Eviews中VAR模型的操作、脉冲响应分析和方差分解的实现

Eviews中VAR模型的操作、脉冲响应分析和方差分解的实现时间序列分析实战指南与宏观经济预测应用Contents课程目录Eviews中VAR模型的操作、脉冲响应分析和方差分解的实现01时间序列与VAR模型基础02数据预处理与平稳性检验03VAR模型建立与滞后阶数选择04模型稳定性与因果关系检验05脉冲响应分析与方差分解06进阶应用与实证案例总结CHAPTER01时间序列与VAR模型基础厘清数据结构特征，理解向量自回归模型的核心逻辑与经济学意义METHODOLOGY时间序列与面板数据的核心差异时间序列与面板数据在维度结构和分析目标上存在本质区别，准确识别数据类型是选择正确计量模型、避免设定偏差的前提条件。01单一时间维度：时间序列数据仅包含时间单一维度，反映特定实体随时间推移的状态演变，如某国历年GDP或某股票每日收盘价02时间与截面双维度：面板数据兼顾时间与截面双维度，如多国历年GDP，能够控制个体异质性并提供更多自由度与数据变异信息03分析目标差异：时间序列侧重挖掘变量自身的历史规律与动态滞后效应，而面板数据更关注个体间的结构差异与共同冲击经济学教学场景·数据结构分析MethodologyVAR模型的基本概念与核心优势向量自回归（VAR）模型通过将系统中所有变量视为内生变量，有效避免了传统结构模型中内生与外生变量划分的主观性，成为宏观经济动态分析的标准工具。01多方程联立由Sims于1980年提出，采用多方程联立形式，让系统中每个变量都由其自身及其他变量的滞后值来解释。1980Sims02降低设定偏差突破了传统结构模型需预先严格区分内生与外生变量的限制，降低了因先验理论设定错误而导致的模型偏差。内生变量03动态交互分析特别适合分析GDP、通胀、利率等多个宏观经济变量之间的动态交互影响与冲击传导机制。Shocks传导机制MathematicalFrameworkVAR模型的数学表达与经济学意义VAR模型通过矩阵形式将多变量动态关系结构化，其核心在于利用滞后项捕捉历史惯性，并通过残差项（新息）量化外部冲击对系统的即时影响。01模型标准形式为Yt=C+A1Yt-1+…+ApYt-p+et，其中Yt为内生变量向量，p为滞后阶数02系数矩阵Ai反映了系统内各变量历史值对当期值的动态影响路径，捕捉了经济变量的历史惯性与延迟效应03残差向量et代表不可预测的外部冲击（新息），其协方差矩阵反映了不同经济冲击在同一时期的同期相关性INTRODUCTIONEViews软件简介与数据导入准备EViews凭借其强大的时间序列处理能力和直观的菜单化操作，成为计量经济学首选工具；准确设置工作文件频率是确保后续所有时间序列分析有效性的基石。金融数据分析工作环境01一站式解决方案：EViews（EconometricViews）专为时间序列和面板数据设计，提供从数据管理、统计检验到复杂模型估计的完整工具链02频率设置关键性：导入数据前必须创建Workfile并准确设定时间频率（Annual、Quarterly、Monthly），错误频率将导致滞后计算和季节调整失效03初步数据审查：导入后需进行描述性统计和时序图观察，以识别异常值、结构性断点或明显的趋势特征Chapter02数据预处理与平稳性检验规避伪回归陷阱，掌握ADF检验的原理、EViews操作与结果判读StationarityTest为什么必须进行平稳性检验？非平稳时间序列直接回归极易导致"伪回归"现象，即统计上显著但经济学上毫无意义的虚假相关；平稳性检验是确保模型推断有效性和预测可靠性的绝对前提。假设违背非平稳序列的均值和方差随时间变化，违背经典OLS回归对误差项同方差和零均值的假设，导致t检验和F检验失效，参数估计不再具有最优性质。OLS失效伪回归陷阱两个毫无因果关系的非平稳变量（如带有共同时间趋势的GDP与无关指标），直接回归常呈现极高的R²和显著的t统计量，形成极具误导性的"伪回归"结论。虚假R²均衡前提只有当序列平稳，或虽非平稳但存在协整关系时，变量间的长期均衡与短期动态分析才具备真实的统计学与经济学意义，模型预测才可靠。协整分析UNITROOTTESTADF检验的理论原理与假设设定ADF检验通过扩展的Dickey-Fuller回归方程检验序列是否存在单位根；正确设定检验方程中的截距项与趋势项，是避免检验功效扭曲、得出错误平稳性结论的关键。01原假设与拒绝规则H₀为序列存在单位根（非平稳），H₁为序列平稳；检验统计量小于临界值或P值小于显著性水平时，拒绝H₀。