引言    1

（一）研究背景及意义    1

（二）研究目标    2

一、 国内外的研究现状    3

（一）国外关于采购经理人指数与股价指数的研究现状    3

（二）国内关于采购经理人指数与股价指数的研究现状    4

二、 数据来源、样本选择    5

（一）数据样本选择及数据来源    5

1. 数据样本选择    5

2. 数据来源    5

（二） 数据处理及处理后数据经济意释    5

三、上证综合指数与制造业采购经理人指数（制造业PMI）关系的实证分析    6

（一）时间序列的平稳检验    6

（二） 协整检验    8

（三）格兰杰因果检验    9

（四）误差修正模型    10

（五） 模型检验    11

1.自相关检验    11

2. 异方差检验    12

四、 结论    13

参考文献    14

上证综合指数与制造业采购经理人指数关系的实证分析

引言

（一）研究背景及意义

近年来我国股指指数变化不规律，从2008年经济危机以来美国的等一些国家已经股市走出了低迷（道琼斯指数从2009年最低的6770点回升到2013年5月3日的收盘价14974点），而中国股市仍在低迷中（上证指数从2008年最低16点到2013年5月3日的收盘价2205点)；由此可见中国股市与世界股市尤其发达国家股市价格走势背离。为解决这一疑问，无数学者都在试图寻找出中国股市持续陷入困境的原因，一些学者从中国证券市场和制度完善角度及中国经济的传导机制有效性寻找原因，而一些学者认为股票市场中未来预期对股票价格有很大影响故从消费者及投资人等对未来经济的预期进行研究。无论从那种角度或者应用定性或者定量分析都是希望能够解释影响过去中国股指价格走势的原因，同时能够很好的预测中国未来一定时期的股票价格走势，从而发挥股市的“晴雨表”作用。

2008年经济危机以后几年中国经济保持着稳步的经济增长趋势，GDP增长速度在9个百分点左右。股市常被人们称为国民经济的“晴雨表”，是与实体经济相对应的虚拟经济，对宏观经济环境和政治形势的变化非常敏感，它经常能够对国民经济的变化趋势提前做出反应。中国经济已经复苏但中国股市仍在低迷中，股市的“晴雨表”功能丧失。笔者倾斜于认为对未来的预期在股市波动中有很重要的影响作用，当上市公司实际的发展（发展环境、发展前景、公司业绩等）与其原有对该公司的预期有差异时会引起其对该公司股票需求改变从而导致该公司股票价格波动，很多公司股票价格波动最终反映为股指指数的波动。

中国是目前是全球制造业大国，GDP中第二产业占近一半。制造业采购经理人指数是一个全面的先行经济指标，是衡量中国制造业的“体检表”。企业应用PMI可及时判断行业供应及整体走势，从而更好的进行决策，同时投资者也可通过其预测未来经济走势。

股市是国民经济的“晴雨表”，同时制造业PMI也是经济的先行指标之一。一般理论界认为若PMI下降说明企业对未来经济预期不乐观，减少投入从而使企业的生产减少，以至于企业盈利减少业绩下滑，作为价值投资者会减少对企业股票的需求，致使股指下跌。但两者相对与国民经济（如GDP）都先行性，二者谁更先行，为揭开这一疑团。笔者通过研究制造业PMI与上证综合指数的关系分析，以解答这一疑问，同时分析二者影响程度。这是本文的研究价值所在。

（二）研究目标

本文将制造业采购经理人指数和上证综合指数为代表变量分析，旨在借鉴较成熟的计量经济学研究方法实证分析制造业采购经理人指数与上证综指的关系及二者的影响大小，为预测经济发展趋势提供一个相对有效的依据。因此，研究目的是：制造业采购经理人指数与上证综合指数关系的实证研究。采用时间序列模型分析方法分析我国制造业PMI与上证综指的关系，建立误差修正模型并进行实证分析。

一、 国内外的研究现状

（一）国外关于采购经理人指数与股价指数的研究现状

 Hoagland and Taylor (1987)研究发现新订单指数减去库存指数可以得到预测指数，比GNP的变化提前三个月。如果预测指数为负，则经济可能要衰退，而预测指数为正，则经济可能要增长。Ralph G. Kauffman(1999)研究发现PMI变化比GNP晚两个月，PMI的产量和新订单分项指标的变化与GNP是同步的，他还研究了PMI及其分项指标与GNP之间的相关系数。

Ralph G.Kauffman (1996)通过分析PMI体系调查报告，发现采购经理人可以根据PMI变化制定采购策略：根据制造业PMI指数调查报告及其它商业信息预测宏观经济走势，分析宏观经济变化是否会对行业、企业及供应商产生影响，并判断影响程度及差别，最后根据企业受到的潜在影响与企业的优势制定使企业利润最大化的采购略。

