本篇研究主要在探討，臺灣股價指數與重要總體經濟變數之間是否具有長期的穩定關係。並藉由計量模型的估計、比較與研究，希望能因而找出較為準確的估計方法，並瞭解各經濟變數之間的影響與關係。 　　選擇的變數包括：臺灣股票發行量加權指數(SIDX)、美元匯率(UER)、貨幣供給(M2)、利率(IR)、消費者物價指數(CPI)、工業生產指數(PIDX)。資料期間從1975年7月至1995年12月，頻率為月，共246筆資料。 　　第一步我們先對各變數資料作分析檢定，檢定其是否具有單根，亦即檢定其是否為穩定變數；結果有一單根（PIDX）。分析完資料特性之後再做各變數之間的相關檢定，在此以(Canonical Analysis)典型分析的方法為之；結果得出一穩定的共積關係，藉此找出誤差調整項。最後做模型的選定與解釋變數的選擇，以做股價指數（SIDX）的迴歸估計，因其中含有穩定與非穩定的解釋變數，因此我們採取FMOLS（FULLY MODIFIED OLS）作為估計的方法，其中加入誤差調整項為下一期變動方向的解釋，希望如此有助於我們對股價的分析預測，此外並做DYNAMIC-OLS的估計方法與FM-OLS估計方法比較，最後再作股價變動的估計分析。結果發現M2、IR、UER對股價指數（SIDX）較具影響力的變數，而落後一，二期的誤差調整項是最顯著的參數，且股市波動較小時，似乎總體的經濟因素可能有較顯著的影響，股市波動較大時，可能受風險報酬的影響較顯著，詳細內容參見本文。

介紹幾種具有良好性質的共積模型估計方法，這些方法因其估計目的不同，而採取相異的模型表示式、相異的估計準則。在論文的連貫性與完整性考量上，須從最簡單的單變數非恆定模型開始介紹整篇論文的基礎。考慮變數間的累積性質關聯，採取空間投影的方法，將共積向量空間、模型虛假迴歸性質、甚至非恆定模型的單根來源連結在一起。充份說明了共積模型裡變數彼此的關聯後，採用共積空間表示式來完備誤差修正表示式裡無法說明的變數相關性。兩種表示式相互配合後，可以建立不同估計方法一致的比較基礎。比較不同估計方法的同時，也系統的介紹幾種估計方法。其中Phillips的完全修正法是主要介紹的估計法，也是後續不同方法間的比較基礎。比較不同方法的異同，主要著重點在於不同方法的估計準則或是修正動機。比較後的結論，可以對照原來方法的估計步驟，唯有暸解不同角度看出的變數性質，才能更精確的掌握估計方法。

晚近金融環境快速變化，金融商品不斷的開發及付款方式不斷的革新，逐漸改變消費者持有現金作為支付工具的習性，使得傳統上只用所得和利率來解釋貨幣需求函數已不太具解釋能力。因此本文將「金融創新」的影響納入貨幣需求函數。 本文實證的變數選擇方面，採用通貨和信用卡的使用分別代表貨幣需求和金融創新以作為分析的重點。實證方法方面，同時採用一般常用的「聯立方程式」－Johansen Procedure和「單迴歸方程式」－OLS、動態OLS(Saikkonen's OLS及Phillips and Loretan's NLS)及FM-OLS來估計信用卡和通貨的關係，並比較這些方法得出的結果。 實證結果比較，發現使用OLS所估計的係數值及圖型均較採用動態OLS及Johansen為佳。在OLS估計時，發現季節性虛擬變數對於估計有重要的影響。 由於使用OLS估計法，在變數為單根時，無法使用一般統計檢定係數顯著性，因此多加入FM-OLS和OLS實證結果的比較，以達能充分了解各變數對於通貨需求的真實影響。 採用FM-OLS實證結果，得到信用卡卡數cn、利率r和實質所得rgnp對於實質通貨淨額rcur的影響顯著，其估計值分別為-0.0025、-0.22與0.60左右。結果顯示當信用卡使用增加、利率增加與所得減少，均會減少通貨的持有，與理論相符。 在採用FM-OLS實證時，發現匯率ex對於通貨需求rcur的影響不顯著，與以往實證結果不符。推測可能原因為(1)通貨持有動機為交易目的，甚少當做投資的工具；(2)過去實證所選取的貨幣需求量為更廣義的M1A、M1B及M2。 第一章　導論 1 第一節 研究動機 1 第二節 研究方法與目的 4 第三節 研究架構 6 第二章 信用卡發展、意義及影響 7 第一節 信用卡的發展 7 第二節 信用卡的意義 9 第三節 信用卡對經濟的影響 11 第三章 貨幣需求理論與文獻回顧 14 第一節 貨幣需求理論 14 1.Baumol and Tobin存貨理論 14 2.Hafiz Akhand and Ross Milbourne 16 第二節 國外實證文獻 21 第三節 國內實證文獻 26 第四章 研究方法 33 第一節 單根檢定 33 1.ADF Test 33 2.Phillips-Perron Test 35 3.Perron Test 36 第二節 共積理論－Johansen Procedure估計法 39 第三節 動態OLS估計法 43 1.Saikkonen's OLS估計法 43 2.Phillips and Loretan's NLS估計法 44 第四節 Fully Modified OLS(FM-OLS)估計法 45 第五章 實證結果 48 第一節 資料說明與處理 48 第二節 單根檢定 50 第三節 Johansen Procedure估計法 53 第四節 OLS及動態OLS的估計及比較 63 1.OLS估計法 63 2.Saikkonen's OLS估計法 69 3.Phillips and Loretan's NLS估計法 78 4.小結 83 第五節 Johansen 與OLS估計結果比較 85 第六節 FM-OLS實證結果與OLS比較 87 第七節 本章實證結果 93 第六章 結論與建議 94

