“Scatter 表示生成散点图。在“Scatter弹出的菜单中有5个选项，分别是“Simple Scatter(简单散点图)、“Scatter with Regression(带有回归线的散点图)、“Scatter with Nearest Neighbor Fit(近邻匹配散点图)、“Scatter with Kernel Fit(核心匹配散点图)、“XY Pairs(XY成对散点图)。当序列组中包含两个序列对象时，第一个序列对象的观测值构成散点图的横坐标，第二个序列对象的观测值构成散点图的纵坐标，如图4-4所示。当序列组中有三个以上的序列对象时，第一个序列对象构成散点图的横坐标，其余序列对象构成散点图的纵坐标。图4-4 简单散点图(“Simple Scatter)“XY line表示X与Y的折线图，横纵坐标分别表示两个序列对象的观测值。“Error Bar表示误差长条图，“High-Low表示上下图，“Pie表示饼图。另外，在序列组(群)对象窗口下还可通过选择“View|“Multiple Graphs选项来生成图形。此时图形显示在不同的坐标系中，即每个序列对象各形成一个图形，并显示在同一个窗口中。除上面介绍的在序列对象窗口中生成图对象外，还可以通过选择EViews主菜单中的“Quick|“Graph选项来生成。在“Graph的菜单中选择图的类型，将弹出图4-5所示的文本框。在文本框内输入序列或序列组的名称，例如“fdi，然后单击“OK按钮，即可打开相应的图。此时所生成的图对象未被命名，单击图对象窗口中的“Name按钮即可命名。图4-5 生成图对象的文本框4.1.2 图形的冻结在上面所介绍的两种图对象生成方法中，通过“Quick|“Graph选项生成图形对象，单击图对象窗口工具栏中的“Name选项，在弹出的对话框中输入该对象的名称，单击“OK按钮后该对象即可被保存，并在工作文件窗口中显示图对象的图标。但直接在序列对象窗口中形成的图形未被保存，当序列对象中的观测值发生改变时，或当前工作文件的样本X围发生变化时，图形也将随之改变。如果要保存所建立的图形，使之不随样本与观测值的改变而发生变化，如此可以通过序列对象窗口中的“Freeze键来冻结图形。EViews软件将被冻结的图形以一个图(Graph)对象的形式保存在工作文件中。当选择序列对象窗口中的“Freeze键时，会弹出图对象窗口。其中有几个键值得关注，一个是“AddText功能键，通过它可以将文字显示在图形中，并且可以选择显示的位置。一个是“Line/Shade功能键，通过它可以改变图形的背景颜色，横纵坐标轴的线条类型和颜色等。还有一个是“Remove功能键，可以用来删除图形中的一些附加要素。例如，将在图形中所建立的文字删除，应首先用鼠标单击所需删除的内容，使其被选中，然后单击“Remove键，如此文字即被删除。用同样的方法也可以删除为图形所设置的颜色等。4.1.3 图形的复制如果需要将图形保存到其他文件中，例如放在Word文档中，如此选择图对象窗口中的“Proc|“Copy选项，然后在弹出的对话框中单击“OK按钮。或者将鼠标移动到图形上，右击，在弹出的快捷菜单中选择“Copy命令。再打开需要粘贴的文件，进展粘贴即可。4.2 描述性统计量EViews软件中包含一些根本的描述性统计量，有直方图、均值、方差、协方差、自相关等。本节主要介绍序列和序列组对象窗口下的描述性统计量与其检验。4.2.1 描述性统计量概述序列窗口下的描述性统计量和序列组窗口下的描述性统计量有所不同。在序列窗口下有4种描述性统计量，分别是“Histogram and Stats(直方图和统计量)、“Stats Table(统计表)、“Stats by Classification(分类统计量)和“Boxplots by Classification(箱线图/箱尾图分类)。序列组窗口下有3种描述性统计量，分别是“mon Sample(普通样本)、“Individual Samples(个体样本)和“Boxplots(箱线图/箱尾图)。下面分别进展详细介绍。(1) 序列窗口下的描述性统计量在序列(Series)对象窗口下选择工具栏中的“View|“Descriptive Statistics(描述性统计量)选项，将出现4个选项。