VAR モデルの定常性要件と検定論理
ベクトル自己回帰（VAR）モデルは、現代計量経済学において複数の時系列変数間の動的関係を分析する上で不可欠なツールです。このモデルの根幹をなす前提条件の一つが「定常性」です。定常とは、時系列の統計的性質（平均値、分散、自己相関など）が時間とともに変化しないことを指します。VAR モデルが有効に機能し、信頼性の高い推論を導き出すためには、変数が定常過程に従っていることが必須条件となります。本稿では、VAR モデルにおける定常性の理論的基礎、その要件、そして検定を行う論理構造について体系的に解説します。
定常性の理論的基礎と重要性
VAR モデルは、従属変数をすべての説明変数のラグ値に対して回帰させる形で構築されます。ここで重視される核心概念が「定常性」です。一般的に、VAR モデルでは変数が「0 階の積分過程（I(0)）」であることが求められます。変数が定常であることは、単に数値的安定さを意味するだけでなく、モデルの数学的安定性を保証する鍵となります。
非定常な時系列を用いた回帰分析は、統計的に有意な結果を導き出しながらも、実際には存在しない関係性を示唆する「偽回帰（Spurious Regression）」を引き起こすリスクを内包しています。これは、トレンド成分がモデルに混在しているため、一時的な変動が長期的な因果関係と誤って解釈されてしまう現象です。したがって、変数の定常性を確認することは、経済計量分析の妥当性を担保する第一歩です。
定常性の判定基準：固有値と誤差項
VAR モデルにおける定常性の判定は、主に二つの視点から行われます。一つは個々の変数の性質、もう一つはモデル全体の安定性です。
まず、モデルの安定性については、コンパニオン行列の固有値（Eigenvalues）を考察します。すべての固有値が単位円（絶対値が 1 の円）の内部に収まっていれば、モデルは安定であり、定常であると判断されます。逆に、単位円の外側に固有値が存在する場合、モデルは不安定となり、変数間の関係は因果的ではない、あるいは予測可能性が失われる可能性があります。
また、モデルの定常性は誤差項の性質にも強く依存します。誤差項が定常であれば、変数間の関係は因果的であると解釈できます。しかし、誤差項が非定常（単位根を持つ）であれば、モデルには持続的なトレンドや構造的な断絶が含まれており、推論が誤解を招く恐れがあります。
定常性検定のロジックと手法
定常性を検証するための実務的なアプローチとして、主に単位根検定と定常性検定という二つの対照的な手法が用いられます。
単位根検定（ADF 検定など）:
各変数について、単位根（非定常性）が存在するかどうかを検証します。Augmented Dickey-Fuller（ADF）検定が代表的な手法です。この検定は、原仮説として「単位根が存在する（非定常）」と仮定し、これを棄却することで「定常である」と結論付けます。定常性検定（KPSS 検定など）:
逆に、原仮説として「定常である」と仮定し、トレンド定常性や差分定常性の否定を検証します。Phillips-Perron（PP）検定や KPSS 検定などが該当します。
これらの検定結果を解釈する際、注意すべき点は、単一変数の結果がモデル全体の定常性を決定するわけではないということです。多変量設定においては、変数間の相互依存関係（コイントレションや共積分関係）を考慮した検定、例えば Johansen 検定を用いることが重要です。これにより、システム全体としての定常性を包括的に評価できます。
実務への示唆とモデル指定
定常性の要件は、実務的なモデル指定において決定的な役割を果たします。定常性を満たさない変数を用いた VAR モデルの推計は、推定量のバイアスや予測誤差の蓄積を招く可能性があります。
リスクを回避するためには、差分操作やトレンド除去、あるいはコイントレションを用いたモデル構築などが行われます。差分操作はトレンドを除去して定常性を達成する一般的な手法ですが、過度な差分化は重要な情報損失やノイズの導入を招くため、差分の階層数を慎重に調整する必要があります。
さらに、構造的な断絶や異常値の存在も検定結果を歪める要因となります。これらの要因を考慮しないまま定常性を判断すると、モデルの妥当性が損なわれるため、ロバストネスチェックや代替モデルの検討が不可欠です。
結論
VAR モデルにおける定常性の要件と検定論理は、計量経済分析の精度と信頼性を決定づける基盤です。単位根検定や固有値分析といった理論的枠組みに基づき、変数間の相互依存関係や構造的な変化を考慮した厳密な検証を行うことが重要です。経済データの複雑化が進む現在、VAR モデルの適用においては、定常性の理解を深め、適切な診断手法を選択することが、科学的な推論を導く上で不可欠です。