P<α02截距与趋势项选择根据时序图特征选择方程形式：数据围绕非零均值波动选Intercept，存在明显线性趋势选TrendandIntercept。时序图判据03错误设定的后果零均值无趋势时应选None；错误包含不必要的趋势项会降低检验功效，导致无法正确拒绝原假设。功效损失UnitRootTest·ProcedureEViews中ADF检验的具体操作步骤（Level）EViews通过直观的菜单路径将复杂的ADF检验过程标准化；准确配置检验层级（Level）与滞后阶数选择准则，是获取可靠水平值平稳性结论的操作核心。01打开单位根检验对话框双击目标变量打开序列窗口，依次点击菜单栏的View与UnitRootTest，在弹出对话框中确认检验方法为AugmentedDickey-FullerViewMenu02配置检验层级与方程选项在Testforunitrootin选项中选择Level（水平值），并在Includeintestequation中依据数据特征勾选截距项或趋势项Level03设定滞后阶数选择准则在Laglength设置中推荐选择Automaticselection并指定信息准则（如AIC或SIC），让软件自动确定最优差分滞后阶数以消除自相关AIC/SICADFUnitRootTest差分处理与ADF检验结果的深度解读当水平序列非平稳时，需通过差分处理消除趋势；明确变量的单整阶数（如I(0)或I(1)）不仅是判断平稳性的终点，更是决定后续采用VAR还是VECM模型的分水岭。01水平检验不通过时若Level检验P值大于0.05（无法拒绝存在单位根的原假设），需重新进行一阶差分下的ADF检验，判断差分后序列是否平稳。这是时间序列分析中消除趋势、确保模型有效性的关键步骤。P>0.05→差分02单整阶数判定若一阶差分后P值小于0.05，则判定为一阶单整I(1)；若水平值即平稳，则为零阶单整I(0)，即完全平稳序列。单整阶数直接影响模型设定与估计方法的选择。I(0)平稳·I(1)差分平稳03模型选择条件构建VAR要求所有变量同阶单整（同为I(0)或I(1)），若阶数不同需考虑ARDL模型或其他数据转换处理。正确的模型选择是保证估计结果一致性与预测有效性的前提。VAR·VECM·ARDLUNITROOTTESTING平稳性检验的常见陷阱与注意事项ADF检验并非万能，其在小样本下功效偏低且对结构性断点敏感；结合经济学直觉审视数据特征，并在必要时引入结构突变检验，是确保平稳性结论严谨性的关键。小样本功效不足少于30个观测值时统计功效较低，容易犯第二类错误——序列实际平稳却未能拒绝存在单位根的原假设。建议增加样本量或采用Bootstrap方法提升检验可靠性。<30obs需谨慎结构性断点失效重大政策冲击或经济危机导致结构性断点，传统ADF检验失效。需改用Zivot-Andrews等允许断点的单位根检验，或先进行Chow检验识别断点位置。Zivot-Andrews检验季节效应干扰时序图显示明显周期性或季节效应时，直接检验会导致伪回归。应先进行X-12或CensusX-13季节调整，消除系统性季节波动后再做平稳性检验。X-13ARIMA-SEATSChapter03VAR模型建立与滞后阶数选择掌握VAR模型的EViews构建流程，运用信息准则科学确定最优滞后阶数ModelSpecificationVAR模型建立的前期准备与变量选择原则VAR模型的变量选择不应是盲目的数据堆砌，而必须基于坚实的经济学理论框架；同时，确保所有内生变量满足同阶单整要求，是构建有效VAR系统的先决条件。理论基础驱动变量选择依托宏观经济学理论（如IS-LM模型、泰勒规则）选定变量，避免将毫无逻辑关联的变量强行纳入系统，防止模型自由度浪费。IS-LM控制变量数量避免过拟合每增加一个内生变量都会呈指数级增加待估参数，在小样本条件下容易导致过度拟合与估计不精确，变量数量不宜过多。参数膨胀确保变量同阶单整所有内生变量必须具有相同单整阶数（如全部I(0)或全部I(1)），否则需转向构建ARDL或VECM等非标准模型。I(0)/I(1)操作指南·StepbyStepEViews中初步建立VAR模型的操作路径EViews通过多变量联合选择与标准化对话框，简化了VAR模型的初始构建过程；正确区分内生变量与外生变量，并设定初始滞后区间，是获取初步回归结果的必要步骤。01选择变量并打开VAR对话框在工作文件窗口按住Ctrl键同时选中所有目标变量，右键选择'Open'→'asVAR'，在弹出对话框中确认模型类型为'StandardVAR'。