标题打错了，应该是协整

当然不是不能做。但是有些问题你说的不清楚啊。首先，你有多少个内生和外生变量在模型中？如果你做单方程估计而不是VECM，只要你的观测值个数大于变量个数，那么identification condition是满足的，你可以估计模型。如果做vector estimation，还是取决于你模型中有多少内生变量和滞后项。如果你能够写的详细一点，或许我们可以提出更好的建议。

有多少个内生和外生变量在模型中，这个问题要怎么样才能说清楚呢？我现在准备做的是但方程估计。

如果是OLS，你的观测值的数量得大于你的变量个数，这样identification condition才能被满足。比如你的每个时间序列有20个观测值，那么只要你的自变量个数小于20就可以了。其实这个条件不是很难满足。当然样本的大小对OLS估计值的consistency很有关系。根据Wooldrigde，样本必须大于20个，不然consistency没有办法满足。也就是说在20个左右的样本估计的OLS估计值可能没有问题，但是inference都失效（比如t检验），因为你没有办法保证残差项是服从正态分布的。如果样本足够大，我们可以说残差项是近似正太分布的（asympototic normality），从而保证了t检验等有效。当然，在协整的情况下，我们有superconsistency，也就是渐进到正态分布的速度是普通OLS的一倍。你还可以看一下你的数据本身是不是正态分布，如果是，那么样本大小就不是问题了，但是我估计基本上都不是吧。

一个简单的例子关于观测值和变量的关系。OLS估计量是
beta=(X'X)^(-1)X'y
期中X是一个N 乘以K的矩阵。N表示观测值个数，K表示变量个数（或者参数个数）。注意(X'X)^(-1)
是一个K乘以K的矩阵而且这个矩阵式可逆的，那么就是说在原矩阵X中，rank是K而不是N。如果N<K，矩阵(X'X)^(-1)将不再是可逆的，那么我们就无法得到上面的OLS估计量了。所以N>K是一个保证OLS估计量得到的必要条件。

谢谢回复！你的回复对我很有启发，我学伍德里奇学得不是很好，很多矩阵的都没弄明白，还要继续学习，谢谢啦！