Levine和Zervo (1998)选取股市交易规模、股市波动率、经济一体化水平等数据综合衡量47个样本国家的股市发展水平，并将衡量结果与对应国家的国内生产总值进行回归分析，回归结果显示两者存在高度的正相关性，股市能提前反映经济变动的情况。

Mahmood (2007)利用1993-2002年的月度数据，研究了亚洲 6个国家和地区的股价指数与宏观经济变量之间的动态关系。研究结果表明：日本、韩国、中国和澳大利亚4个国家或地区的宏观经济与股票市场之间存在长期均衡关系；而短期来看，日本、韩国、马来西亚和澳大利亚4国的宏观经济与股票市场之间存在稳定的关联性，中国的股票市场仅与汇率之间存在短期均衡关系，而泰国股票市场与工业产出之间存在短期均衡关系。

（二）国内关于采购经理人指数与股价指数的研究现状

冉茂盛、张卫国(2002)将股市规模与经济增长进行了回归分析，结果显示两这个关系并不十分明显，这可能是由于我国股市发展时间较短所致。

 魏永芬、王志强(2002)运用协整、格兰杰因果检验、误差修正模型来验证股票价格水平与我国消费、投资水平之间的关系。实证分析表明，上证指数与固定资产投资总额既不具备长期稳定的关系也不具备短期因果关系，这主要是由于我国现在仍然是间接融资为主的市场经济环境，股市对实体经济的带动作用有限。

晏艳阳、李治、许均平(2004)运用协整和格兰杰因果检验测试股票价格与宏观经济形势之间的关系。结论显示。股指与部分宏观经济变量之间存在协整关系，但由于与GDP等主要数据相关性不足，我国股市尚不能充当“晴雨表”的角色。

蔡进和于颖(2011)通过对2005年第1季度到2010年第3季度的中国GDP季度增长速度与制造业PMI数据进行分析，发现PMI与GDP增速的相关系数在  0.85以上，并且52.9%的PMI值对应着10%左右的GDP增长。

综上所述，国内外学者对PMI和股价指数的研究角度都不尽相同，但都希望利用二者的先行性，以预测实体经济。没有学者研究二者关系，国内的学者研究认为中国股市的“晴雨表”不能发挥，而PMI作为经济的先行指标，笔者退而求其次研究股指与PMI关系。

二、 数据来源、样本选择

（一）数据样本选择及数据来源

1. 数据样本选择

经过初创阶段，中国股票市场逐渐走上正轨。为了更好反映出制造业采购经理人指数与上证综合指数长短期关系以及结合本文的研究背景反映更好的现实研究价值，笔者选取了2008年1月一2013年3月上海综合指数(以下简称上证综指) 的月收盘指数资料记为SZ，及同期的中国制造业采购经理人指数记为P。两个时间序列的观测值总数一共为2*63个（样本原始数据详见附表1）。

2. 数据来源

本研究中所涉及的数据可得性较好，上证综指的时间序列数据来源于同花顺股票软件数据库，中国制造业采购经理人指数时间序列来源于东方财富网站数据库——网址www.eastmoney.com。

（二） 数据处理及处理后数据经济意释

为消除异方差干扰使上证综指和PMI具有可比较性及降低数量级，对上证综指取对数，处理后的数据记为Ls，同时对取对数后序列Ls做一阶差分的序列记为Dls；把制造业PMI时间序列做一阶差分后的序列记为Dp。

对上证综指取对数后并做一阶差分后序列Dls表示上证综指的变动率，对PMI做一阶差分序列Dp表示PMI的变动；由于PMI本身是一个百分比指标，因此处理后的数据都为相对数在经济学上有可比较性，故下文笔者应用Eviews6.0对处理后的数据进行实证研究。

三、上证综合指数与制造业采购经理人指数（制造业PMI）关系的实证分析

（一）时间序列的平稳检验

   所谓时间序列的平稳性，是指时间序列的统计规律不会随着时间的推移而发生变化。也就是说，生成变量时间序列的数据的随机过程的特征不随时间变化而变化。

在经济领域中，我们所得到的许多时间序列观测值大多不是由平稳过程产生的，经济变量大多数都有强烈的趋势特征，比如说M2, GDP等，这些经济变量受到震荡和冲击后一会回到原有趋势的轨迹或者呈现出随机游走的状态，即呈现非平稳状态。非平稳时间序列在各个时间点上的随机规律是不同的，难以通过序列已知的信息去掌握时间序列整体上的随机性。如果我们研究的经济变量是非平稳的，则在出现突发性震荡(比如自然灾害导致开支骤然加大，金融危机的强烈冲击导致经济总量失衡等)时所造成的影响一般会持续较长的周期，或者是永久性的。如果直接使用非平稳的时间序列进行计量分析，在做统计推断时，参数统计量的分布不再是原来的标准分布，并且所做的回归也是一种毫无意义的伪回归，这种回归关系不能够真实的反映因变量和解释变量之间存在的均衡关系。平稳性在计量经济建模中由于有重要的地位，因此有必要对观测值的时间序列数据进行平稳性检验。