自Nelson和Plosser (1982)後，研究經濟資料是否具有單位根現象，已成為近二十年來熱門且重要的課題。因 為資料性質的不同(恆定或非恆定)，對實證計量模型的設定、統計推論以及原理論的發展有深遠的影響。與傳 統探討單一時間數列之單位根的論文不同的是，本篇論文將橫斷面的資料擴大，探討混合型資料的單位根現象 ( Panel Unit Root )。就此課題，文獻上已有兩個不同的檢定方法: Levin、Lin和Chu (1997)的LLC檢定法以及Im、 Pesaran和Shin (1995)的IPS檢定法。 我們的研究，有別於以上兩者，是從「概似比」的角度(likelihood ratio) 和應用檢定共積關係的Johansen (1988)「Trace檢定」，建構新的單位根檢定統計量。首先於文中推導出，「Trace檢定」可用於檢測單一時間數 列的單位根現象。進而，再將橫斷面資料擴大，採用mean group方法，加總平均每個橫斷面時間數列的「Trace 檢定」統計量，形成混合型資料之單位根檢定統計量 。根據中央極限定理，標準化後的 檢定統計量，極限上 收斂至標準常態分配。此外，我們也推導得出 檢定統計量與傳統ADF、LLC以及IPS檢定統計量極限上的關係。 最後，我們以「蒙地卡羅」模擬方法，分析小樣本下「型一誤差」與「檢定力」的表現。發現新的混合型資 料之單位根檢定統計量表現優良，近似於標準常態分配。故在做混合型資料的單位根分析時，採用 檢定統計 量，可得到較精確的推論。

自1997年以降，受到亞洲金融風暴的衝擊，亞洲各國匯率巨幅波動，於是如何增進匯率預測的準確度已成為重要的研究課題。而自1973年布列敦森林體制崩潰，各工業國家改採浮動匯率以來，匯率巨幅波動致使國際收支理論不再能解釋匯率如何決定，於是1970年代，學者們紛紛提出各種匯率決定理論，其中以貨幣學派模型與資產組合平衡模型最受到重視。然而，自1978年始，這些結構模型的解釋能力逐漸受到質疑，在1983年Meese and Rogoff甚至提出結構模型的樣本外預測能力不如隨機漫步模型的樣本外預測表現，引起學者們的討論到底何者的樣本外預測表現較佳。而隨著計量方法的演進實證研究已由恆定的計量方法演進至非恆定的計量方法，在非恆定的計量方法方面，MacDonald and Taylor(1993、1994)、吳宜璋(1996)等人的研究皆採誤差修正模型來做預測。 本研究亦採誤差修正模型來做預測，但對其他學者的研究稍作改良：1.加入結構變動虛擬變數2.以向量誤差修正模型而非一條誤差修正的式子來做預測，在此以整個體系的觀點來做預測3.以背氏方法加入相驗情報來改善預測。 結論為在金融風暴發生期間，匯率受非基本面因素影響較大時，貝氏向量自迴歸模型預測表現較佳。而在金融風暴發生之前，匯率受基本面影響較小時，以貝氏向量誤差修正模型為良好的預測模型。 / This study improves other scholars' empirical studies by testing structure changes and by using Vector Error Correction Model to forecast N.T. Dollars. Futhermore,use Bayesian Method to improve predition .The conclusion is Bayesian VAR Model perform better when forecasting period include Asian finanl crisis . And Bayesian VECM Model is better model when forecasting period don't include Asian financial crisis.And the out of sample prediction performance of structure model is better than Random Walk Model.