临界值是在没有非线性协整关系的零假设下来构建的，首先随机产生 k个独立的随机游动序 列，样本长度为 n， Xt=Xc-l+ (6) t￡d ， I= 0．8 + ， I—l + ，I i= 1，2，… ，k ． I ～ N(O，1) 应用所选择的特定网络参数来训练 ANN来逼近方程 5中的函数关系，，然后根据方程 5产生的 误差来估计下面的方程并且计算参数 多。的t统计量。 p △ =Oto+yo +∑y△ + (7) ‘ l i． d ～ N(0， ) 上述过程重复 1000次 ，得到 1000个 t统计量 ，根据这 1000个量得到 的t统计量的经验 分布。根据得到的经验分布 ，就可以计算检验零假设 ：y。=0没有非线性协整关系的临界值。输入变量为 2个 ，隐节点为 2O个，样本长度为 149个 (1992年 2月—20o4年 6月的月度数)，动量项 MU=0．001，权重衰减 DEC=0．1，训练迭代次数为500 次，每一组数据训练 5次，保 留均方误差最小的结果 ，训练的算法采用经典 的 BP算法中的 LM (Levenberg．Marquardt)算法。为了保证我们所得到的临界值有意义 ，我们将在拟合数据的时候 使用同样的网络结构和参数。按照上述的方法 ，我们独立产生了 1000组随机 游动序列 ，每一组 中包含 3个序列 ，用来模拟购买力 平价三变量的方程。这个步骤怎么实现

这个步骤可以通过以下几个步骤来实现：

1. 首先，选择特定的网络参数来训练ANN（人工神经网络）来逼近方程5中的函数关系。这包括选择输入变量的数量（本例中为2个）和隐层节点的数量（本例中为20个）。

2. 使用方程5产生误差来估计方程7中的参数△。这可以通过计算在每次训练迭代中ANN输出与实际输出之间的误差，并使用LM算法（Levenberg-Marquardt算法）来最小化这些误差。

3. 重复上述过程1000次，每次使用不同的随机游动序列组合。每组随机游动序列包含3个序列，用于模拟购买力平价三变量的方程。

4. 在每次重复过程中，记录得到的t统计量。

5. 最后，根据这1000个t统计量，计算经验分布，并从中得到检验零假设y=0没有非线性协整关系的临界值。

需要注意的是，在拟合数据时，应该使用与训练ANN时相同的网络结构和参数，以确保所得到的临界值有意义。