在本文的时间序列平稳性检验方法上，笔者选择ADF检验方法。ADF的基本模型如下：

                                   （3-1）

                              （3-2）

                          （3-3）

式（3-1）、（3-2）、（3-3）中，Yt是待检验的时间序列，α0是常数项，n为滞后值，t为时间趋势，εt为随机误差项。式（3-1）是不包含常数项和趋势项的检验模型；式（3-2）包含了常数项；式（3-3）既包含了常数项又包含了趋势项。检验时需要估计出上述三个模型的适当形式，然后通过ADF临界值表检验零假设H0：δ= 0，备择假设H1：δ< 0。只要其中有一个模型的检验结果拒绝了零假设，就可以认为时间序列是平稳的；当三个模型的检验结果都不能拒绝零假设时，则认为时间序列是非平稳的。

笔者运用ADF法检验平稳性结果如表3-1所示：

表3-1各序列在含有不含有时间趋势及截距项下的平稳性检验

（二） 协整检验

有些时间序列虽然本身是非平稳的，但其某种线性组合却是平稳的，这个线性组合反映了变量之间长期稳定的均衡关系，称为协整。判断两个变量是否协整，Engle和Granger于1987年提出了两步检验法，称为EG检验。检验过程：若序列和都是d阶单整的，用一个变量对另一个变量回归即：

                                     （3-4）

用和表示回归系数的估计值，则模型的残差为：

                                   （3-5）

若~I（0）,则和有协整关系，即和有长期稳定的均衡关系，（3-4）为协整方程。

经过上边的单位根检验，得出P和LS序列都是一阶单整序列，满足协整检验前提，然后用变量Y和X进行普通最小二乘估计，估计方程为：

P=-51.0759+13.07757*LS                                    (3-6)

t=(-4.20331)   (8.463286)    =0.5400，DW=0.948707

把其残差序列用u表示，同时对其进行单位根检验，检验结果如图3-1所示。

图3-1 残差单位根检验结果

从图3-1我们看出ADF值都小于各个水平下的临界值，因此拒绝原假设，说明残差序列u不存在单位根，是平稳的，即u~I(0),有上述我们得知P和LS序列存在协整关系,有长期均衡关系。

（三）格兰杰因果检验

当经济中变量之间存在长期均衡关系的时候，我们更想去求证它们之间是否存在着因果上的联系，此时我们就需要用格兰杰因果关系检验这一工具来完成分析。格兰杰因果关系检验法的基本思想是：如果X的变化引起Y的变化，则X的变化应当发生在Y的变化之前，X应有助于预测Y，即在Y关于Y的过去值的回归中，添加X的过去值作为变量应当显著地增加回归的解释能力。此时，称X为Y的格兰杰原因，如果添加X的滞后变量后，没有显著增加回归模型的解释能力，则称X不是Y的格兰杰原因。

进行格兰杰因果关系检验的一个前提条件是时间序列必须具有平稳性，否则可能会出现虚假回归问题。由于前文得出DP和DLS是平稳序列，因此笔者选取P和LS的一阶差分来做格兰杰因果关系检验。格兰杰因果关系检验对于滞后期长度的选择有时很敏感，所以选择滞后长度为1~3逐个进行因果检验，最终检验结果如表3-2所示。

表3-2 格兰杰因果检验结果

（四）误差修正模型

由上所述，上证综指（lS）和制造业采购经理人指数（p）序列存在协整关系，故笔者建立误差修正模型（ECM）。误差修正项ecm就是前文协整方程得到的残差序列u。建立方程 如图4-2所示。