第一个选项是“Histogram and Stats(直方图和统计量)，能显示序列对象的直方图和描述性统计量的值。下面以建立好的序列对象“fdi为例来进展说明。如图4-6所示，图的左侧显示的是该序列对象的直方图，为观测值的频率分布。右侧分三个局部，最上面显示的是序列对象的名称、样本的X围和样本数量。中间局部显示的是各统计量的值。其中，“Mean表示均值，即序列对象观测值的平均值；“Median表示中位数，即从小到大排列的序列对象观测值的中间值，是对序列分布中心的一个大致估计；“Maximum和“Minimum表示的是该序列观测值中的最大值和最小值；“表示标准差，用来衡量序列观测值的离散程度。其计算公式为(4-1)式中，为标准差，N为样本观测值个数，xi是样本观测值，为样本均值。图4-6 序列对象“fdi的直方图分布形状和相关统计量的描述“Skewness表示偏度，用来衡量观测值分布偏离均值的状况。其计算公式为(4-2)式中，是变量方差的有偏估计。当S=0时，序列的分布是对称的，如正态分布；当S 0时，序列分布为右偏；当S 0，所以我国的外商直接投资(fdi)的分布是不对称的，为右偏分布形态。“Kurtosis表示峰度，用来衡量序列分布的凸起状况。其计算公式为(4-3)正态分布的K值为3，当K 3时，序列对象的分布凸起程度大于正态分布的凸起程度；当K 3，外商直接投资(fdi)的分布呈尖峰状态。最下方是(Jarque-Bera)统计量与其相应的概率(Probability)。统计量用来检验序列观测值是否服从正态分布，该检验的零假设为样本服从正态分布。在零假设下，统计量服从2(2)分布。根据第1章所介绍的假设检验，P(Probability)值为拒绝原假设所犯第类错误的概率。在本例中P值接近于0，因而可在1%的显著性水平下拒绝零假设，即序列不服从正态分布。第二个选项是“Stats Table(统计表)，它将描述性统计量值通过电子表格的形式显示在对象窗口中。第三个选项是“Stats by Classification(分类统计量)，它将样本分为假如干组后再对各组观测值分别进展描述统计。选择此项后将弹出如图4-7所示的对话框，其中包括三局部内容。在左边“Statistics选项中勾选需要显示的统计量，其中“# of NAs为无观测个数，“Observations为观测值个数。在“Series/Group for classify中输入需分类的序列或序列组对象名称，右侧“Output Layout为输出结果的显示形式。选择好后单击“OK按钮即可。图4-7 “Stats by Classification(分类统计量)对话框第四个选项是“Boxplots by Classification(分类箱线图/箱尾图)，将序列分布按照箱线图/箱尾图进展分类。箱线图(Boxplot)也称为箱尾图，是利用数据统计量来描述数据的一种方法，它可以粗略地看出数据是否具有对称性，分布的分散程度等。图4-8所示为fdi序列的分类箱线图。图4-8 fdi序列对象的分类箱线图(“Boxplots by Classification)(2) 序列组窗口下的描述性统计量在序列组(Group)对象窗口下选择工具栏中的“View| “Descriptive Statistics(描述性统计量)选项，将弹出3个选项。第一个选项是“mon Sample(普通样本)，选择该项将得到含有均值、中位数、最大/小值等统计量的一X电子表格。“mon Sample要求各序列对象的样本X围一样，不能含有NA符(空值)。第二个选项是“Individual Samples(个体样本)，选择该项后弹出的界面也是含有均值、中位数、最大/小值等统计量的一X电子表格。与“mon Sample不同的是，该选项中序列对象所包含的观测值个数可以不同。第三个选项是“Boxplots(箱线图/箱尾图)，其生成的图形与图4-8相似。不同的是横坐标轴为序列名称。其实，序列对象和序列组对象的描述统计量一样，只是在窗口中显示的形式不同。序列组对象窗口中的描述性统计量是各个序列对象统计量的组合。4.2.2 描述性统计量检验 在序列对象窗口“View|“Tests for Descriptive Stats中有两个关于描述性统计量的检验，一个是“Simple Hypothesis Tests(简单假设检验)，另一个是“Equality Tests by Classification(分组齐性检验)。