《数据分析与EViews的应用》（第4版）课件 第9-14章 向量自回归模型- 广义线性模型

第九章向量自回归模型VectorAutoregression(VAR)Models本章目录01非结构化的向量自回归模型(VAR)介绍VAR模型的基本形式、建模步骤、Granger因果检验、滞后阶数选择、模型估计、预测及脉冲响应分析。02结构化的向量自回归模型(SVAR)在VAR模型基础上引入结构约束，识别结构冲击，进行结构脉冲响应和方差分解分析。03向量误差修正模型(VEC)针对具有协整关系的非平稳时间序列，介绍VEC模型的理论、Johansen协整检验及其应用。综合应用与案例分析结合实际经济金融数据，演示模型在实证分析中的完整应用流程。01非结构化的向量自回归模型(VAR)UnstructuredVectorAutoregressionModelVAR模型的基本形式模型定义与公式VAR(p)模型是描述多变量动态关系的非结构化模型，其数学形式为：Yt=A1Yt-1+...+ApYt-p+BXt+μt变量说明：•Yt：m维内生变量向量，Xt：d维外生变量向量•Ai,B：待估参数矩阵，μt：随机扰动项(新息)非结构化与变量平等非结构化：不依赖经济理论预设结构，完全由数据揭示变量间的动态联系。变量平等：所有变量均视为内生变量，无明确的因变量与自变量之分。平稳性要求VAR模型的有效性建立在序列平稳的基础上。因此，在建模前必须对所有时间序列进行单位根检验，确保序列满足平稳性条件。Granger因果检验：原理与定义检验的定义与前提检验定义：由CliveGranger提出，判断一个时间序列的滞后值是否能显著提高对另一个序列的预测精度，若能则称前者是后者的“Granger原因”。前提条件：序列平稳性：序列需平稳或存在协整关系，非平稳需先差分。信息集：基于包含被解释变量和解释变量滞后值的信息集。检验的原假设与备择假设原假设(H0)：X不是Y的Granger原因，即X的滞后值对预测Y无帮助。备择假设(H1)：X是Y的Granger原因，即X的滞后值对预测Y有显著帮助。检验的本质Granger因果关系并非经济学意义上的因果关系，而是一种统计上的“预测关系”。它回答的是“X的过去值是否有助于预测Y的未来值”，而非“X是否导致Y发生变化”。Granger因果检验：检验形式与EViews实现双变量检验形式核心思想：比较包含/不包含X滞后项的两个回归模型拟合优度。无约束回归：Y由自身滞后和X滞后共同解释。有约束回归：Y仅由自身滞后解释。检验方法：通过F检验判断X滞后项系数是否联合显著。VAR模型中的检验形式成对检验：EViews默认进行“PairwiseGrangerCausalityTests”。检验对象：对系统中每一个内生变量，检验其他所有内生变量的滞后值对其是否有显著联合影响。优势：无需手动逐个建立模型，系统自动完成多变量间的因果关系筛选。EViews操作与结果解读操作步骤：选中序列→View→GrangerCausality→设定滞后阶数k。结果判断：关注伴随概率（p值）。若p<0.05，拒绝原假设，认为存在Granger因果关系。注意事项：滞后阶数k通常与VAR模型最优滞后阶数保持一致。滞后阶数的确定：信息准则详解核心矛盾：拟合度vs自由度阶数太小(欠拟合)：模型无法充分捕捉变量间动态关系，导致设定偏误，遗漏关键信息。阶数太大(过拟合)：消耗过多自由度，降低参数估计精度和模型预测能力，增加噪声。本质权衡：在“充分捕捉动态关系”和“保证估计效率”之间找到最佳平衡点。常用信息准则详解1.LR检验(似然比)：公式：LR=-2(lnLr-lnLur)~χ²(k)解读：比较约束(低阶)与无约束(高阶)模型，统计量显著则拒绝原假设，认为高阶更优。2.FPE(最终预测误差)：公式：FPE(p)=[(T+mp)/(T-mp)]·det(Σp)解读：兼顾拟合优度与参数个数惩罚，选择FPE最小的p。3.AIC/SC/HQ：AIC惩罚弱，倾向高阶；SC/HQ惩罚重，倾向低阶。实践中需综合参考。滞后阶数的确定：EViews操作与结果解读EViews操作步骤估计无约束VAR：设定较大最大滞后阶数（如5）进行估计。打开准则窗口：点击View->LagStructure->LagLengthCriteria。设定考察阶数：输入最大阶数，确认计算。结果解读方法单一准则选择：选择使AIC、SC或HQ值最小的阶数（表中标注*）。综合准则选择：若结果不一致，以多数准则为准，或结合经济意义与稳定性判断。案例结果回顾准则分歧：LR/FPE/AIC选3阶，SC/HQ选2阶。最终决策：综合判断，选择滞后3阶。案例：VAR模型估计-步骤1：数据准备与Granger检验案例背景数据对象：我国1978-2021年工业、交通运输、批发零售三部门产出指数序列（y1,y2,y3）。预处理：对原始序列进行对数化处理，得到平稳化序列ly1,ly2,ly3。操作步骤1：Granger因果检验检验目的：验证变量间是否存在显著的引导关系，为VAR建模提供依据。检验结论：三个变量间存在显著Granger因果关系，适合建立VAR模型。EViews操作步骤1.数据导入后，选中ly1,ly2,ly3三个序列；2.点击菜单View->GrangerCausalityTest；3.在弹出窗口中设定滞后阶数为2，点击OK运行检验。数据趋势可视化图9-1展示了对数化后三部门增加值指数的时间序列趋势。可见三者均呈现明显的增长趋势，且变动方向具有一致性。案例：VAR模型估计-步骤2：确定滞后阶数操作步骤：选择最优滞后阶数路径选择与参数设置1.路径：View->LagStructure->LagLengthCriteria...2.设置：输入最大滞后阶数（如5），点击确定。输出信息准则EViews将自动计算并输出各阶数对应的LR、FPE、AIC、SC、HQ等信息准则值。结果解读与阶数确定滞后阶数判断结果（表9-3）阶数确定结论多数准则（LR,FPE,AIC）指向滞后阶数3，因此将VAR模型的滞后阶数设定为3。案例：VAR模型估计-步骤3：平稳性检验操作步骤3：平稳性检验操作路径：在VAR模型估计结果窗口，依次点击“View->LagStructure->ARRootsTable/Graph”。查看内容：查看AR特征多项式根的倒数，判断是否在单位圆内。结果解读稳定性判断标准VAR模型稳定的充要条件是：所有AR特征多项式根的倒数都在单位圆内。本例检验结论结果显示所有根都在单位圆内，模型满足平稳性条件，可以进行脉冲响应等后续分析。案例：VAR模型估计-步骤4：模型估计与结果解读操作步骤4：估计VAR模型在VAR模型定义对话框中，输入内生变量ly1,ly2,ly3，设定滞后阶数为1到3，点击“确定”进行参数估计。结果解读要点EViews输出包含参数估计值、R²、AIC/SC等指标。VAR模型不苛求单个参数的显著性，核心关注模型整体的动态拟合效果与特征。分析视角转换不同于单方程回归，VAR分析重点在于脉冲响应和方差分解，而非单个系数的经济意义。表9-5VAR模型参数估计值数据来源：EViews估计结果输出表VAR模型的预测：基本概念与类型预测的目的与前提预测的目的：利用模型捕捉的变量动态关系，对未来值进行预测，为决策提供依据。预测的前提：VAR模型必须是稳定的（所有特征根的倒数都在单位圆内），否则预测结果不可靠。