(完整版)SVAR模型制作过程

1、一，数据的季节调整（利用 x-12 进行季节性调整） 由于在建模时所选取的是宏观经济的月度数据， 而月度数据容易受到季节因素的影 响，从而掩盖经济运行的客观规律，因此我们采用Census X13（功能时最强大的）调整方法对各个变量数据进行季节性调整。 分别记做 CPI'、FOO'D 、HOUS'E、M2'、 VMI'。时间序列按照时间次序排列的随机变量序列， 任何时间序列经过合理的函数变 换后都可以被认为由几个部分叠加而成。 三个部分： 趋势部分 （T），季节部分 （S） 和随机噪声部分（ I）。常见的时间序列都是等间隔排列的。时间序列调整各部分构成的基

2、本模型Xt= Tt+ Tt+ It 对任何时刻有， E（It）=0，Var（It）=2 加法模型Xt= Tt *Tt* It 对任何时刻有， E（It）=1，Var（It）=2加法模型 （ 1）判定一个数据序列究竟适合乘法模型还是加法模型，可考察其趋势变化持性及季节变化的波动幅度。（ 2）所谓季节调整就是按照上述两种模型将经济时间序列进行分解，去掉季节项的序列成为调过序列。对于时间序列而言是否存在整体趋势？如果是， 趋势是显示持续存在还是显示将随时间 而消逝？对于时间序列而言是否显示季节性变化？如果是， 那么这种季节的波动是随时间而加剧 还是持续稳定存在？对于时间序列的分解模型主要有加法模型和

3、乘法模型。加法模型适用于 T、S、C 相互独立的情形。乘法模型适用于 T、S、C 相关的情形。 由于时间序列分解的四大要素一般都存在相 互影响，因此大多数的经济数据都采用乘法模型进行季节性分解。第一步：双击进行季节性调整的变量组CPI， proc >Seasonal Adjustment>x -12第二步：用 Eviews 软件进行季节调整的操作步骤：1， 准备一个用于调整的时间序列（ GDP）（注意：序列需同口径（当月或当季） 、 不变价、足够长）2， 在 Eviews 中建立工作文件，导入序列数据3， 序列图形分析（1）观察序列中的是否有季节性（ 2） 是否有离群值或问题值（3

4、） 序列的趋势变动（是加法还是乘法模型） （加法模型主要适用于呈线性 增长的数据序列，或者是围绕某一个中指波动的数据序列，如pmi 数据序列）（乘法模型主要适用于呈指数级数增长的序列，如GDP、工业增加值，投资数据的名义值、实际值及物价的指数序列等。）（对数加法模型主要适用于同比增速呈线性增长的数据序列，如GDP、工业、投资及 cpi 的同比增速数据； 伪加法模型则主要是对某些非负时间序列 进行季节调整，他们具有这样的性质：在每一年中的相同月份出现接 近与 0 的正值，在这些月份含有接近于 0 的季节因子，受这些小因子 的影响，季节调整结果将出现偏差。在一年的特定时期，农产品产量 就是这样的数

5、据序列） Cpi， vmi 为对数加法模型，（4） 必要时还要分析谱图和自相关、偏相关图4， 季节调整参数设定（1） 季节调整选择项（模型分解方法、季节虑子、调整后的序列变量名） a勾选 x11 method 中的 multiplicative ，seasonal filter 中的 auto x12 default bComponent series to save 选择 final seasonal factor（ _SF）Trend Filter 选择 Auto （ X12 fefat）（2）ARIMA模型参数（序列是否需要做转换、 ARIMA 说明）（主要是做预测 用）（3）交易节假日

6、设定（西方模式，不适合中国模式）（4）离群值设定（ 5） 模型诊断（选上）5， 执行季节调整6， 查看季节调整后的结果7， 分析季节调整的结果诊断报告主要查看 M1-M11 、以及 Q 统计量有没有通过检验 如果诊断报告不好，返回第 4 步8， 导出数据，在 EXCEL中计算环比增长率在建立 SVAR模型时，需要考虑变量序列的平稳性，这就要求在建模前需要对变量进行 平稳性检验，如果变量序列是平稳的，那么可以直接进行SVAR模型的构建，但是如果变量为非平稳序列那么需要对变量序列进行平稳性处理， 常用的方法是做差分和取对数， 如若变 量序列满足同阶单整， 则可以进行协整检验， 如若各个变量序列满足