Ctrl+Multi-Select02区分内生变量与外生变量在'EndogenousVariables'（内生变量）框中核对所选变量，在'ExogenousVariables'（外生变量）框中通常保留常数项'c'或加入趋势项't'。Endovs.Exo03设定滞后区间并生成结果在'LagIntervalsforEndogenous'（内生变量滞后区间）中先输入一个宽泛的初始范围（如'12'或'14'），以生成初步的VAR估计结果窗口。LagIntervalsVARModelSpecification最优滞后阶数选择的理论依据与信息准则VAR模型滞后阶数的选择本质上是拟合优度与模型复杂度之间的权衡；AIC、SC等信息准则通过引入参数惩罚项，有效避免了因过度参数化导致的自由度丧失与预测能力下降。OVERFITTINGRISK自由度损耗与过拟合单纯增加滞后阶数虽能提升R方，但会急剧增加待估参数并消耗自由度，导致小样本下估计方差增大、模型预测能力反而下降。高阶模型虽拟合历史数据更优，却难以捕捉真实经济规律。R²vsdfCRITERIACOMPARISON信息准则的惩罚差异AIC（赤池信息准则）对参数惩罚较轻，倾向于选择较大滞后阶数；SC（施瓦茨准则）和HQ准则惩罚更重，倾向于构建更精简的模型。不同准则的理论基础决定了其在样本内拟合与模型简洁性之间的取舍偏好。AICvsSCPRACTICALSTRATEGY多准则综合裁决实证研究中通常综合参考多个准则，若AIC与SC指向不同阶数，需结合LR（似然比）检验或残差自相关检验进行最终裁决。稳健性分析要求报告多种准则下的结果，确保模型设定的可靠性。LRTestVARModel·操作指南EViews中滞后阶数检验的操作与结果判读EViews的LagLengthCriteria功能集成了多种信息准则的自动化计算；通过识别输出表格中星号（*）最密集的滞后阶数，可快速、客观地锁定模型的最优延迟结构。Step01设置检验参数在初步建立的VAR窗口菜单栏中，依次点击View→LagStructure→LagLengthCriteria，在弹出框中输入最大检验阶数（如10或12）。最大阶数10–12Step02读取对比表格系统将输出包含LogL、LR、FPE、AIC、SC、HQ等指标的综合对比表，每个准则下的最优滞后阶数所在单元格会自动标记星号（*）。6项信息准则Step03综合判读择优综合判读时，优先选择星号最集中的滞后阶数；若存在分歧，通常以SC准则为准以保证模型精简，或辅以残差自相关LM检验确认残差是否为白噪声。SC准则优先VARModelEstimation确定最终滞后阶数并重新估计VAR模型锁定最优滞后阶数后，必须重新设定并估计VAR模型，以确保后续所有动态分析（如脉冲响应、方差分解）均基于残差无自相关、参数最优化配置的基准系统之上。01设定滞后区间依据LagLengthCriteria输出的最优阶数（例如3阶），重新打开VAR设定对话框，将"LagIntervalsforEndogenous"精确修改为"13"。1302重新估计模型点击OK重新估计模型，此时输出的各方程回归系数、标准误及t统计量，即为最终VAR系统的基准参数，用于后续经济学含义的初步解读。基准参数03统一操作窗口务必在此最终确定的VAR窗口基础上进行后续所有操作（包括稳定性检验、Granger因果检验、脉冲响应等），切勿在旧模型窗口中继续分析。切勿混用CHAPTER04模型稳定性与因果关系检验验证VAR系统的动态稳定性，运用Granger检验揭示变量间的预测性因果逻辑STABILITYCONDITIONVAR模型稳定性的理论意义与判定标准VAR模型的稳定性意味着系统受外部冲击后能逐渐回归均衡，而非发散；它是确保脉冲响应函数收敛、方差分解结果具有长期经济学解释力的绝对前提条件。单位圆判定准则稳定性要求VAR模型特征方程的所有根（或特征值的倒数）的模均严格小于1，即所有AR根必须落在复平面的单位圆内。|z|<1不稳定的发散效应若模型不稳定，外部冲击的效应将随时间呈指数级放大而非衰减，导致脉冲响应图发散，完全丧失对现实经济动态的模拟能力。指数发散协整与VECM转向对于非平稳但存在协整关系的I(1)变量系统，允许存在等于1的单位根，但此时必须转向构建向量误差修正模型（VECM）以保证长期均衡。