静态预测(StaticForecast)定义：使用变量的实际滞后值预测当前值。特点：精度较高，基于实际发生数据。场景：样本内拟合优度检验或短期预测。动态预测(DynamicForecast)定义：使用前一期预测值作为滞后值预测下一期。特点：误差可能随期数累积，精度相对较低。场景：中长期外推预测，展示未来趋势。VAR模型的预测：EViews操作步骤详解步骤1-2：生成模型与打开对话框MakeModel：在VAR估计窗口点击`Procs->MakeModel`，生成包含所有方程的模型对象。Solve：在模型窗口点击`Solve`按钮，弹出预测对话框。步骤3：设置预测选项Solution：选择静态或动态预测类型。Sample：设定需要预测的样本区间。Dynamic：选择预测值存储方式（如新序列）。Options：设置置信区间等参数。步骤4：执行预测与查看结果执行预测：确认设置后点击“OK”，EViews自动完成计算。结果查看：预测值将以新序列形式保存，并自动生成可视化预测图。VAR模型的预测：案例结果展示与解读静态预测结果从图表中可以清晰地看到，静态预测值（红线）与实际值（蓝线）几乎完全重合，这表明VAR模型在样本期内对变量的短期动态关系捕捉得非常准确，拟合效果极佳。动态预测结果动态预测的结果显示，随着预测期的延长，预测值（红线）逐渐偏离实际值（蓝线）。这体现了动态预测的特点：由于使用前一期的预测值作为输入，预测误差会随着时间推移而累积，因此动态预测更适合展示变量的长期趋势。脉冲响应函数(IRF)：基本原理与定义定义与经济含义脉冲响应函数（ImpulseResponseFunction,IRF）描述的是，在其他变量和早期信息不变的情况下，当系统中的一个内生变量受到一个单位的标准差冲击时，对系统中所有内生变量当前值和未来值的动态影响轨迹。它是分析VAR模型动态特征的核心工具，能够清晰地展示一个变量的冲击如何在系统中传递、扩散，并最终影响到其他变量乃至自身的过程。数学表达与推导一个平稳的VAR(p)模型可以表示为无限阶移动平均形式MA(∞)：Y_t=ε_t+Φ₁ε_{t-1}+Φ₂ε_{t-2}+…。矩阵Φ_i中的第(j,k)个元素φ_{ij,k}，代表了第k个变量的一个单位标准差冲击对第j个变量在t+i期的影响，这正是脉冲响应系数的定义。图形解读脉冲响应图以时间为横轴，以响应值为纵轴。曲线表示被解释变量对冲击的响应路径，偏离零轴的程度代表冲击影响的大小，曲线的形状反映了冲击影响的持续时间和动态过程。阴影区域通常代表响应函数的置信区间。假设前提与正交化脉冲响应分析的前提是VAR模型是稳定的。在实际应用中，为了消除变量间同期相关性的影响，通常会对扰动项ε_t进行正交化处理（如Cholesky分解），从而得到正交化的脉冲响应函数，使得每个冲击都是独立的。脉冲响应函数(IRF)：EViews操作步骤详解步骤1：打开IRF对话框在VAR模型估计结果窗口中，点击菜单栏：View->ImpulseResponse...步骤2：设置脉冲响应选项变量选择：指定脉冲变量(Impulses)与响应变量(Responses)。显示方式：选择表格(Table)或图形(Graph)。正交化：勾选“Orthogonalized”以消除同期相关性。期数设定：设置追踪期数(NumberofPeriods)。步骤3：执行并查看结果确认所有参数设置无误后，点击对话框中的“OK”按钮。EViews将自动生成脉冲响应函数的图表或表格，观察冲击随时间的动态变化路径。脉冲响应函数：案例图表展示与解读▍案例核心图表：脉冲响应函数图本页展示案例中的核心分析图表——脉冲响应函数图（图9-10），该图直观地反映了三个部门产出指数（ly1,ly2,ly3）之间的动态冲击响应关系。通过该图表，我们可以清晰观测到变量自身及变量间的冲击传导路径与衰减规律。对角线图解读展示变量对自身冲击的响应。正向冲击会立即引发正向反应并逐渐衰减，体现经济变量的惯性特征。非对角线图解读展示变量间的交叉影响。如ly1冲击对ly2的影响，表明部门冲击会通过经济系统传导至其他部门。冲击持续期解读冲击影响通常在10期左右基本消失，说明系统具有较强的动态调整能力，能较快回归稳态。方差分解：基本概念与作用方差分解的定义方差分解是VAR模型中用于分析动态结构的重要工具，与脉冲响应函数相辅相成。核心思想是将系统中每个内生变量的波动（预测误差方差）按其成因分解为与各变量冲击相关的组成部分，从而了解不同结构冲击对变量波动的贡献度。方差分解的作用●量化贡献度：测量冲击对变量波动的贡献百分比。●识别关键冲击源：判断导致系统波动的主要因素。●补充脉冲响应：在描述动态路径基础上量化冲击重要性。方差分解的结果形式结果通常以表格或堆叠柱状图呈现，展示在不同预测期（如第1、5、10期），每个变量的预测误差方差由不同冲击解释的比例。方差分解：案例结果展示与解读▍案例中方差分解的结果展示图9-11的方差分解结果表清晰展示了不同预测期（第1期、第5期、第10期）下，ly1、ly2、ly3三个变量的预测误差方差来源。数据直观呈现了各变量的预测误差分别由自身冲击和其他变量冲击所解释的比例变化趋势。以ly1为例第1期预测误差几乎100%由自身冲击解释；随预测期延长，ly2和ly3的冲击解释力逐渐增加，自身解释力下降。以ly2为例短期波动中自身冲击占据主导地位；长期动态下，来自ly1和ly3的外部影响变得越来越重要。核心结论变量自身惯性是短期波动主因，但部门间的相互影响在长期动态中扮演着愈发关键的角色。02结构化向量自回归模型(VAR)StructuredVectorAutoregressionModel本节内容01VAR模型的局限性与SVAR的引入分析VAR模型的不足，引出SVAR模型的必要性。02SVAR模型的数学形式与推导详细推导SVAR模型的结构式、简化式及其相互关系。03SVAR模型的识别条件深入讲解SVAR模型识别的数学条件和约束方法。04短期约束与长期约束详细介绍两种主要的识别约束方法及其经济含义。05EViews实现与案例分析通过案例完整演示SVAR模型的估计、脉冲响应和方差分解。VAR模型的局限性与SVAR的引入VAR模型的不足VAR模型将变量间的当期关系隐含在随机扰动项$\mu_t$中，无法识别出具体的结构冲击，只能分析“新息”（Innovation）的影响，而新息通常是多个结构冲击的混合。SVAR模型的目标识别不可观测的结构新息（StructuralInnovation）$\varepsilon_t$，如供给冲击、需求冲击等，并分析这些结构冲击对经济系统的动态影响。核心思想通过引入一个反映变量间当期关系的结构矩阵，将VAR模型的简化式扰动项$\mu_t$分解为结构新息$\varepsilon_t$的线性组合。SVAR模型的数学形式与推导(1/2)VAR模型的简化式回顾标准的k元p阶VAR模型形式为：Y_t=A₁Y_{t-1}+A₂Y_{t-2}+...+AₚY_{t-p}+μ_t其中，Y_t是k维内生变量向量，μ_t是k维简化式新息，满足E(μ_t)=0，E(μ_tμ_t')=Σ。SVAR模型的结构式SVAR模型的结构式为：AY_t=A₁Y_{t-1}+A₂Y_{t-2}+...