简单假设检验(“Simple Hypothesis Tests)包括序列对象的均值(Mean)检验、方差(Variance)检验和中位数(Median)检验。选择“View| “Tests for Descriptive Stats | “Simple Hypothesis Tests选项后弹出图4-9所示的对话框，在左侧文本框中输入待检验的数值，然后单击“OK按钮即可得到输出结果。对于均值检验，如果标准差，可在右侧“Enter s.d. if文本框中输入标准差的值。图4-9 fdi序列对象的简单假设检验对话框均值(Mean)检验、方差(Variance)检验和中位数(Median)检验的零假设和备择假设均为H0： =m(给定的数值)H1：m根据输出结果中的P值来判定是否承受原假设。例如，如果P值小于0.05，说明在5%的显著性水平下可以拒绝零假设，即均值、方差或者中位数不等于给定值。分组齐性检验(“Equality Tests by Classification)同样包括均值(Mean)检验、方差(Variance)检验和中位数(Median)检验。选择“View|“Tests for Descriptive Stats | “Equality Tests by Classification选项后弹出图4-10所示的对话框，在“Series/Group for classify文本框中输入序列或序列组对象名称，在“Test equality of中选中检验方法，“NA handling表示缺值项的处理方法，“Group into bins if可以限定分类后子项目的数目。然后单击“OK按钮即可。在序列组对象窗口中选择“View| “Tests for Descriptive Stats选项，会弹出如图4-11所示的对话框，其中包括均值(Mean)检验、中位数(Median)检验和方差(Variance)检验，其检验方法与上面介绍的序列对象中的检验方法一样。选中一种检验后单击“OK按钮即可。当选中“mon sample复选框时，要求每个序列对象的当前样本X围内的观测值数目一样(不含NA)，否如此样本观测值数目可以不同。 图4-10 fdi序列对象的分组齐性检验对话框 图4-11 序列组对象检验对话框实验04-01：表4-1中列出了2003年1月到2005年12月中国对法国地区的进出口贸易总额，单位为万美元。请建立新序列对象保存该数据并进展简单假设检验。中国对法国地区的进出口贸易总额日 期进出口贸易总额日 期进出口贸易总额日 期进出口贸易总额86 082112 976148 958152 372221 297276 944244 255357 870430 414353 458504 991633 763463 705645 355786 491566 547786 018960 340679 596948 6041 143 355806 4371 116 0511 328 490943 7561 288 0491 505 9061 053 1421 420 1791 664 454 1 197 4461 582 9561 854 3851 339 1381 758 5302 064 944数据来源：中国海关统计网第一步，创建一个时间X围为2003年1月至2005年12月的工作文件，取名为trade，在该工作文件中建立序列对象，命名为zf，并将数据导入到序列对象中。操作方法参照第2和第3章相关局部。第二步，选择序列对象“zf工具栏中的“View| “Tests for Descriptive Stats | “Simple Hypothesis Tests选项将弹出如图4-12所示的对话框。图4-12 zf序列对象的简单假设检验对话框在“Mean文本框中输入均值“800000， 在“Variance文本框中输入方差“500000， 在“Median文本框中输入中位数“800000，然后单击“OK按钮，将得到序列对象“zf的简单假设检验结果，如图4-13所示。第三步，分析输出结果。根据输出结果中的P值来判定是否承受原假设，简单假设检验的原假设为均值、方差与中位数等于给定值。