VECMVARMODELDIAGNOSTICSAR根检验（ARRootsTable）的原理与EViews操作AR根检验通过计算VAR系统特征多项式的倒数根来量化模型稳定性；EViews的ARRootsTable直观输出各根的模长，为判定系统是否满足单位圆内约束提供精确数值依据。操作路径在最终确定的VAR窗口菜单栏中，依次点击View→LagStructure→ARRootsTable，系统将输出特征根的实部、虚部及模（Modulus）View→LagStructure判定标准表格中所有根的模（Modulus）必须严格小于1；若出现模大于或等于1的值，则表明VAR系统不稳定，需重新审视模型设定Modulus<1补救措施常见补救措施包括：增加或减少滞后阶数、剔除高度共线性的变量、或对非平稳变量进行差分处理后再重新估计VAR差分·滞后阶数·变量筛选模型诊断AR根图的可视化解读技巧AR根图将抽象的代数条件转化为直观的复平面几何分布，所有特征根倒数均落入单位圆内是模型稳定的视觉铁证，也是学术论文中展示模型有效性的标准范式。01操作路径：在VAR窗口依次点击View→LagStructure→ARRootsGraph，EViews将绘制复平面上的单位圆及所有特征根倒数的散点分布图。02视觉判定标准：图中所有散点（代表特征根的倒数）必须全部位于半径为1的蓝色单位圆内部，任何触及或超出圆周的点均预示模型不稳定。03论文引用规范：AR根图是证明VAR模型有效性的必备图表，需确保图形清晰、坐标轴完整，并辅以文字说明"所有根均位于单位圆内"。学术研究中的计量分析场景GRANGERCAUSALITYTESTGranger因果检验的经济学含义与逻辑前提Granger因果关系本质上是"预测意义上的因果"，即一个变量的滞后信息能否显著提升对另一个变量的预测精度；它揭示的是系统内的信息流动方向，而非绝对的物理或哲学因果机制。01核心定义若引入X的滞后项后，Y的预测误差方差显著减小，则称X是Y的Granger原因，这反映了X的历史信息对预测Y具有增量价值。增量价值02检验前提时间序列必须平稳，或虽非平稳但存在协整关系；对非平稳且无协整关系的序列直接检验会导致伪因果推断。平稳性03方法局限检验结果对滞后阶数高度敏感，且只能捕捉线性预测关系；若变量间存在非线性因果或同期因果关系，Granger检验可能无法有效识别。线性约束GrangerCausalityEViews中Granger因果检验的操作与结果分析EViews的Granger因果检验通过Wald联合显著性检验评估滞后项的预测贡献；准确解读输出表格中的卡方统计量与P值，是厘清多变量间单向或双向信息传导路径的核心。操作路径在VAR窗口依次点击View→LagStructure→GrangerCausality/BlockExogeneityTests，系统将输出基于Wald检验的因果分析矩阵表01结果判读表格按方程分行展示，重点观察Prob.（P值）列：若P值小于0.05，则拒绝原假设，确认存在预测性因果联系02方向判定综合对比所有方程：双向显著为双向因果，单向显著为单向因果，揭示信息流动的不对称性03CHAPTER05脉冲响应分析与方差分解追踪外部冲击的动态传导路径，量化各变量对系统预测误差方差的贡献度VARAnalysis·ImpulseResponse脉冲响应函数（IRF）的概念与动态乘数效应脉冲响应函数（IRF）通过追踪一个标准差的新息冲击对系统内各变量当前及未来值的影响轨迹，直观揭示了经济冲击的动态传导路径、时滞效应与跨期乘数机制。动态响应轨迹IRF描绘了当系统中某个变量受到一个标准差的意外冲击（新息）时，该变量及其他内生变量在未来各期的动态响应轨迹与衰减过程。这种轨迹反映了变量间的动态关联强度。1σ新息冲击传导时滞识别通过IRF可精准识别冲击的传导时滞以及效应的峰值出现时间与持续周期，如货币政策对产出的滞后效应。时滞长度直接影响政策制定的时间窗口选择。6–8季度滞后政策效果评估IRF是评估宏观经济政策有效性的核心工具，可模拟正向利率冲击对通胀的抑制效果及对产出的负面拖累，为政策权衡提供定量依据。正向利率冲击VAR·脉冲响应分析正交化脉冲响应与广义脉冲响应的区别与选择传统正交化脉冲响应依赖Cholesky分解，对变量排序高度敏感；广义脉冲响应（GIRF）通过消除排序依赖，提供了更稳健的冲击模拟，是处理高同期相关性变量的首选方法。01正交化脉冲响应采用Cholesky分解将同期相关的残差转化为正交冲击，但其结果严格依赖于VAR方程中变量的先后排列顺序。