+AₚY_{t-p}+Bε_t其中，A是同期关系矩阵，B是系数矩阵，ε_t是结构新息，满足E(ε_t)=0，E(ε_tε_t')=I。核心区别与意义同期关系：SVAR通过矩阵A明确刻画了变量间的当期相互影响，解决了VAR无法识别结构冲击的问题。结构新息：假设结构新息互不相关（协方差矩阵为单位矩阵），这是进行结构识别和脉冲响应分析的基础。SVAR模型的数学形式与推导(2/2)▍从结构式到简化式将SVAR结构式两边同时左乘A⁻¹，可以得到简化形式：Y_t=A⁻¹A₁Y_{t-1}+...+A⁻¹AₚY_{t-p}+A⁻¹Bε_t关键关系推导：新息与方差矩阵对比VAR简化式，建立新息联系：μ_t=A⁻¹Bε_t两边取方差-协方差矩阵，推导核心识别方程：Σ=A⁻¹BB'(A⁻¹)'该等式揭示了简化式扰动项方差与结构矩阵A、B的关系，是模型识别的基础。SVAR模型的识别条件识别的定义模型识别是指能否从可估计的简化式参数（A_i,Σ）中，唯一确定出结构式参数（A,B）。识别的数学条件核心方程：Σ=A⁻¹BB'(A⁻¹)'。Σ含k(k+1)/2个元素，A和B共2k²个参数。恰好识别需约束：2k²-k(k+1)/2=k(3k-1)/2约束的必要性由于未知参数远多于已知信息，必须根据经济理论对A和B矩阵施加足够的约束条件，才能解出唯一的结构参数。核心逻辑小结识别的本质是通过经济理论提供额外信息，弥补统计信息的不足，从而实现从简化式到结构式的唯一映射。识别方法一：短期约束(Short-runRestrictions)核心概念：约束与含义约束原理直接对同期关系矩阵A和B施加“零约束”，排除变量间特定的同期影响，以此识别结构冲击。经济含义体现“信息滞后”思想：如货币政策变量能立即影响价格，但价格无法立即反向影响决策。经典方法：递归约束(Cholesky)矩阵设定（3变量模型）A为下三角矩阵，B为对角矩阵：A=[[1,0,0],[a21,1,0],[a31,a32,1]],B=diag(b11,b22,b33)同期因果顺序假设变量按“不受影响到影响他人”排序。第一变量不受其他变量同期影响，第二变量仅受第一变量影响，依此类推。识别方法二：长期约束(Long-runRestrictions)约束原理长期约束是对结构冲击的累积长期效应施加约束。首先，将SVAR模型表示为结构冲击的移动平均形式：Y_t=C(L)ε_t其中C(L)=C_0+C_1L+C_2L^2+...长期累积效应矩阵为：C(1)=∑C_i(i=0→∞)零约束与经济含义零约束形式设定C(1)矩阵中的某些元素为0，表示某个结构冲击对某个变量没有长期影响。例如第i行第j列为0，即第j个冲击对第i个变量长期效应为0。经济含义基于宏观经济理论设定。例如“货币中性”理论认为，货币冲击（名义冲击）对实际产出（实际变量）无长期影响，故设定其长期累积效应为0。案例：SVAR模型估计-步骤1：设定约束与创建矩阵案例背景与约束设定数据：使用三部门产出指数数据（ly1,ly2,ly3）。约束：采用递归形式的短期约束。假设：变量顺序为ly1->ly2->ly3。操作步骤1：创建矩阵对象在EViews工作文件窗口，点击`Object->NewObject`。类型选择`Matrix-Vector-Coef`。命名为“A”，点击OK确认。操作步骤2：定义矩阵维度在弹出的“NewMatrixObject”对话框中，选择`Matrix`。定义`Rows`（行数）为3。定义`Columns`（列数）为3，点击OK完成创建。案例：SVAR模型估计-步骤2：编辑约束矩阵操作步骤3：编辑矩阵A进入编辑：打开矩阵A，点击“Edit+/-”进入编辑模式。递归约束填写：对角线填1，下三角填NA（待估计），上三角填0（当期无影响）。操作步骤4：创建并编辑矩阵B重复步骤：创建矩阵B，进入编辑模式。对角约束填写：B为对角矩阵，对角线填NA（待估计），其余填0。图：矩阵A设置示例，明确约束(0)与待估计(NA)元素约束矩阵示例总结：矩阵A为下三角递归结构，矩阵B为对角结构，通过0和NA区分约束与待估计参数。案例：SVAR模型估计-步骤3：启动估计与设置约束操作步骤5：启动SVAR估计打开已估计好的VAR对象窗口，点击“Proc->EstimateStructuralFactorization...”，弹出SVAR估计对话框。操作步骤6：设置约束选项在对话框中，选择“Short-runrestrictions”，并在“Amatrix”和“Bmatrix”中分别选择我们之前创建的矩阵A和B。操作界面说明EViews中SVAR模型估计的定义对话框包含约束矩阵设置区域，是进行结构向量自回归分析的关键界面，需在此完成识别条件的设定。SVAR模型估计对话框界面中可设置识别约束（短期/长期），矩阵A和B的设定是实现SVAR模型识别与估计的核心环节。案例：SVAR模型估计-步骤3：设置迭代参数操作步骤6（续）：设置迭代参数操作路径与设置在SVAR估计对话框中，切换到“OptimizationControl”标签页，可以设置迭代算法的参数，例如最大迭代次数、收敛阈值等。通常情况下，使用系统默认设置即可。关键提醒无需过度调整默认参数，系统通常已针对常见场景优化了收敛条件。参数说明与界面展示参数核心作用这些参数控制着数值优化算法的行为，确保算法能够稳定收敛到最优解，避免因参数设置不当导致的不收敛或收敛过慢问题。操作界面示例（图9-19）图中展示了迭代控制选项的设置界面，包含最大迭代次数和收敛阈值等关键配置项。案例：SVAR模型估计-步骤3：执行估计操作步骤7：执行估计确认所有设置无误后，点击对话框右下角的“OK”按钮，EViews将开始执行迭代算法，求解结构矩阵A和B的参数估计值。等待与结果计算过程可能需要几秒钟到几分钟，具体取决于数据量和模型复杂度。计算完成后，会直接显示SVAR模型的估计结果。案例：SVAR模型估计-步骤4：解读结果01估计结果输出EViews输出的结果包括结构矩阵A和B的系数估计值、标准误和t统计量（如下表所示）。02结果解读查看各系数的t统计量，判断其显著性。若p值大于0.05，说明同期影响不显著，需考虑修改约束矩阵。03过度识别检验若约束多于恰好识别所需数量，模型过度识别。EViews会输出LR检验结果，用于检验约束有效性。04操作提示在EViews中完成估计后，仔细检查输出窗口中的各项统计指标，重点关注显著性检验和模型诊断信息。05核心目标准确解读SVAR模型的估计结果，验证约束条件的合理性，确保模型能够正确反映变量间的结构关系。案例：脉冲响应分析-操作步骤操作步骤1：启动脉冲响应分析在VAR对象窗口，点击“View->ImpulseResponses...”，弹出脉冲响应对话框。操作步骤2：选择结构分解在对话框中，将“Decompositionmethod”从默认的“Cholesky”改为“StructuralDecomposition”，其他选项保持默认。操作界面参考（图9-20）图示为SVAR脉冲响应分析定义对话框，需确认“StructuralDecomposition”已被选中。操作要点提示结构分解是SVAR分析的核心步骤，确保选择正确后点击“确定”，即可生成基于结构冲击的脉冲响应函数图。案例：脉冲响应分析-结果解读结果展示EViews输出结果概览在EViews软件中完成脉冲响应函数（IRF）的参数设置后，点击“OK”按钮，系统会自动输出一系列图表（如图9-21所示）。