在图4-13中，均值的P值为0.4314，大于0.05，说明在5%的显著性水平下可以承受零假设，即均值等于给定值；方差的P值为0.0000，小于0.05，说明在5%的显著性水平下可以拒绝零假设，即方差不等于给定值；中位数的P值为1.0000，远远大于0.05，说明在5%的显著性水平下可以承受零假设，即中位数等于给定值。图4-13 zf序列对象的简单假设检验输出结果4.3 相 关 分 析在EViews软件中可以对序列和序列组对象进展相关分析，从而判定序列对象是否存在自相关问题。单击序列或序列组对象窗口工具栏中的“View|“Correlogram(相关图)选项，弹出图4-14所示的对话框。需说明的是，序列组中的“View|“Correlogram选项分析的是第一个序列对象的相关性。如果要得到两个序列对象的交叉相关图，需选择“View|“Cross Correlogram选项。图4-14 相关分析对话框在图4-14 “Correlogram of中选择相关图的序列类型，“Level表示原序列，“1st difference表示一阶差分序列，“2nd difference表示二阶差分序列。在“Lags to include中输入最大滞后期，这个要根据样本容量而定。然后单击“OK按钮，将得到相关图。图4-15所示为fdi序列对象原序列的相关图，最大滞后期为16。其中，“Autocorrelation表示自相关图，“Partial Correlation表示偏自相关图。右侧表中的第一列自然序数是滞后期从1到16(最大滞后期)的值，与自相关图和偏自相关图对应。“AC列是估计的自相关系数值，“PAC列是估计的偏自相关系数值，它们的数值与左侧图相对应。“Q-Stat表示Q统计量数值，“Prob表示的是Q统计量取值大于该样本计算的Q值的概率。该Q统计量的原假设为序列是非自相关的，如果P值大于给定的显著性水平(如1%)，如此承受原假设，即序列非自相关；如果P值小于给定的显著性水平，如此拒绝原假设，即序列存在自相关。图4-15中的P值显示，该序列对象fdi是自相关的。图4-15 fdi相关图在序列组对象窗口中，除了可以得到相关图外还可以得到相关矩阵。选择序列组对象窗口工具栏中的“View|“Correlation|“mon Sample/“Pairwise Samples后，得到图4-16所示的相关矩阵表。表中的数值代表两个变量的相关性，数值可正可负。当数值大于0.9时，两个变量高度相关。实验04-02：建立一个19942005年的工作文件，频率为“Annual，然后建立两个序列对象，将表4-2中的数据输入到序列对象中。分析表4-2中GDP(国内生产总值)与CPI(居民消费价格指数)序列对象的相关关系。表4-2 我国19942005年CPI和GDP数据年 份居民消费价格指数(CPI)国内生产总值(GDP)(亿元)19941995199619971998(续表)年 份居民消费价格指数(CPI)国内生产总值(GDP)(亿元)1999200020012002200320042005数据来源于中国国家统计局第一步，建立序列对象GDP和CPI，并将表4-2中的数据导入序列对象中。第二步，建立含有序列对象GDP和CPI的群对象，命名为gx。第三步，选择群对象窗口工具栏中的“View|“Correlations(相关分析)|“mon Sample选项，会得到GDP与CPI间的相关关系数据。如图4-16所示，GDP(国内生产总值)与CPI(居民消费价格指数)间存在负相关关系，相关程度为0.555 391。图4-16 GDP与CPI相关关系4.4 单位根检验单位根检验(Unit Root Test)主要用来判定时间序列的平稳性。如果一个时间序列的均值或者协方差函数随时间变化而改变，那么这个序列就是不平稳的时间序列。如果该时间序列经过一阶差分后变为平稳序列，如此称该序列为一阶单整序列，记作I(1)；如果是经过d次差分后才平稳，如此称为d阶单整序列，记作I(d)。要对时间序列进展单位根检验，首先应打开序列对象窗口，选择工具栏中的“View|“Unit Root Test选项，会弹出如图4-17所示的对话框。该对话框包括4个区域。在“Test type列表中选择一种检验方法。