7、协整检验， 具有长期的 均衡关系，则可以建立 SVAR模型。PROC>Seasonal Adjustment>Census X12Sensonal adjustment（ 季节调整选择设定 ），ARMIA Option ，Trading Day/Holiday（交易日、 节假日设定） ， Outliers （离群值设定） ， diagnostics（诊断）。做的比较粗糙一点：（1） 打开变量列， proc>x-13>method>x -11>additive（ 加法）（ 2） Output>seasonally adjusted 一，对各变量序列的平稳

8、性检验（ ADF 检验） 原因 :模型要求所需的变量数据为平稳序列。（ 1）单位根检验单位根检验是检验数据的平稳性，或是说单整阶数。引用高人的回答：滞后阶数的问题。最佳滞后阶数主要根据AIC SC准则判定，当你选择好检验方式，确定好常数项、 趋势项选择后， 在 lagged differences 栏里可以从 0 开始尝试， 最大可以尝试 到 7。你一个个打开去观察， 看哪个滞后阶数使得结论最下方一栏中的AIC 和 SC 值最小，那么该滞后阶数则为最佳滞后阶数。 单位根是否应该包括常数项和趋势项可以通过观察序 列图确定，通过 Quick-graph-line 操作观察你的数据，若数据随时间变化

9、有明显的上升或 下降趋势，则有趋势项，若围绕 0 值上下波动，则没有趋势项；其二，关于是否包括常数 项有两种观点， 一种是其截距为非零值， 则取常数项， 另一种是序列均值不为零则取常数 项。使得 t 大于 1%， 5%， 10%条件小的值步骤：第一：利用图形确定常数项和趋势项 Quick>series statistic>unit root test其中：检验对象Level（水平序列） ， 1st difference （一阶差分序列） ，2st difference （二阶差分序列） 检验附加项Intercept （常数项， 漂移项），trend and intercept （趋

10、势项和漂移项） ，none（无附加项） Lag length（之后长度） lagged differencesAutomatic selection （系统自动选择之后长度）AICSIC 等。User specified （用户自己选择） 第二，确定滞后项 方法一是在 User specified （用户自选模式）中选择从 0 开始慢慢增加，看下面的 AIC与 sic 的大小，最后 AIC与 sic 最小时，就是滞后项数。方法二是在 Automatic selection 中选择 AIC模式， 可以把最大滞后项数选大一点 （ 7 或者 以上），软件会自动选择 AIC最小时的项，即为滞后项。 D

11、（x（-1）为滞后 1 项。 （3） Johansen 检验（视单整情况而定）Johansen 检验的关键是有同阶单整可以进行协整检验。非同阶单整可不需要进行 Johansen 检验。协整检验是两个或多个变量之间具有长期的稳定关系。 但变量协整的必要条件是他 们之间时同阶单整，也就是说在进行协整检验之前进行单位根检验。根据 SIMS（ 1990）的研究结果， 只有在变量序列之间存在长期的均衡关系即协整关 系时， VAR模型才能避免出现错误识别，才能通过最小二乘法得到一致估计。（ 4） 建立 VAR 模型（不断重复直至模型通过三项检验：稳定性，滞后阶数正确，外 生变量与内生变量明晰） 第一步估计

12、 var 模型， Objects>New object/Var 选择 VAR type 为： unrestrictedEndogenous Variables :内生变量 （d（vmi_d11） 差分 ）（有内生变量为 1，有外生变量 为 0 ）Exogenous Variables：外生变量 估计系数的标准差（圆括号中）及t-统计量（方括号中）d（cpi_d11） d（food_d11） house_d11 d（m1_d11） d（vmi_d11） 不断改变 Endogenous Variables 中（ 1，？）？ =1,2,3 比较结果最下面的 AIC 与 SC DE 值越小越好，