每一个独立的图表，都精准展示了一个特定的结构冲击（Impulse）对一个特定内生变量（Response）的动态影响路径，直观呈现了变量间的动态交互关系。图表解读图表要素与分析维度横轴代表时间（期数），纵轴代表变量的响应程度。实线为估计值，阴影为置信区间。通过观察冲击的短期/长期效应、持续时间及显著性，可深入理解变量间的动态传导机制。图9-21脉冲响应输出结果示例包含多个变量间的冲击响应路径，直观展示动态变化。案例：脉冲响应分析-分析要点关键注意事项结构分解（StructuralDecomposition）是分析结构冲击的关键，它与默认的Cholesky分解不同，其结果依赖于我们设定的经济理论约束，能更准确地反映真实的经济结构关系。分析价值通过脉冲响应分析，我们可以量化评估政策冲击或外部冲击对经济系统动态变化的持续时间和影响程度，从而为政策模拟和经济预测提供重要依据。案例：方差分解分析-操作步骤操作步骤1：启动方差分解分析在VAR对象窗口中，点击顶部菜单栏的“View”，选择“VarianceDecomposition...”选项，系统将弹出方差分解设置对话框。操作步骤2：选择结构分解在弹出的对话框中，激活“StructuralDecomposition”（结构分解）选项，其余参数保持默认设置即可进行分析。操作要点提示1.方差分解与脉冲响应分析路径相似，核心区别在于前者分析冲击的贡献度，后者分析冲击的动态影响。2.选择“结构分解”是为了确保分析结果反映的是不同结构冲击对内生变量的贡献程度。图9-22SVAR方差分解定义对话框对话框中“Structuraldecomposition”选项已被选中，这是进行结构方差分解的关键设置。案例：方差分解分析-结果解读结果展示结果输出形式点击“OK”后，EViews会输出方差分解结果，通常以表格形式展示（如图9-23所示）。操作确认在方差分解设置对话框中完成参数配置后，点击“OK”即可执行分析并生成结果表。表格解读SVAR方差分解结果表（图9-23）表格呈现了不同预测期下，各结构冲击对变量预测误差方差的贡献。表格核心解读逻辑1.行列对应：行=变量，列=结构冲击。2.数值含义：特定预测期内，该冲击对变量方差的贡献百分比。3.分析目的：判断不同结构冲击的相对重要性。案例：方差分解分析-分析要点核心逻辑方差分解的核心逻辑是将系统的预测均方误差分解为系统中各变量的结构冲击所做的贡献，从而量化各结构冲击的相对重要性。它与脉冲响应函数相辅相成，一个描述动态路径，一个描述贡献程度。分析价值通过方差分解，我们不仅能分析变量间的动态影响，还能量化各变量冲击对系统波动的贡献度。这一分析结果能为政策制定和经济结构分析提供重要的数据支持，帮助决策者识别关键驱动因素。03向量误差修正模型(VEC)VectorErrorCorrectionModelVEC模型的引入与基本理论VEC模型的定义向量误差修正（VectorErrorCorrection,VEC）模型是包含协整约束条件的VAR模型，专门用于具有协整关系的非平稳时间序列建模。它通过引入误差修正项，弥补了传统差分模型无法反映变量间长期均衡关系的缺陷，是处理非平稳时间序列协整分析的重要工具。与VAR模型的关系VEC模型是VAR模型的一种形式，它对VAR模型施加了变量间存在长期均衡关系（协整关系）的约束。因此，VEC模型可以看作是含有协整约束的VAR模型。核心思想：短期波动与长期均衡VEC模型将变量的短期波动与长期均衡联系起来。当变量偏离长期均衡状态时，误差修正项会产生一个调整力，将变量拉回到均衡状态。多重协整的基本理论：VAR模型的变形从VAR模型到误差修正形式p阶VAR模型定义：Yt=A1Yt-1+...+ApYt-p+μt其中，Yt是m维非平稳I(1)序列，μt是新息向量。该模型是后续变形推导的基础。模型变形推导步骤1.引入差分：令ΔYt=Yt-Yt-12.替换高阶项：将滞后项表示为水平项与差分累积和之差3.最终形式：ΔYt=ΠYt-1+ΣΓiΔYt-i+μt关键矩阵定义长期影响矩阵Π：Π=(A1+...+Ap)-I短期影响矩阵Γ：Γi=-(Ai+1+...+Ap)多重协整的基本理论：矩阵Π的秩与协整关系平稳性条件变形模型：ΔYt=ΠYt-1+∑(i=1top-1)ΓiΔYt-i+μt因Yt是I(1)序列，ΔYt和ΔYt-i均平稳。为保证新息μt平稳，ΠYt-1必须是平稳过程。矩阵Π的秩与协整关系满秩(r=m)：则$Y_{t-1}$平稳，与I(1)假设矛盾。秩为0(r=0)：Π为零矩阵，模型退化为差分VAR，无协整。0<r<m：存在协整，Π可分解为$\Pi=\alpha\beta'$，α和β秩均为r。核心结论变量间存在r个线性无关的协整关系。当且仅当矩阵Π的秩为r（0<r<m）时成立。秩r的大小直接决定了协整关系的个数。多重协整的基本理论：矩阵分解与经济含义▍核心分解：Π=αβ'当矩阵Π的秩为r时，可分解为m×r阶矩阵α和β'的乘积。此分解赋予了模型明确的经济意义。分解形式：Π=αβ'协整矩阵β'的含义每一行代表一个协整向量，β'Yt是平稳向量，反映变量间的长期均衡关系。调整参数矩阵α的含义元素αij表示第i个变量对第j个协整关系偏离的调整速度，即非均衡误差的修正力度。VEC模型的最终形式ΔYt=αβ'Yt-1+ΣΓiΔYt-i+μt，其中β'Yt-1为误差修正项(ECT)。Johansen协整检验：概述与设定检验的目的用于检验一组非平稳时间序列之间是否存在协整关系，并确定协整关系的个数，是建立VEC模型的前提。检验的前提所有序列必须是非平稳的I(1)序列，且一阶差分后平稳。因此，在进行协整检验前，必须先对各序列进行单位根检验。模型设定允许协整方程包含截距和趋势项。需根据序列特征选择合适形式：如序列是否有线性趋势、协整方程是否有截距或趋势项。检验统计量主要包含两种检验统计量：1.迹统计量(TraceStatistic)2.最大特征值统计量(Max-EigenStatistic)Johansen协整检验：模型设定详解模型设定的重要性Johansen检验对协整方程中截距项和趋势项的设定非常敏感。错误的设定会导致错误的检验结论，必须根据序列特征和经济理论来选择。五种主要模型形式1.无趋势无截距：序列均值为0，均衡无均值。2.无趋势有截距：序列无趋势，但存在非零均值均衡。3.有趋势有截距：序列有线性趋势，均衡平稳（最常用）。4.有趋势有截距趋势：序列与均衡均有线性趋势。5.二次趋势有截距趋势：序列存在非线性趋势。模型选择建议通常采用“从一般到特殊”的策略：从最复杂的模型（如第5种）开始，逐步简化，通过检验结果的显著性来选择最合适的模型形式。关键结论模型3（序列有线性趋势，协整方程有截距）是最常用的形式。它假设变量本身有增长趋势，但它们的长期均衡关系是稳定的，符合大多数经济时间序列特征。Johansen协整检验：检验方法详解迹检验法(TraceTest)假设与统计量H0：至多存在r个协整关系(r=0,1,...m-1)H1：存在m个协整关系（满秩）统计量：Trace(r)=-T∑ln(1-λi)(i=r+1到m)检验流程从r=0开始检验，若拒绝H0则检验r=1，依此类推，直到接受H0，此时的r即为协整关系个数。