Eviews 5.1为用户提供了6种单位根检验的方法，有“Augmented DickeyFuller(ADF)检验法、“DickeyFuller GLS (ERS)(DF)检验法、“PhillipsPerron(PP)检验法、“KwiatkowskiPhillipsSchmidtShin(KPSS)检验法、“ElliottRothenbergStock PointOptimal(ERS)检验法和“NgPerron(NP)检验法。在“Test for unit root in中选择序列形式，“Level表示对原序列进展单位根检验，“1st difference表示对一阶差分序列进展单位根检验，“2nd difference表示对二阶差分序列进展单位根检验。图4-17 单位根检验对话框“Lag length表示消除序列相关所需的滞后阶数，在该区域有两个单项选择按钮。在“Automatic selection(自动选择)中有两个文本框，第一个文本框的下拉列表中有6个准如此，常用的是“AIC和“SC最小准如此，系统在默认状态下显示的是SC准如此；在第二个文本框中输入最大滞后阶数，一般系统会根据样本容量而自动给出一个数值。如果选中“User specific，如此用户可输入具体的数值，系统会给出检验结果。“Include in test equation表示检验式中是否包含“Intercept(截距项)、“Trend and intercept(趋势项和截距项)和“None(不包含趋势项和截距项)。可根据图形来确定是否包含趋势项和截距项。实验04-03：根据实验04-02中建立的序列对象CPI和GDP进展单位根检验。下面介绍详细的操作过程。第一步，打开序列CPI对象窗口，选择工具栏中的“View|“Graph|“Line选项，会得到CPI的趋势图，如图4-18所示。如果曲线是从原点出发如此在单位根检验式中不含有截距项，否如此就包含截距项。如果曲线有明显上升或下降的趋势，那么在单位根检验式中就包含趋势项。所以CPI的单位根检验中应包含截距项，不包含趋势项。图4-18 CPI趋势图第二步，选择工具栏中的“View|“Unit Root Test选项，在图4-19所示的对话框中进展选择。在“Test type中选择“ADF检验法(“Augmented DickeyFuller)，在“Test for unit root in中选择原序列形式(“Level)，在“Include in test equation中选择“Trend and intercept(截距项)，在“Automatic selection中选择“Akaike Info Criterion(AIC)准如此。然后单击“OK按钮，就会得到图4-20所示的结果。图4-19 序列CPI的单位根检验对话框图4-20 序列CPI的单位根检验输出结果第三步，根据输出内容进展单位根检验的结果分析。由图4-20显示的内容可知，系统自动选择的滞后期是0，根据P值可承受原假设，即序列CPI有一个单位根。图下方列出的是单位根检验的方程，最下面是方程的拟合优度(Rsquared)、标准差(S.E.of regression)与F统计量(FStatistic)等数值。这些内容将在下一章中进展详解。需注意的是，在图4-20中有“Warning(警告)的提示，要求样本在20个以上，样本太小得到的结果未必准确。4.5 Granger因果检验Granger因果检验用来分析两个序列间的因果关系是否存在。主要是看当期的变量Y能在多大程度上被以前的变量X所解释，以与参加变量X的滞后期后，是否会提高对变量Y的解释程度。如果X对预测Y有帮助，或者X与Y的相关系数在统计上显著，那么变量Y就是由变量X“Granger引起的。Granger因果关系检验就是检验一个变量的滞后变量是否可以放入其他变量的方程中。如果该变量受到其他变量滞后期的影响，如此称两个变量间存在Granger因果关系。Granger因果检验要在序列组(Group)对象窗口中完成，我们以表4-2里的数据为例。首先建立一个含有序列GDP和序列CPI的序列组，打开序列组对象窗口，选择工具栏中的“View|“Granger Causality选项，在弹出的对话框中输入滞后期，如图4-21所示，然后单击“OK按钮，就会得到图4-16所示的分析结果。一般情况下，Granger因果检验的滞后期要根据AIC和SC准如此来确定，关于滞后期确定的问题会在后面的章节中进展详述。