【liwei实用】VAR模型.doc

VAR模型（VAR模型估计、滞后变量设置？）workfile框中选中平稳的数据（所有变量），右键，open，as VAR，basics，U-VAR，内生变量外生变量设置好，Lag intervals for endogenous就设置1 2，OK(ViewRepresetations可看到VAR模型的回归方程：GDP = C(1,1)*GDP(-1) + C(1,2)*GDP(-2) + C(1,3)*CY(-1) + C(1,4)*CY(-2) + C(1,5)（滞后期的选择、最优滞后阶数的确定）Var框中View，lag structure，lag length criteria，lags to2（年度数据）、4或8（季度数据）、6或8或12（月度数据；数据多就选大的）。看结果“*”最多的那行就是滞后期。（VAR模型的平稳性检验）Var框中Lag Skruciure，AR roots Graph. 有特征根在单位元外则不稳定。（VAR模型预测：脉冲响应）Var框中view，impulse response，multiple graphs，analytic（periods设为10期差不多了）（VAR模型预测：方差分解）Var框中view，variance decomposition，table，none（VAR模型预测：格兰杰因果检验）group框中view，granger causality（滞后阶数就是上述滞后期）（协整性检验、Johanson协整）group框中View，Cointegration Test（Lag intervals用1 2？）（返回数据用view，spreadsheet）17.315.5, 拒绝没有协整，2.315.5, 拒绝没有协整2.33.8 接受最多一个协整方程最大特征值(Max-Eigen )统计量检验同上。第2部分给出了非标准化的协整参数矩阵，第3部分给出了标准化的协整参数向量VAR模型的应用格兰杰因果检验Group框，点击view/granger causality。根据VAR模型的滞后阶数来决定滞后阶数，本例中选择滞后阶数为2。从中可以看出， 之间不是互为格兰杰原因。这说明不是相互影响。VAR模型的构建数据平稳性检验ADFVAR模型滞后阶数的选择VAR模型的估计（上述滞后阶数时VAR模型的估计，看看出VAR模型的参数估计大多显著？）VAR模型的检验。包括VAR模型的平稳性检验，以及残差的独立性检验。view/lag structure/ AR roots graphVAR模型的预测VAR模型的应用格兰杰因果检验 group框，view/granger causality脉冲响应 Var框，view/impulse response方差分解Var框，view/variance decompositionUnrestricted VAR（非限制性向量自回归）或者Vector Error Correct（向量误差修正模型）协整分析这三个变量的一阶差分序列是平稳的时间序列，这样我们可以用这三个一阶差分后的平稳时间序列来替代LNGDP,LNK和LNL，然后进行回归（表面看似乎可用几阶差分后的平稳时间序列来替代多变量，然后进行回归）。如果只是从回归的角度来讲，这样做是允许的。但从经济意义上来讲，这可能会将某些有丰富经济意义的和富含价值变量水平之间的长期关系舍弃。因为，大多数经济理论都是以变量的水平值而不是由一阶差分或者多阶差分形式给出。这样会出现一个两难的问题：在使用非平稳时间序列建立计量经济模型时，如何既要防止伪回归的出现，同时又不至于因使用差分序列而舍弃变量间的长期关系？Granger和Enger于1987年共同提出了协整模型有效地解决了这一问题。协整分析主要应用于短期动态关系容易受到随机扰动的显著影响，而长期关系又受到均衡关系制约的经济系统。例如股票价格与股息的协整关系，股票价格容易受到短期市场因素的影响而容易波动，在长期内，股息主要受到股息政策的约束，表现比较平稳。在做协整检验之前要明确变量之间的经济含义，同时必须强调变量的经济理论基础，另外我们进行单方程回归的时候可能会遇到“伪回归”的情况。VAR脉冲响应与方差分解在进行VAR模型中的脉冲响应分析之前必须明确的是，VAR系统必须是稳定，否则，脉冲响应函数分析过程是不稳定的在众多情况下，VAR模型中的各个等式中的系数并不是研究者关注的对象，其主要原因就是VAR模型系统中的系数往往非常多；另一方面如果考虑整个VAR模型系统中的互动关系，就会认识到其实每个的单个系数只反映了一个局部的关系，并不能够捕捉全面复杂的动态过程，但是研究者们往往希望得到一个变量对另一个变量的全部影响情况。