核心方法：Cholesky分解局限：排序敏感，结果不稳定02变量排序依赖排序需基于经济学先验理论（如递归假设），错误排序会导致完全扭曲的脉冲响应轨迹。依据：递归假设等先验理论风险：错误排序→轨迹扭曲03广义脉冲响应GIRF由Pesaran提出，利用历史数据协方差矩阵进行标准化，彻底消除变量排序干扰，结果更具稳健性与客观性。核心优势：排序无关推荐场景：高同期相关性变量ImpulseResponseEViews中脉冲响应分析的操作步骤与参数设置EViews的ImpulseResponse对话框提供了高度自定义的冲击模拟环境；合理配置冲击定义方法、响应追踪期数及置信区间算法，是生成具有统计显著性与经济学解释力图表的关键。Display显示模式选择在VAR窗口点击View→ImpulseResponse，在Display选项卡中选择MultipleGraphs（多图并列）或SeparateGraphs（单图展示）。多图模式便于横向对比不同变量响应，单图模式适合深入分析特定冲击路径。推荐：MultipleGraphsCholesky冲击定义方法在ImpulseDefinitions中依据理论选择Cholesky（正交化）或Generalized（广义），并在Responseto中指定施加冲击的源头变量。Cholesky依赖变量排序，Generalized对排序不敏感但计算更复杂。注意：变量排序影响结果95%CI追踪参数配置在Options选项卡中设定追踪期数（Periods，通常20-30期），并务必勾选DisplayConfidenceIntervals（显示95%置信区间），以评估响应轨迹的统计显著性。期数过短难以观察完整动态，过长则噪声累积。关键：必须勾选置信区间VARAnalysis·ImpulseResponse脉冲响应图的解读技巧：冲击方向、持续时间与衰减脉冲响应图的解读需综合考量轨迹方向、置信区间覆盖度与收敛特征；只有当响应轨迹显著偏离零轴且最终回归均衡时，才能得出具有统计支撑与经济学闭环的动态结论。响应轨迹与零轴核心观察指标为响应轨迹（实线）与零轴的相对位置：零轴上方代表正向促进效应，下方代表负向抑制效应，穿越零轴表明效应发生方向性反转。Zero-Axis统计显著性判定若95%置信区间带（虚线）在某一时期完全包含零轴，则表明该期的响应效应在统计上不显著，不能据此得出确定性经济学结论。95%CI长期效应评估若响应轨迹在追踪期末逐渐收敛并贴合零轴，说明冲击效应是暂时的；若长期偏离零轴不收敛，则表明冲击对系统产生了永久性水平位移。ConvergenceVAR·VarianceDecomposition方差分解（VarianceDecomposition）的原理与贡献度测算方差分解通过将VAR系统的预测误差方差按冲击来源进行比例拆解，量化了各内生变量对系统波动的相对贡献度，是评估不同经济因素驱动力强弱的关键结构分析工具。01核心逻辑：误差方差的比例拆解将某个变量未来h期的预测误差方差，精确分解为系统中所有内生变量新息（冲击）所贡献的比例，各来源贡献总和为100%。Sum=100%02侧重评估：冲击的相对重要性与脉冲响应关注冲击方向不同，方差分解侧重于量化各冲击的"相对重要性"，例如货币供给冲击与技术冲击对产出波动的各自解释力度。相对重要性03排序敏感：Cholesky的影响方差分解结果同样受Cholesky排序影响（若使用正交化方法），解释贡献度时需结合经济学理论对变量排序的合理性进行充分辩护。CholeskyVarianceDecompositionEViews中方差分解的操作与结果图表深度解读EViews的VarianceDecomposition功能直观输出各期预测误差方差的来源构成；通过观察贡献度比例随预测期数增加来精准锁定系统波动的核心驱动引擎。操作步骤在VAR窗口点击View→VarianceDecomposition，设定预测期数（如1至20期），系统将同时输出详细数据表格与堆叠柱状图。1–20期解读要点核心在于观察长期稳态：第1期变量自身冲击贡献度为100%，随期数增加，其他变量贡献度逐渐上升并在10–15期后趋于稳定。100%→稳态实证应用重点提取稳定后的贡献度百分比（如利率冲击解释了通胀波动的45%），以此作为政策建议或变量重要性排序的量化依据。45%贡献度CHAPTER06进阶应用与实证案例总结应对非平稳协整数据的VECM转换，总结实证研究中的高频错误与规范化建议VECMMethodology协整检验与VEC模型：非平稳变量的长期均衡分析当同阶