最大特征根检验法(Max-EigenvalueTest)假设与统计量H0：存在r个协整关系(r=0,1,...m-1)H1：存在r+1个协整关系统计量：Max-Eig(r)=-Tln(1-λ(r+1))流程与结果对比流程同迹检验。迹检验倾向选更多协整关系，最大特征根检验更保守，实践中常以迹检验为主结合经济理论判断。案例：Johansen协整检验-步骤1：单位根检验案例背景与操作步骤案例背景使用三个部门的产出指数序列y1,y2,y3，检验它们之间是否存在长期的协整关系。操作步骤：单位根检验对每个序列进行ADF单位根检验。结果表明，y1,y2,y3的水平序列非平稳，但一阶差分后平稳。检验结论与意义序列平稳性判定三个序列均为I(1)序列（一阶单整）。协整检验前提满足进行协整检验的前提条件，可以继续进行后续的Johansen检验。案例：Johansen协整检验-步骤2：启动检验操作步骤2：打开VAR对象首先建立包含y1,y2,y3的VAR模型（具体步骤参考第一节）。操作步骤3：启动协整检验在VAR对象窗口，点击“View->CointegrationTest...”。弹出Johansen协整检验对话框。协整检验对话框预览案例：Johansen协整检验-步骤3：设置检验选项操作步骤4：设置滞后阶数在对话框中输入一阶差分变量的滞后阶数（p-1）。例如，如果VAR模型的最优滞后阶数p=3，则此处应输入12。操作步骤5：选择模型形式在“Deterministictrendspecification”下选择合适的模型形式。本例选择“3a.序列有线性趋势，协整方程仅有截距”。操作步骤6：执行检验点击“OK”，EViews将输出协整检验结果。总结：正确设置滞后阶数和模型形式是确保协整检验结果可靠性的关键步骤。案例：Johansen协整检验-步骤4：解读结果检验结果输出EViews输出迹检验和最大特征根检验的结果。在5%的显著性水平下，拒绝了“不存在协整关系”和“至多1个协整关系”的原假设，但接受了“至多2个协整关系”的原假设。检验结论三个序列之间存在至少2个协整关系。由于建立VEC模型只需要至少1个协整关系，因此我们可以确定存在协整关系，可以建立VEC模型。图9-25a协整检验结果输出界面案例：Johansen协整检验-步骤5：查看协整向量操作步骤：查看协整向量在检验结果窗口，切换到“NormalizedCoefficients”标签页，即可查看归一化后的协整向量估计值。结果解读：长期均衡协整向量反映变量间的长期均衡关系。例如以y1为基准，方程可表示为：y1=a*y2+b*y3+c。结果展示（图9-25c）协整的经济意义协整关系意味着变量间存在长期稳定的均衡机制，短期偏离会通过误差修正项回归均衡状态。EViews操作提示“NormalizedCoefficients”是标准化后的系数，软件通常默认选择第一个变量作为基准进行归一化处理。结果解读注意事项协整向量的符号和大小需结合经济理论解释，确保系数符合经济逻辑，避免仅依赖统计显著性。案例：VEC模型估计-步骤1：启动VEC估计步骤1：打开VAR估计对话框在VAR对象窗口，点击“Estimate”，打开VAR模型定义对话框。步骤2：选择VEC模型在对话框的“EstimationMethod”下拉菜单中，将默认的“UnrestrictedVAR”改为“VectorErrorCorrection”。操作界面展示操作要点提示确保已确认变量间存在协整关系后，再进行VEC模型估计。VEC模型是含有协整约束的VAR模型，适用于非平稳但协整的序列。后续步骤展望选择模型后，还需设置滞后阶数、协整方程形式等参数，完成后点击确定即可得到VEC模型估计结果。学习目标掌握在EViews中启动VEC模型估计的操作流程，理解从VAR到VEC模型切换的逻辑，为后续参数设置和结果解读打下基础。案例：VEC模型估计-步骤2：设置VEC选项操作步骤3：参数设置设置一阶差分变量的滞后阶数（与协整检验一致），并在“Cointegratingequations”中输入协整关系的个数（本例为1）。操作步骤4：模型形式在“Cointegration”标签页中，选择与协整检验时相同的模型形式，以保证估计结果的一致性。操作界面示例关键参数说明协整关系数需与Johansen检验结果严格一致；滞后阶数通常为原VAR模型最优阶数减1。形式选择依据依据数据特征（是否含确定性趋势、截距项）选择，错误的形式会导致协整关系估计偏误。常见注意事项若协整关系数为0，应建立差分VAR模型而非VEC模型；务必检查滞后阶数设置是否合理。案例：VEC模型估计-步骤3：执行估计操作步骤5：执行估计确认所有设置无误后，点击“OK”，EViews将开始估计VEC模型的参数。结果输出估计结果主要包括三个部分：协整方程的参数估计值、VEC模型的参数估计值（包括误差修正项的系数），以及模型的整体检验结果。后续步骤提示估计完成后，需重点关注误差修正项系数的符号与显著性，以及协整关系的经济意义。结果解读重点1.误差修正项系数为负，符合反向修正机制。2.协整方程反映变量间的长期均衡关系。常见问题若估计结果中协整关系不显著，需重新检查序列平稳性或调整滞后阶数。学习目标回顾掌握VEC模型的执行流程，能够独立解读EViews输出的协整方程与误差修正项结果。案例：VEC模型估计-步骤4：协整方程解读01协整方程结果EViews输出协整方程的参数估计值，例如：vecm=y1-2.52*y2+0.02*y3+972.07。02估计结果表03结果解读方程代表变量间的长期均衡关系。vecm序列平稳且围绕0波动，验证了协整关系的正确性。04VEC模型简介向量误差修正模型（VEC）是含有协整约束的VAR模型，适用于具有协整关系的非平稳时间序列，既能反映长期均衡又能捕捉短期动态。05关键检验要点除了协整方程的参数显著性，还需重点关注残差序列vecm的平稳性，这是判断变量间是否存在长期均衡关系的核心依据。06应用与意义协整方程的系数反映了变量间的长期弹性关系，可为经济政策制定、市场趋势预测提供量化的理论支撑和实证依据。案例：VEC模型估计-步骤5：解读结果（误差修正项）01误差修正项定义在VEC模型参数估计结果中，“CointEq1”对应的系数即为误差修正项的调整参数α。02系数示例y1方程的调整系数为-0.19，y2为-0.15，y3为-0.10。这些系数反映了各变量对均衡偏离的反应程度。03表9-12估计结果04符号解读调整系数为负，符合误差修正机制。负号意味着系统存在内在的自我修正机制，能将偏离拉回均衡。05调整机制当vecm_{t-1}为正（即y1高于长期均衡值）时，Δy1会为负，从而将y1拉回到均衡水平。06调整速度调整系数的绝对值大小反映了调整速度。绝对值越大，变量从非均衡状态向长期均衡状态调整的速度越快。案例：VEC模型估计-步骤6：模型整体检验01检验结果概述EViews输出模型的整体检验结果，包含信息准则、拟合优度及残差检验等关键指标，用于评估模型质量。02检验结果表03AIC与SC准则AIC（赤池信息准则）和SC（施瓦茨准则）是衡量模型拟合效果的重要指标。通常，数值越小，表明模型的拟合效果越好。04拟合优度解读除信息准则外，还需查看各单个方程的拟合优度（R-squared），评估模型对样本数据的解释能力，确保模型具有良好的解释力。05残差检验分析残差检验是验证模型合理性的关键步骤。