13、最后确定 VAR模型的滞后阶数。 （注意： 1，其实在初始设置 VAR 模型的时候可以任意设置为（ 1，？）（后面 检验的时候才会确认？的滞后阶数是什么） 。（1,1）自己 2，默认为全体变量为内生变量 （后面检验的时候可以确定哪些是外生 变量）。第二步检验所估计的 VAR模型（三个检验）1， VAR 的滞后阶数检验在 VAR工作表中 VIEWS>lag structure>lag length criteria （ 填写最大阶数 ） 软件将会用“ * ”给出某个 AIC 或者 SC准则的最小值。 （滞后阶数越小 越好）。2， 的稳定性检验 （AR 根小于 1，在单位圆内才能满足脉

14、冲分析及方差分解 所需条件）。VIEWS>lag structure>AR ROOTS TABLE/ GRAPH3,Granger 检验VIEWS>lag structure>Pairwise Granger Causality Tests3， 建立的简约式 VAR（？）？为滞后阶数的模型输出样式 VIEW>REPRESPENTATION5） 在构建成功 VAR模型后，为了验证扰动项之间是否存在同期相关关系，可用残 差的同期相关矩阵来描述，可以利用这个模型进行预测即下一步的分析，为了 验证扰动项之间是否存在同期相关关系， 可以利用残差的同期相关矩阵来描述。 在构建

15、的 VAR 窗口中： VIEWS>Residuals>correlation matrix进一步表明可以利用同期的影响来构建SVAR模型。（5）在已构建的 VAR 模型上构建 SVAR模型 第一步：实施约束 识别条件为 k（ k-1） /2 个，识别约束条件可以是短期约束条件，也可以长期约束条 件。短期约束意味着脉冲响应函数随着时间的变化将会消失， （对 D0 进行影响） 而长期约束意味着对响应变量未来的值有一个长期的影响。 （更像是累计影响如 ?=0? ?不能同时施加长期与短期约束。短期约束是基于 A-B型 SVAR模型（ Aet=But）,长期约束基于脉冲响应的累积响应函数。（

16、1）短期约束可识别条件：AB型 SVAR模型至少需要 2k 2-k（k+1）/2 个约束可识别条件一般假设结构新息 ut有单位方差，因此通常对矩阵B 的约束为对角阵（约束个数为 k2-k）或者单位矩阵（约束个数为K2），以致获得冲击的标准偏差A 矩阵主对角元素一般设为 1（约束个数为 k ） 在矩阵 B 为单位阵情况下， 对 A 矩阵的约束相当于对 变量间同期相关关系的约束，如有三个内生变量税收（ 产出（3），根据经济理论当期产出不会影响当期政府支出， 在约束时当 B 为单位阵时，直接写成 a23= 约束矩阵中未知元素定义为 NA2）长期约束 建立包括长期响应矩阵模块，约束处填写C0 矩阵施加

17、约束， 即对1），政府支出（ 2）， 即矩阵 C0中 C23=0，0，比如第 2 个内生变量对第 1 个结构冲击的长期影响为 0，则长期响应矩阵模块中第 2行第 1 列约束为 0，其他类同，无约束的填写 NA施加在当期的约束就是短期约束，（3）为了简便起见应按如下进行 SVAR短期约束条件的设立1， AB 型 SVAR模型至少需要 2k2-k（ k+1） /2 个约束（ AB 型的特点 是，可以明确建立系统内各个内生变量的当期结构关系，并且 可以直观地分析标准正交随机扰动项对系统产生冲击后的影响 情况，即 et 就是所谓的“标准正交随机扰动项” ，因为它的组成 元素之间互相正交 （即互相独立）