图4-21 Granger因果检验对话框Granger因果检验的原假设是变量X不是变量Y的Granger因，同样Y也不是X的Granger因。在图4-22中，最上面给出了操作日期、样本X围和滞后期。“Null Hypothesis列是原假设，“CPI does not Granger Cause GDP为CPI，不是GDP的Granger因，同样，“GDP does not Granger Cause CPI为GDP不是CPI的Granger因。“Obs列是样本数，“F-Statistic列是检验的F统计量，“Probability为F检验的概率值。图4-22 Granger因果关系检验结果从图4-22所示的数据可以看出，在1%的显著性水平下，CPI是GDP的Granger因(P值为0.002 040.01，承受原假设)。这里需要说明的是，EViews软件会根据样本容量来限定输入滞后期的最大值，当输入的数值过大时，软件会自动给出提示。4.6 本 章 小 结本章主要介绍了序列和序列组对象中图形的生成方法和一些根本的描述性统计量与相关分析。通过本章学习，可以掌握图形对象的生成、冻结和复制等根本操作方法。熟悉EViews软件中的一些描述性统计量与其检验，检验方法主要包括均值检验、中位数检验和方差检验。相关分析是用来判断序列对象是否存在自相关问题，有关自相关问题将会在第5章中进展详细讲述。本章还着重讲解了序列对象的单位根检验和序列组(群)对象的Granger因果检验方法，这两种检验方法常用于时间序列对象检验中，因而在后面模型建立的相关章节中将继续被提与。4.7 习 题1. 填空题(1) 序列对象窗口下可以生成6种视图，它们是_、面积图(Area)、_、_、季节性堆叠图(Seasonal Stacked Line)和季节性分割线(Seasonal Split Line)。(2) EViews5.1软件提供的描述性统计量有_、均值、_、_。(3) 序列对象窗口中所包含的描述性统计量的检验主要有均值(Mean)检验、_、_。(4) 相关分析主要用来判定该序列对象的_问题。(5) 如果在相关矩阵表中得到的数值是负数，说明两个序列对象是_关系。2. 选择题(1) 在描述性统计量中“Skewness表示偏度，用来衡量观测值分布偏离均值的状况，当偏度的数值_时，序列分布右偏。A. 小于0 B. 大于0C. 等于0 D. 小于3(2) 在描述性统计量中“Kurtosis表示峰度，用来衡量序列分布的凸起状况，当峰度的数值_时，序列分布呈尖峰状态。A. 大于3 B. 小于3C. 等于3 D. 小于0(3) 在单位根检验中，如果该时间序列经过一阶差分后变为平稳序列，如此称该序列为_序列，记作_。A. 一阶单整，I(1) B. 一阶单整，I(0)C. 二阶单整，I(0) D. 二阶单整，I(1)(4) 常用来确定单位根检验滞后阶数的准如此是_。A. AIC准如此B. SC准如此C. AIC和SC最小准如此D. MS准如此(5) Granger因果检验的原假设是_。A. 变量X不是变量Y的Granger因。 B. 变量Y不是变量X的Granger因。C. 变量X不是变量Y的Granger因，同样变量Y也不是变量X的Granger因。D. 变量X是变量Y的Granger因，但是变量Y不是变量X的Granger因。3. 上机操作题(1) 根据附表中的数据建立序列对象CK(出口)和NY(能源消耗总量)并输入数据，然后对两个序列对象进展视图分析，在序列对象窗口中生成图形并冻结。附表 我国19912007年对外出口额和能源消耗总量年 份出口(亿美元)能源消费总量(万吨标准煤)1991103 7831992109 1701993115 9931994122 7371995131 1761996138 9481997137 7981998132 2141999133 83120002492138 55320012661143 19920023256151 7972003174 9902004203 2272005224 6822006246 2702007265 583(2) 绘制序列对象CK和NY的直方图，并分析相关统计量。(3) 对序列对象CK进展简单假设检验。(4) 对序列对象CK和NY分别进展单位根检验，并分析检验结果。(5) 检验序列CK与NY的Granger因果关系。