需检查残差是否平稳、是否存在自相关性，确保模型的随机误差项满足基本假设。06综合评估结论综合AIC、SC值较小，且各方程拟合优度较高、残差平稳无自相关，表明VEC模型整体拟合效果较好，通过检验。VEC模型的特点与应用01核心特点将变量的短期动态调整与长期均衡关系结合，能同时分析短期波动和长期趋势，是处理非平稳时间序列的有力工具。02应用场景广泛应用于宏观经济与金融市场研究，如分析消费、收入与储蓄的长期均衡，研究汇率、利率与物价的动态联系等。03局限性依赖协整关系存在，对滞后阶数等设定敏感；通常不用于结构分析，无法识别结构冲击。04模型设定由Johansen协整检验导出，需确定滞后阶数与协整秩，将VAR模型转化为误差修正形式以反映短期偏离。05参数估计通常采用极大似然估计（MLE）方法，能有效估计协整向量与短期调整系数，反映变量向均衡收敛的速度。06模型检验需检验残差的正态性、自相关性和异方差性，确保模型设定合理；同时验证误差修正项系数的符号是否符合经济理论。感谢观看第十章状态空间模型StateSpaceModel目录01.状态空间模型基本问题02.状态空间模型估计03.EViews操作案例状态空间模型基本问题状态空间模型形式线性状态空间模型的两个基本方程线性增长模型示例解析AR(p)模型的状态空间表示方法中国城镇居民人均可支配收入分析通过实际经济数据，展示如何将理论模型应用于现实场景，验证模型在处理时间序列数据时的有效性。10.1状态空间模型基本问题BasicConceptsofStateSpaceModelCHAPTER10.1.1状态空间模型形式深入理解状态空间模型的基本数学表达与结构形式线性状态空间模型的两个基本方程状态方程(转移方程)α_t=Tα_{t-1}+c+Rε_t描述不可观测的状态变量如何随时间演变，反映了系统的动态转移过程。信号方程(量测方程)y_t=Zα_t+d+u_t描述隐藏的状态变量如何转化为可观测的信号，建立了状态与观测之间的联系。总结：线性状态空间模型主要由这两个方程构成，共同刻画了系统的动态结构与观测机制。状态方程详解与符号说明状态方程：αₜ=Tαₜ₋₁+c+Rεₜαₜ：状态向量(StateVector)m维向量，包含模型中不可直接观测的潜在变量，是卡尔曼滤波的核心估计对象。T：状态转移矩阵(TransitionMatrix)m×m维矩阵，描述了状态向量如何从前一期(t-1)演变到当前期(t)的动态过程。c：漂移项(DriftVector)m维向量，代表状态演变过程中的确定性趋势，仅影响状态向量的期望值。R&εₜ：扰动项(Disturbance)R是连接矩阵，εₜ是r维随机噪声向量，通常假设服从均值为0的高斯分布，驱动状态变化。信号方程详解与符号说明yₜ=Zαₜ+d+uₜyₜ：观测向量(Observation)n维观测向量，代表我们实际收集到的原始数据，是模型的输入基础。Z：载荷阵(LoadingMatrix)n×m维矩阵，描述不可观测的状态向量αₜ如何线性映射到观测空间。d：确定性偏移(DeterministicOffset)n维向量，代表观测变量的固定偏移或确定性趋势，不随时间随机变化。uₜ：观测噪声(ObservationNoise)n维随机向量，通常假设服从均值为0的高斯分布，代表测量过程中的随机误差。扰动项的假设条件1.零均值假设(ZeroMean)状态噪声ε_t和观测噪声u_t的数学期望均为0，即E[ε_t]=0，E[u_t]=0。2.高斯分布(GaussianDistribution)噪声序列ε_t和u_t都服从正态分布，这是卡尔曼滤波最优性的前提条件。3.相互独立(MutualIndependence)状态噪声与观测噪声之间相互独立，且各自序列内无自相关，互不干扰。4.初始状态独立(InitialIndependence)系统的初始状态向量X_0与所有时刻的扰动项（噪声）相互独立。线性增长模型介绍局部水平方程描述系统在时刻t的局部水平μ_t。该水平由前一时刻的水平和趋势共同决定，并受随机扰动项w1_t影响。趋势方程描述趋势项β_t的演变过程。趋势是随机游走的，受到扰动项w2_t的影响，体现了增长率的不确定性。信号方程描述观测值x_t的构成。观测值等于当前的局部水平μ_t加上观测误差v_t。参数说明：其中，μ_t为局部水平，β_t为趋势项；w1_t,w2_t,v_t均为均值为0的独立高斯扰动项，分别代表水平冲击、趋势冲击和观测噪声。线性增长模型的状态方程（矩阵形式）状态方程矩阵形式概念解析状态向量定义：通过定义状态向量为[μ_t,β_t]'，我们将局部水平和趋势项整合。方程合并：将原本的两个独立状态方程合并为一个简洁的矩阵形式，便于进行矩阵运算和系统分析。误差项：橙色部分代表随机误差项，体现了模型的动态不确定性。线性增长模型的信号方程（矩阵形式）公式10.1.7：信号方程矩阵形式模型解释该矩阵形式直观地表明，观测值y_t仅由局部水平μ_t决定（系数矩阵的第一列起作用），而局部趋势β_t并不直接出现在观测值中。此外，观测值还包含了随机的观测噪声v_t。状态向量选择的原则原则一：充分性(Sufficiency)状态向量必须包含描述系统动态变化所需的全部信息。这意味着所选变量必须能够完整刻画系统的过去、现在和未来的行为。原则二：简约性(Parsimony)在满足充分性的前提下，状态向量应包含尽可能少的元素。这有助于避免冗余信息，减少计算复杂度，并有效规避“维度灾难”。核心总结：状态向量的选择应遵循“刚刚好”的原则，即在能够完整描述系统动态的基础上，剔除所有不必要的冗余信息，达到最优平衡。AR(p)模型的状态空间表示-原模型AR(p)模型原始形式(公式10.1.8)yt=φ₁yt-1+φ₂yt-2+...+φpyt-p+εtyₜ：当前时刻的观测值φᵢ：自回归系数(i=1,2,...,p)yₜ₋ᵢ：滞后i期的观测值随机扰动项εₜ的统计特性均值为0扰动项不包含系统性趋势，E[εₜ]=0方差恒定(σ²)扰动项的波动性在时间序列中保持一致，服从同方差假设。严格外生性扰动项与所有滞后变量yₜ₋ᵢ不相关，确保模型估计的无偏性。AR(p)模型的状态空间表示-形式一状态方程(StateEquation)公式形式：αₜ=Tαₜ₋₁+Rεₜ其中，T为p×p伴随矩阵，R为p×1系数向量。信号方程(SignalEquation)公式形式：yₜ=Zαₜ其中，Z为观测矩阵，通常取[1,0,...,0]。关键定义说明状态向量定义为：αₜ=[yₜ,yₜ₋₁,...,yₜ₋ₚ₊₁]'。该形式将p阶自回归模型转化为一阶状态空间模型，体现了状态空间模型的灵活性。AR(p)模型的状态空间表示-形式二状态空间形式二（公式10.1.11）核心思想：这是另一种等价的状态空间表示形式，其核心思想与形式一类似，都是通过定义合适的状态向量来实现降阶，将高阶差分方程转化为一阶矩阵差分方程。[具体矩阵形式请参考教材公式10.1.11]模型启示与意义非唯一性：同一个时间序列模型（如AR(p)）可以有多种不同的状态空间表示形式。这意味着状态向量的定义不是唯一的，取决于研究者的视角和建模目的。关键点总结：选择不同的状态向量定义，虽然模型矩阵形式不同，但它们描述的是同一个动态系统，因此是等价的。案例引入：中国城镇居民人均可支配收入序列特征分析数据范围：2002年Q1至2022年Q4（共84个季度数据）。