温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。
作者：刘然（浙江大学）
邮箱：liuran_econ@163.com
编者按：本文参考了如下资料，特此致谢！
- Inoue, A., Rossi, B., Wang, Y., & Zhou, L. (2025). Parameter path estimation in unstable environments: The tvpreg command. The Stata Journal, 25(2), 374–406. Link, Google, Slides.
- Title: Stata新命令tvpreg：时变参数回归分析
- Keywords: 时间变参数模型, TVP模型, 参数路径估计, Parameter path, Inoue
提要：本文介绍了 Stata 中用于时间变参数回归的命令
tvpreg，重点讨论了参数路径估计的理论背景、模型设定以及命令的使用方法。通过该命令，研究者可以在允许参数随时间平滑变化的情况下，估计回归模型中每一时期的参数值，从而得到完整的参数路径。
1. 简介
宏观经济和金融时间序列中，一个非常重要但经常被忽略的问题是：我们是否真的可以假定一个经济关系在整个样本期间保持不变？
在传统计量经济学模型中，研究者通常假设模型参数在整个样本期间保持稳定。例如，经典线性回归模型：
yt=α+βxt+ϵtyt=α+βxt+ϵt
隐含假设解释变量 xtxt 对结果变量 ytyt 的边际影响 ββ 不随时间变化。但现实中，货币政策传导机制、财政政策乘数、通胀与失业之间的关系等，都可能随着经济制度、政策环境和市场结构的变化而变化。
针对这一问题，Inoue, Rossi, and Wang (2025) 提出了参数路径估计方法（parameter path estimation），并开发了 Stata 命令tvpreg，用于估计回归模型中随时间变化的参数路径。
该方法的核心思想是放松传统回归模型中参数稳定性的假设，将固定参数 ββ 扩展为时间变化参数 βtβt，即允许解释变量对被解释变量的影响随着时间推移而变化，参数本身沿时间形成一条parameter path。
传统文献对参数不稳定性的处理，大致有两条路线。
- 第一类方法假定参数存在有限次、离散的结构变化，例如 Andrews (1993)、Andrews and Ploberger (1994) 以及 Bai and Perron (1998) 的 structural break 方法。
- 第二类方法则允许参数随时间平滑变化，例如 Primiceri (2005)、Elliott and Müller (2006) 以及 Müller and Petalas (2010)。
tvpreg关注的正是第二类情形：如何在允许参数平滑变化的情况下，估计完整的参数路径。
关键 Stata 命令：
- 核心命令：
tvpreg - 后估计命令：
predict,tvpplot
本文将详细介绍时间变参数回归的参数路径估计的计量经济学框架及Stata命令tvpreg和两个后估计命令predict,tvpplot的应用实践。
2. 理论背景
2.1 时间变参数模型
传统时间序列模型通常假设参数在整个样本期内保持不变：
yt=Bxxt+Bz1z1,t+et=BXt+etyt=Bxxt+Bz1z1,t+et=BXt+et
其中，参数矩阵B=(Bx,Bz1)B=(Bx,Bz1)为固定的参数矩阵。（为简化符号，本文将截距项作为 (z_{1,t}) 的一个元素处理，这种写法不影响模型的一般性。）
在经济环境不断变化的情况下，这一假设可能过于严格。参数路径估计则允许参数随时间变化：
yt=Bx,txt+Bz1,tz1,t+et=BtXt+etyt=Bx,txt+Bz1,tz1,t+et=BtXt+et
其中，BtBt 表示随时间变化的参数矩阵。同时，误差项的协方差矩阵也可以随时间变化：
Σe→Σe,tΣe→Σe,t
因此，研究对象不再是单一的固定参数 (B)，而是整个参数路径（换句话说，传统模型需要估计一个参数，而参数路径估计需要估计的是每一个时期对应的参数值，从而得到一条随时间变化的参数曲线）：
（θt）t=1T=（θ+δt）t=1T（θt）t=1T=（θ+δt）t=1T
其中θtθt包含模型中随时间变化的参数。作者假定参数路径是外生的，其变化幅度为 T−1/2T−1/2 的数量级。这一设定允许模型包含多种形式的参数不稳定性，例如整个样本期或部分样本期内类似随机游走的变化，以及存在有限次结构变化的分段常数路径等。同时，该框架允许斜率参数和方差参数发生局部时间变化。
2.2 参数路径如何估计？
传统回归模型假设参数在整个样本期内保持不变，因此估计目标是一个固定的参数向量 θθ。而在参数不稳定的环境下，研究者关注的是参数如何随时间变化，即参数路径 {θt}t=1T{θt}t=1T。
那么，如何从数据中估计这样一条随时间变化的参数路径？Müller and Petalas (2010) 的基本思路是，首先考虑不同程度的参数时间变化。设
C={c0,c1,…,cnG}C={c0,c1,…,cnG}
其中 c0=0c0=0。不同的 cici 对应不同程度的参数变化：当 ci=0ci=0 时，模型退化为参数稳定的情形；随着 cici 增大，模型允许参数存在更明显的时间变化。
对于每一个 cici，都可以得到一条相应的候选参数路径：
{θ^i,t}t=1T{θ^i,t}t=1T
因此，估计过程并不是直接确定一条唯一的参数路径，而是先构造出一组具有不同时间变化程度的候选参数路径。
接下来，tvpreg根据加权平均风险（weighted average risk, WAR）准则，为这些候选路径分配权重。记第 ii 条路径的权重为 wiwi，则最终的参数路径可以直观地表示为：
θ^t=∑i=0nGwiθ^i,t.θ^t=i=0∑nGwiθ^i,t.
也就是说，tvpreg并不是简单地在“参数稳定”和“参数变化”之间二选一，而是根据数据对不同程度的参数变化进行综合，最终得到一条随时间变化的参数路径。
因此，整个估计过程可以概括为：
设定不同程度的参数变化 → 得到多条候选参数路径 → 根据 WAR 确定各路径的权重 → 加权得到最终的参数路径。
最终得到的不是一个固定的回归系数，而是：
θ^1,θ^2,…,θ^T,θ^1,θ^2,…,θ^T,
即每一个时期对应一组参数估计值。研究者据此可以进一步考察参数是否以及如何随时间发生变化，并利用相应的估计结果进行统计推断。
温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。