在这种情况下VAR模型中的系数作用就不是很大了，而与VAR相关的脉冲响应函数却能够全面的反映各个变量之间的动态关系。脉冲响应函数能够捕捉到一个变量的冲击因素对另一个变量的动态影响路径，而方差分解可以将VAR系统中的一个变量的方差分解到各个扰动项上。因此方差分解提供了关于每个扰动因素影响VAR模型内各个变量的相对程度。【脉冲响应（可知动态影响路径）与方差分解（可知影响程度）可以得到一个变量对另一个变量的全部影响情况】20.4 脉冲响应函数（一）脉冲响应函数方法 对第i个变量的冲击不仅直接影响第i个变量，并且通过VAR模型的动态结构传导给所有的其它内生变量。脉冲响应函数刻画的是在一个扰动项上加上一次性的一个冲击，对内生变量的当前值和未来值所带来的影响。设VAR(p)模型为20.5 方差分解脉冲响应函数描述的是VAR中的一个内生变量的冲击给其他内生变量所带来的影响。而方差分解是把内生变量中的变化分解为对VAR的分量冲击。因此，方差分解给出对VAR中的变量产生影响的每个随机扰动的相对重要性的信息。20.7 向量误差修正及协整理论 Engle和Granger（1987a）指出两个或多个非平稳时间序列的线性组合可能是平稳的。假如这样一种平稳的或的线性组合存在，这些非平稳（有单位根）时间序列之间被认为是具有协整关系的。这种平稳的线性组合被称为协整方程且可被解释为变量之间的长期均衡关系。向量误差修正模型（VEC）是一个有约束的VAR模型，并在解释变量中含有协整约束，因此它适用于已知有协整关系的非平稳序列。当有一个大范围的短期动态波动时，VEC表达式会限制内生变量的长期行为收敛于它们的协整关系。因为一系列的部分短期调整可以修正长期均衡的偏离，所以协整项被称为是误差修正项。一个简单的例子：考虑一个两变量的协整方程并且没有滞后的差分项。Granger 因果检验主要是用来检验一个内生变量是否可以作为外生变量对待。VAR格兰杰因果检验的数学表达式及操作经济时间序列中常常会出现伪回归的现象，也就是经济意义表明几乎没有联系的序列确有可能计算出较大的相关系数。比如家中门前的大树与小孩的身高可能具有较大的正相关性，但是却没有多大的现实意义。格兰杰因果检验是考察序列x是否是序列y产生的原因时采用的这种方法；先要估计y值对其自身滞后期取值所能解释的程度，然后验证通过引入时间序列x滞后值是否可以提高y的被解释程度，如果是，则x是y的格兰杰原因，此时x滞后期的系数具有统计显著性，另外我们还必须考虑另外一种情形就是y是否是x的格兰杰原因。本章小结这一章主要介绍了向量自回归模型建立的背景，以及建立向量自回归模型的步骤，首先是对变量进行单位根检验，如果变量之间是同阶单整，那么变量之间就有可能存在长期的协整关系，这时需要对变量进行协整检验。但在建立模型的过程中，变量常数项和时间趋势项的选择对模型的结果具有非常重要的影响，这也是建立向量自回归模型需要解决的重要问题之一。另外模型滞后期的选择对模型结果的影响较大，滞后期的选择是建立一个合适模型的关键所在。本章就以作者多年的操作经验，简要的介绍了变量常数项和时间趋势项选择的基本办法。另外在向量自回归模型稳定的情况下，本章还介绍了脉冲响应模型和方程分解以及误差修正模型。通过这一章的学习，读者可以领略向量自回归模型独有的特色，它对于变量之间长短期的均衡关系具有非常良好的预测作用。数据平稳性检验考虑到本例中的数据是宏观经济月度数据，先消除季节性特征后再进行分析。另外数据变动趋势过大，本例还对数据进行了对数平滑处理。下图是两个变量经过季节性调整并取对数后的新序列，其中lsa表示居民储蓄额，ltr表示股市交易总额。在主窗口命令行中输入：genr lsa=log(savingsa)genr ltr=log(tradingsa)根据图形特征选取同时存在截距项和趋势项进行单位根检验。分别在lsa和ltr窗口中点击view/unit root test/。Lsa单位根检验的结果：在对话框中，每个信息新量与内生变量形成的对子（3x3=9）都可以计算出一个脉冲响应函数，本例中的VAR模型中包含有三个变量，因此有9个脉冲响应函数。示例1 邹平.金融计量学 M. 上海：上海财经大学出版社，2005.2 陈崧.五四前的东方西文化问题论战文选 C.北京：中国社会科学出版社，1985.3 马曙光 黄志忠 薛云