主要特征：呈现明显的增长趋势和显著的季节成分，且季节波动幅度随时间逐渐增大。处理难点：传统平稳化方法（如取对数）难以有效消除其非平稳性。建模思路假设序列由不可观测的趋势成分、季节成分和随机扰动项叠加而成，采用状态空间模型进行分解与预测。案例的建模思路建模假设（公式10.1.12）y_t=μ_t+γ_t+ε_ty_t:观测序列代表我们实际观测到的人均可支配收入数据，是模型的输入变量。μ_t:趋势成分不可观测的长期趋势，反映了经济增长的基本方向，是我们需要估计的核心参数之一。γ_t:季节成分不可观测的周期性波动，反映了季节性因素对收入的影响，同样需要通过模型估计。核心目标：将趋势(μ_t)和季节(γ_t)这两个不可观测的成分从观测序列(y_t)中分离出来。案例的趋势成分设定动态方程(公式10.1.13)μₜ=c(1)·μₜ₋₁+ηₜ该设定允许趋势项本身具有随机性，通过自回归过程捕捉动态变化。转移参数c(1)控制趋势的增长模式。当c(1)>1时，趋势呈现指数增长特征；当c(1)=1时，为随机游走。随机扰动项ηₜ代表趋势成分的状态噪声（StateNoise），引入了随机波动性，使趋势更加灵活和符合现实。案例的季节成分设定公式10.1.14：季节成分动态方程γ_t=-γ_{t-1}-γ_{t-2}-γ_{t-3}+ζ_t随机扰动项(ζ_t)代表季节成分的状态噪声，反映了季节模式在时间序列中的随机波动和不确定性。周期性保证(周期=4)该设定强制季节成分的年度总和为零，确保了季节波动具有稳定的年度周期性，适用于季度数据模型。案例的状态空间模型-信号方程公式10.1.15：信号方程yt=sv1+sv2观测值等于不可观测的趋势项与季节项之和，这与我们最初的建模假设完全一致。sv1：趋势成分(Trend)代表不可观测的趋势成分μ_t，反映了数据随时间变化的长期走向。sv2：季节成分(Seasonal)代表不可观测的季节成分γ_t，捕捉了数据中周期性的波动特征。案例的状态空间模型-状态方程状态方程定义(公式10.1.16)@statesv1=c(1)*sv1(-1)+[var=c(2)]@statesv2=-sv2(-1)-sv3(-1)-sv4(-1)+[var=c(3)]@statesv3=sv2(-1)@statesv4=sv3(-1)趋势成分(sv1)遵循一阶自回归过程(AR(1))，捕捉序列的长期增长或下降趋势。季节成分(sv2,sv3,sv4)共同构成周期性波动。sv3和sv4作为辅助状态变量，记录前两期的季节项，确保季节效应的动态传递。案例的方差设定趋势成分方差设定[var=c(2)]设定趋势成分扰动项的方差参数。该参数反映了时间序列长期趋势波动的剧烈程度。季节成分方差设定[var=c(3)]设定季节成分扰动项的方差参数。该参数反映了时间序列季节性波动的剧烈程度。模型需要估计这两个参数（c(2)和c(3)），它们共同决定了状态方程中扰动项的协方差结构。详细目录（二）10.2.1状态估计的几种情况滤波(Filtering)基于过去和现在的观测值估计当前状态平滑(Smoothing)基于所有观测值估计过去或当前状态预测(Prediction)基于已有信息估计未来的状态10.2.2初始条件设定模型初始化策略在进行状态估计之前，需要确定初始状态向量和协方差矩阵的设定方法，这是模型运行的起点。10.2状态空间模型估计EstimationofStateSpaceModel10.2.1状态估计的几种情况完全能观系统状态可通过观测数据完全确定，是最优估计的理想情况。部分能观仅部分状态变量可观测，需结合先验信息进行估计。完全不能观无法通过观测数据确定系统状态，通常需要重构观测矩阵。状态估计的三种情况概述滤波(Filtering)j=t利用到t时刻的所有信息，估计t时刻的状态。即对当前状态的推断。平滑(Smoothing)j<t利用截止到t时刻的所有信息（包括未来信息），估计j时刻的状态。即对过去状态的回顾。预测(Prediction)j>t利用到t时刻的信息，预测j时刻的状态。即对未来状态的展望。滤波(Filtering)的定义与目的核心定义在时刻t，利用到t时刻为止的所有观测信息{y₁,y₂,...,y_t}，来估计当前的状态向量α_t。核心目的实时跟踪系统的当前状态，旨在获取对系统当前状态的最优估计，消除噪声干扰。典型场景适用于需要实时监控和快速决策的场合，如导航系统定位、金融风险实时监控等。滤波的核心价值：对系统当前状态进行最优估计，实现从观测数据到真实状态的精准映射。卡尔曼滤波简介核心作用：最优递推算法卡尔曼滤波是实现线性状态空间模型滤波的核心算法。它基于递推原理，能够在实时获取观测数据的同时，不断更新对系统状态的最优估计，是处理动态系统数据的标准工具。核心功能：估计与计算估计状态向量利用新观测值连续修正状态估计，实现动态追踪。计算似然函数通过预测误差分解计算似然值，为估计模型未知参数（T,Z,Q,H）提供依据。核心定位：连接状态估计与参数估计的桥梁状态的条件分布在线性模型与正态扰动项的假设下，状态的条件分布仍为正态分布。其统计特征完全由均值和协方差决定，这正是卡尔曼滤波的核心计算目标。条件均值(ConditionalMean)定义：基于观测序列的期望估计α_t|t=E(α_t|y_1,...,y_t)条件协方差(ConditionalCovariance)定义：基于观测序列的方差估计P_t|t=Var(α_t|y_1,...,y_t)卡尔曼滤波的核心目标：递推计算上述两个统计量，以最优方式更新状态估计。卡尔曼滤波-一步预测方程一步预测(One-stepPrediction)在获得t时刻的观测值之前，基于t-1时刻的信息对t时刻的状态进行预测。

这是卡尔曼滤波的第一步，旨在利用系统的动态模型，从历史状态推断当前状态，并评估预测的不确定性。核心预测方程状态预测方程(StatePrediction)α_t|t-1=Tα_{t-1}|t-1+c方差预测方程(CovariancePrediction)P_t|t-1=TP_{t-1}|t-1T'+RQR'一步预测的性质高斯假设下的最优性当扰动项服从正态分布时，预测值α_t|t-1是状态变量α_t的最小均方误差(MSE)估计。非高斯假设下的稳健性即使扰动项不服从正态分布，预测值α_t|t-1依然是状态变量α_t的最小均方线性估计。核心结论：无论扰动项是否服从正态分布，卡尔曼滤波的预测步骤在线性估计范畴内都是最优的，具有极强的鲁棒性。观测变量的一步向前估计核心方程(公式10.2.5)yₜ|ₜ₋₁=Zαₜ|ₜ₋₁+d基于预测的状态，可以得到对观测变量的一步向前估计。这是我们期望在t时刻看到的观测值，连接了状态空间与观测空间。逻辑关系示意图状态预测αₜ|ₜ₋₁观测矩阵Z观测预测值yₜ|ₜ₋₁预测误差与方差预测误差(公式10.2.6)ν_t=y_t-y_t|t-1=y_t-Zα_t|t-1-d预测误差方差(公式10.2.7)F_t=Var(ν_t)=ZP_t|t-1Z'+H核心概念解读：预测误差是实际观测值与预测值之间的差异，它包含了修正状态估计所需的新信息。卡尔曼滤波-一次滤波更新方程一次更新(Updating)利用新的观测值和预测误差，修正对t时刻状态的估计，得到最优状态。