18、 ，并且其方差 -协方差为单位阵）2， 若约束矩阵 B 为单位阵，此时约束个数为 K2个3， 若约束矩阵 A 为主对角元素为 1，约束个数为 K4， 再加上经济原理上，使得在矩阵 A 中至少增加 2k2-k（k+1）/2-（k2+k）个 0 约束5， 构造的约束按照 C12=0 或者 C21=0 来进行。1， EVIEWS在计算过程中同时限定了矩阵 A必须为单位矩阵， 对于 n 变量的 SVAR，这实质上又给出了 n2 个限制条件。所以，当在 EVIEWS中设立长 期约束条件时，实际上对矩阵 C的约束条件，只要有 2n2-n（n+1）/2-n2= n2-n（n+1）/2-n2 个就满足了 SV

19、AR模型的可识别条件。2， 长期约束，实质上就是要限定短期条件下的矩阵A 和 B 与长期条件下的矩阵 C 之间的关系。3， 在长期约束中通过对矩阵 C 中的元素加以限制，然后利用这些限制条件 以及 C与矩阵 A,B的关系估计出矩阵 A与 B 的系数。因此，在给定一个 限制约束条件的矩阵 C后， EViews内部算法会给出相应的 SVAR模型 A、 B 矩阵中的系数，而无论如何限制矩阵C， EViews 给出的结果中矩阵 A总是单位矩阵。所以，当在 EViews 中设立长期约束条件时，实际上对矩 阵 C的约束条件，只要有【 2n2-n（n+1）/2 】-n2=n2-n（n+1）/2 个就满足 了

20、 SVAR模型的可识别条件。4， 在进行短期约束时，可以根据经济理论或者Granger 来得到约束条件。5， 构架的短期约束以格兰杰因果检验为主6， 最好不要把 B 矩阵设为单位阵7， 长期约束条件多用于货币政策的分析，情况较为复杂，在其他领域应用 较少。8， Svar模型根据其建模特点，主要分为 3 种类型： K型，c 型和 AB型，其 中 AB 其中型是最通常的类型 ,而 K型、 C型都可视为 AB型的特殊形式。 如果模型中的 A矩阵为单位矩阵 ,则 AB模型就转化为 C 模型;如果 AB模 型中的 B 矩阵为单位矩阵 ,则模型就转化为 K模型。9， 在 EVIEWS中利用约束条件生成矩阵

21、 A 与 BObjects/new object/matrix -vector -coef 填写矩阵名称 A 在命令面板中可以如下输入：A（1,1）=1,A（1,2）=NA 等，表示在 A 矩阵中第 1 行第 2 列中设置为 1，和在第 1 行 第2列或者矩阵命令 matrix （ 5,5） xdata 创建一个 5*5 的矩阵 xdata。第二步：估计 SVAR从 VAR 对象窗口的菜单中选择 procs>estimate structural factorizationSvar OPTIONS的对话框中，击中 MATRIX按钮和 short -run pattern ，并在相应 的编

22、辑框中填入模板矩阵的名字。e1=-c(1)*e2 -c(2)*e3 -c(3)*e4 -c(4)*e5+1*u1e2=-c(5)*e1 -c(6)*e4 -c(7)*e5+1*u2e3=-c(8)*e1 -c(9)*e4 -c(10)*e5+1*u3 e4=-c(11)*e1 -c(12)*e3+1*u4 e5=-c(13)*e1 -c(14)*e2 -c(15)*e3+1*u5如上设置的短期约束条件(多增加两个好一点)d(cpi_d11) d(food_d11) house_d11 d(m1_d11) d(vmi_d11)结果如图所示约束条件如下：1：里面不包含 M1 不影响当期食物价格，

23、c24M1 不影响当期房屋价格 C34第三步：分析A， 脉冲响应函数分析d(cpi_d11) d(food_d11) house_d11 d(m1_d11) d(vmi_d11)主界面 view>impulse response 。在 impulses 产生冲击的变量处填写在 response 处填写观测其脉冲响应的变量 图片输出，点击输出结果右键， SVAE保存后可输出结果。B， 方差分解分析Var 界面 View>variance decompositionlibrary(ggplot2)#type <- c('A','B','C','D','E','F','G')#nums <- c(10,23,8,33,12,40,60)type &l