图3-2 误差修正模型输出结果

但是常数项伴随概率为0.8877远大于临界值0.05即常数项不显著，因此取消常数项从新建立方程，得到图3-3所示结果。

图3-3 修改后的误差修正模型输出结果

（五） 模型检验

另外还要对模型进行检验是否存在自相关和异方差，观察模型估计效果。

1.自相关检验

本文应用Q统计量法进行残差序列的自相关性检验。检验结果如图3-4所示。

图3-4 自相关检验结果

由上述图3-4结果可以看出Q统计量的相伴概率都大于0.05，可以接受没有自相关的原假设，确定序列不存在自相关。

2. 异方差检验

本文数据是大样本数据，故本文运用White检验法检验异方差，检验结果如图3-5所示。

图3-5 White 检验结果

由White检验结果可见，n的相伴概率为0.24>0.05，由此认为在0.05的显著水平上不存在异方差。

由上述的模型检验可知不存在自相关和异方差，故最终的误差修正模型形式为：

                   （3-7）

（-4.4213）          （2.5666）    =0.2677，DW=1.5118

根据协整方程式（3-6）可知误差修正项为：

ecm=P+51.0713.0776*LS                                  （3-8）

误差修正模型的结果表明，我国制造业采购经理人指数的变化不仅取决于上证综指的变化率，而且还取决于上一期制造业采购经理人指数对均衡水平的偏离（用残差ecm表示），误差项ecm的估计的系数是-0.4652体现了对偏离的修正，上一期如果是负偏离，则本期就是正向的修正。上一期如果偏离越远，本期修正的量就越大,即系统存在误差修正机制，体现了二者的动态调整过程。

四、 结论

本文为分析上证综指和制造业采购经理人指数关系，运用计量经济学时间序列的研究方法。首先为防止“伪回归”发生。对时间序列的平稳性检验，观察出二者为非平稳序列但都是一阶单整序列。二者虽都为非平稳时间序列但可能存在长期均衡关系，故其次进行了协整性检验，结果显示其残差是零阶平稳的，时间序列之间有协整关系即：存在长期均衡关系，可以建立长期均衡模型。当经济中变量之间存在长期均衡关系的时候，我们更想去求证它们之间是否存在着因果上的联系，故笔者运用格兰杰因果检验进行分析发现上证综合指数变化是制造业采购经理人指数变化的原因。由此建立上证综指与制造业PMI的长期均衡模型，本文笔者应用误差修正模型建立模型，观察各个参数显著性并进行调整。最后对得到的误差修正模型进行检验观察是否存在异方差和自相关性，检验结果显示模型显著通过检验，不存在自相关和异方差。模型的可决性系数为=0.2677，上证综合指数的百分比变化率对采购经理人指数变化的可解释程度较好。

由实证的分析过程可知，股市作为经济的“晴雨表”，股指相对于采购经理人指数更有先行性。上证综合指数的百分比变化率影响制造业采购经理人指数变化，当上证综指变动百分之一时引起制造业采购经理人指数变化百分之七左右，同时也受上一期制造业采购经理人指数对均衡水平的偏离程度的影响；若PMI上一期偏离均衡程度较大则上证综指的百分比变化率影响PMI指数变化将小于笔者所预期的七个百分点。

参考文献

[1]王雅深，陈琼，汝宜红.论采购经理指数对经济运行的指示功能[J].统计与决策,2008.

[2]尤建新.中国采购经理指数(CFLP-PMI)的研究与应用[J].中国科技论坛,2008(06).

[3]陈直.从制造业指数走势看工业经济的发展方向[J].冶金管理,2009(08).

[4]于颖.中国PMI数据的实际应用—PMI的领先性分析[J].社科纵横, 2009(12).

[5]赵薇.PMI的现状及国内外对比[J].西南财经大学学刊,2009.

[6]董彩丽.股价指数与宏观经济变量关系的实证研究[J].东北财经大学学刊,2010.

[7]方力.PMI指数是否是可靠的经济景气指标[J].清华大学学刊,2012.

[8]韩佳佳，孙翔，程志刚.基于ECM模型的上证综指与CPI关系实证研究[J],经济研究导刊.2012(09).

[9]幽青春.金融计量学实验[M].东北财经大学出版社,2008.

[10] 张晓峒.EViews 使用指南与案例[M].机械工业出版社, 2008.

[11]Anthony  Joseph,  Maurice  Larrain,  Claude Turner(2011).Forecasting  PurchasingManagers' Index with Compressed Interest Rates and Past Values. Procedia Computer Science,6, 213-218.

[12]Evan F. Koenig(2002).Using the Purchasing Managers' Index to Assess the Economy'sStrength And the Likely Direction of Monetary Policy. Economic&Financial Policy Review,6, 1-14.

[13]Harris, Ethan S(1991).Tracking the Economy with the Purchasing Managers' Index.Quarterly Review, 8, 61-69.

[14]Raedels A. (1990). Forecasting the NAPM Purchasing Managers' Index. Journal ofPurchasing and Materials Management,10,34-39.

[15]Rogers R. Mark(1992). Forecasting Industrial Production: Purchasing Managers' versusProduction-Worker Hours Data. Economic Review,77, 25-36.下载本文