状态更新方程(StateUpdate)αₜ|ₜ=αₜ|ₜ₋₁+Kₜνₜ其中νₜ为预测误差，Kₜ为卡尔曼增益矩阵方差更新方程(CovarianceUpdate)Pₜ|ₜ=(I-KₜZ)Pₜ|ₜ₋₁更新协方差矩阵，反映当前状态估计的不确定性核心参数：卡尔曼增益矩阵(KalmanGain)Kₜ=Pₜ|ₜ₋₁Z'Fₜ⁻¹——决定了预测误差对最终估计的影响程度卡尔曼滤波的迭代过程01.初始化设定初始状态估计值α₀|₀和协方差矩阵P₀|₀，作为迭代的起点。02.预测(Predict)基于t-1时刻的状态，推算t时刻的先验状态αₜ|ₜ₋₁和方差Pₜ|ₜ₋₁。03.更新(Update)结合观测值yₜ，计算预测误差νₜ，更新得到后验状态αₜ|ₜ和方差Pₜ|ₜ。循环迭代：将t时刻的后验状态作为t+1时刻的输入，重复“预测-更新”过程，直至所有数据处理完毕。固定区间平滑(Smoothing)的定义与目的核心定义在所有数据序列(y₁,...,y_T)观测完毕后，重新估计过去某个时刻j(j<T)的状态α_j。核心目的充分利用全部信息（包括未来的信息），对历史状态进行更精确的回溯估计。显著优势平滑估计的精度通常高于滤波估计，因为它利用了比滤波更多的信息集合。总结：平滑是一种事后的、更精确的状态分析方法，旨在利用全量数据还原历史真相。固定区间平滑方程平滑原理与计算逻辑递推方向：平滑估计基于滤波结果，从最后一期T开始，倒推至第一期1。核心思想：利用未来时刻的信息来修正对过去状态的估计，从而获得更优的结果。核心方程体系(10.2.10-11)状态平滑：αₜ|T=αₜ|t+Jₜ(αₜ₊₁|T-αₜ₊₁|t)方差平滑：Pₜ|T=Pₜ|t+Jₜ(Pₜ₊₁|T-Pₜ₊₁|t)Jₜ'平滑增益：Jₜ=Pₜ|tT'Pₜ₊₁|t⁻¹平滑的递推过程01.准备阶段完成所有T期的卡尔曼滤波，得到所有时刻的滤波状态α_t|t和协方差P_t|t。02.初始化设定递推起点，令最后一期的滤波结果α_T|T和P_T|T作为平滑的初始值。03.反向递推从t=T-1开始，利用平滑方程依次向前计算，直到t=1，修正历史状态。04.结果得到所有时刻的平滑状态估计α_t|T。核心逻辑：这个过程充分利用了未来的信息来“回顾”和修正历史状态，相比滤波，平滑能提供更精确的状态估计。预测(Prediction)的定义与目的核心定义在时刻t，利用到t时刻为止的所有观测信息{y₁,...,yₜ}，来预测未来某个时刻j（j>t）的状态向量αⱼ。核心目的对系统的未来状态进行科学的推断和预测，从而为决策提供依据。其本质是基于历史信息对未来的合理推断。应用场景广泛应用于多个领域：宏观经济预测气象与天气预报商业销量预测总结：预测是基于历史信息对未来的推断，是状态估计中连接过去与未来的关键环节。长期预测的方法核心原理：递推预测长期预测（n步预测）本质上是通过反复应用卡尔曼滤波的一步预测方程来实现的。

关键特征：每一步预测都严格基于t时刻及之前的信息，不涉及未来的观测值。执行步骤：从一步到n步一步预测：利用α_t|t计算α_{t+1}|t二步预测：利用α_{t+1}|t计算α_{t+2}|t以此类推，不断向前递推最终结果：得到n步预测值α_{t+n}|t状态的n步向前预测状态预测方程(StatePrediction)αt+n|t=Tnαt|t+(Tn-1+Tn-2+...+I)c

描述：状态随预测步数n的线性递推关系，包含转移矩阵的幂次项。协方差矩阵(CovarianceMatrix)Pt+n|t=TnPt|t(Tn)'+Σk=0TkRQR'(Tk)'

描述：不确定性随预测步数n的累积，包含初始不确定性和过程噪声的累积。核心洞察：随着预测期数n的增加，状态预测的不确定性（协方差矩阵）通常会单调递增，反映了未来的不可预测性。动态预测与平滑预测动态预测(DynamicPrediction)核心定义预测从t时刻到t+h时刻的所有状态值{α_{t+1}|t,...,α_{t+h}|t}。主要特点一系列连续的多步预测，展示了状态的未来路径。平滑预测(SmoothingPrediction)核心定义利用超过预测样本范围的所有信号数据来进行预测。主要特点需要先对预测起点的状态进行初始化，通常能提供更准确的预测。修正的卡尔曼滤波当状态噪声ε_t和观测噪声u_t存在同期相关时（即协方差矩阵不为0），标准卡尔曼滤波的更新方程需要修正。其中S=Cov(ε_t,u_t)。卡尔曼增益(K_t)修正后的增益公式：

K_t=(P_t|t-1Z'+S)F_t⁻¹

注：引入了协方差矩阵S，体现了噪声相关性的影响。状态更新(α_t|t)状态向量的更新方程：

α_t|t=α_t|t-1+K_tν_t

形式上与标准卡尔曼滤波一致，但增益K_t已包含相关性修正。方差更新(P_t|t)方差矩阵的更新方程：

P_t|t=P_t|t-1-K_tZP_t|t-1

通过修正后的增益K_t调整协方差矩阵，确保估计的最优性。10.2.2初始条件卡尔曼滤波模型的起点设定与参数初始化初始条件的重要性参数初始值指模型中所有待估参数的初始值。例如状态空间模型中的转移矩阵(T)、观测矩阵(Z)、状态协方差(Q)及观测协方差(H)中的未知元素。初始状态设定特指初始状态向量α₀的设定。需要提供其均值和协方差矩阵。这是卡尔曼滤波算法启动的基础，直接影响滤波的初始精度。核心结论：合适的初始条件是保证模型估计快速收敛和结果稳定的关键。不恰当的初始值可能导致算法发散或陷入局部最优解。参数初始值设定系统默认设定EViews自动分配初始值（通常为0或1）无需手动干预，操作简单局限性：可能并非最优解，影响收敛速度用户自定义设定(推荐)使用`@param`语句手动设定初始值可基于经验或理论预期设置合理值优势：显著提高估计效率与准确性代码示例：@param语句语句：@paramc(1)1.03c(2)0.01c(3)0.10//分别设定参数c(1),c(2),c(3)的初始值案例中的参数初始化代码实现(Example10-1)@paramc(1)1.03@paramc(2)0.01@paramc(3)0.10c(1)趋势项转移系数(1.03)初始值略大于1，符合业务增长趋势的预期设定。c(2)趋势项扰动方差(0.01)设定较小的初始方差，表明趋势变化相对平稳。c(3)季节项扰动方差(0.10)方差值大于趋势项，符合季节波动通常更为剧烈的特征。初始状态设定设定初始均值(Mean)@mprior向量名通过该命令，将用户预先定义好的包含初始值的向量对象，赋值给初始状态的均值。设定初始方差(Variance)@vprior矩阵名通过该命令，将用户预先定义好的包含初始协方差矩阵的对象，赋值给初始状态的方差。提示：“向量名”和“矩阵名”必须是用户预先在EViews中定义好的对象。扩散初始条件适用场景与定义当对初始状态几乎没有任何先验信息时，使用扩散初始条件。这表示我们对初始状态的位置非常不确定，将选择权完全交给数据。核心参数设定初始均值：设为0向量。初始方差：设为对角线元素极大的矩阵（如1e6），表示极大的不确定性。软件应用与实践EViews软件在默认情况下会使用扩散初始条件。这种设置在缺乏历史数据或初始状态难以确定的计量分析中非常有效，确保了模型不会被不合理的初始猜测所误导。案例模型的完整设定界面例10-1模型设定总结参数初始化使用@param设定了三个参数的初始值，确保算法收敛。状态方程定义