《Eviews中向量自回归模型VAR解读实用教案》由会员分享，可在线阅读，更多相关《Eviews中向量自回归模型VAR解读实用教案（29页珍藏版）》请在金锄头文库上搜索。
1、一、向量自回归(hugu)（VAR）模型定义VAR模型是自回归模型的联立形式，所以称向量自回归模型。假设(jish)y1t，y2t之间存在关系，如果分别建立两个自回归模型y1t=f(y1,t-1,y1,t-2,)y2t=f(y2,t-1,y2,t-2,)则无法捕捉两个变量之间的关系。如果采用联立的形式，就可以建立起两个变量之间的关系。第1页/共28页第一页，共29页。VAR模型(mxng)的形式以两个(lin)变量y1t，y2t滞后1期的VAR模型为例，VAR模型可表达为：y1t=c1+11.1y1.t-1+12.1y2,t-1+u1ty2t=c2+21.1y1,t-1+22.1y2,t-1+
2、u2t可见，VAR模型就是一个联立方程模型，只是解释变量全为内生变量的滞后值。由传统计量经济学知，这样的解释变量为“前定变量”，可以求参数估计值。第2页/共28页第二页，共29页。写成矩阵形式：设则有：上式即为VAR模型的矩阵形式。推广(tugung)至N个变量滞后k期的VAR模型，有：（6.3）中，第3页/共28页第三页，共29页。对单一方程而言，每个方程的随机误差项独立不相关（时间序列(xli)上前后不相关），但对模型而言，不同方程的随机误差项存在相关性。因VAR模型中每个方程的右侧只含有内生变量的滞后项，他们与ut是渐近不相关的，所以可以用OLS法依次估计每一个方程，得到的参数估计量都具
3、有一致性。 第4页/共28页第四页，共29页。VAR模型(mxng)的特点（1）不以严格的经济理论为依据。在建模过程中只需明确两件事：共有哪些变量是相互有关系的，把有关系的变量包括在VAR模型中；确定滞后期k。使模型能反映出变量间相互影响的绝大部分。（2）VAR模型对参数不施加零约束(yush)。（对无显着性的参数估计值并不从模型中剔除，不分析回归参数的经济意义。）（3）VAR模型的解释变量中不包括任何当期变量，所有与联立方程模型有关的问题在VAR模型中都不存在（主要是参数估计量的非一致性问题）。（4）VAR模型的另一个特点是有相当多的参数需要估计。比如一个VAR模型含有三个变量，最大滞后期k
4、=3，则有kN2=332=27个参数需要估计。当样本容量较小时，多数参数的估计量误差较大。（5）无约束(yush)VAR模型的应用之一是预测。由于在VAR模型中每个方程的右侧都不含有当期变量，这种模型用于样本外一期预测的优点是不必对解释变量在预测期内的取值做任何预测。（6）用VAR模型做样本外近期预测非常准确。做样本外长期预测时，则只能预测出变动的趋势，而对短期波动预测不理想。第5页/共28页第五页，共29页。VAR模型回归(hugu)的Eviews实现打开工作文件，点击Quick键,选EstimateVAR功能。作相应选项后，即可得到VAR的表格式(gshi)输出方式。在VAR模型估计结果窗
5、口点击View选representation功能可得到VAR的代数式输出结果。用VAR进行回归分析的关键是选择变量及滞后阶数k。第6页/共28页第六页，共29页。第7页/共28页第七页，共29页。第8页/共28页第八页，共29页。在VAR模型估计结果窗口点击View选representation功能(gngnng)可得到VAR的代数式输出结果：第9页/共28页第九页，共29页。滞后(zhhu)期选择结果第10页/共28页第十页，共29页。二、VAR模型(mxng)的稳定性检验VAR模型稳定的充分与必要条件是1（见(6.2)式）的所有特征值都要在单位圆以内（在以横轴为实数轴，纵轴为虚数轴的坐标体
6、系中，以原点为圆心，半径(bnjng)为1的圆称为单位圆），或特征方程的根都要小于1。或者，|I-1L|=0的根都在单位圆以外。|I1L|=0在此称作相反的特征方程（reversecharacteristicfunction）。此处L为滞后算子。第11页/共28页第十一页，共29页。求VAR模型(mxng)特征根的EViews6.1操作在VAR模型估计结果窗口点击(dinj)View选LagStructrure/ARRootsTable 功能，即可得到VAR模型的全部特征根。若选LagStructrure/ARRootsGraph功能，即可得到单位圆曲线以及VAR模型全部特征根的位置图。第12
7、页/共28页第十二页，共29页。特征(tzhng)根数值第13页/共28页第十三页，共29页。特征(tzhng)根图形，在单位圆内，模型稳定第14页/共28页第十四页，共29页。高阶VAR模型(mxng)的稳定性检验对于k1的k阶VAR模型可以通过友矩阵变换（companionform），改写成1阶分块矩阵的VAR模型形式。然后(rnhu)利用其特征方程的根判别稳定性。对k阶VAR模型配上如下等式：第15页/共28页第十五页，共29页。将这K个等式写成矩阵形式：记则有：这样k阶VAR模型就被转化(zhunhu)为1阶VAR，用前面讲过的方法检验稳定性。第16页/共28页第十六页，共29页。滞后
8、期4阶的检验(jinyn)过程第17页/共28页第十七页，共29页。第18页/共28页第十八页，共29页。第19页/共28页第十九页，共29页。特征值在单位圆内，模型(mxng)稳定第20页/共28页第二十页，共29页。三、VAR模型滞后(zhhu)期k的选择在VAR模型中适当加大k值（增加滞后变量个数），可以消除误差项中存在的自相关。但从另一方面看，k值又不宜过大。k值过大会导致自由度减小，直接影响模型参数估计量的有效性。Eviews软件给出五个确定最佳k值的指标，并给出结论。方法：在VAR模型估计结果窗口点击View选LagStructrure/LagLengyhCriteria功能，即可
9、得到5个评价(pngji)统计量的值。第21页/共28页第二十一页，共29页。上述(shngsh)五个指标，3个显示k=4，2个显示k=2第22页/共28页第二十二页，共29页。四、VAR模型(mxng)的脉冲响应函数脉冲响应函数描述一个内生变量对误差(wch)冲击的反应。具体地说，它描述的是在随机误差(wch)项上施加一个标准差大小的冲击后对内生变量的当期值和未来值所带来的影响。只有稳定的VAR模型，脉冲响应函数才会收敛，否则无意义。在Eviews6里，点VAR方程窗口的View/Impulse,再作各项选择，即可得到脉冲响应函数图形。第23页/共28页第二十三页，共29页。第24页/共28
10、页第二十四页，共29页。残差序列相关(xinggun)分析因脉冲响应函数原理是误差项的冲击，误差项之间可能存在交叉相关，一般处理脉冲响应函数时，会作一个误差相关分析，实际操作中，只能利用误差项的模拟(mn)序列-残差序列来进行分析。点击VAR方程窗口中的Procs键，选MakeResiduals（生成残差）功能，工作文件中就会生成以resid01,resid02,为编号的残差序列及新窗口。在残差序列数据组窗口中点击View键，选择Covariances功能第25页/共28页第二十五页，共29页。上一排数值(shz)为方差或协方差，下一排为相关系数。第26页/共28页第二十六页，共29页。五、V
11、AR、协整与VEC模型(mxng)第27页/共28页第二十七页，共29页。感谢您的欣赏(xnshng)！第28页/共28页第二十八页，共29页。内容(nirng)总结一、向量(xingling)自回归（VAR）模型定义。如果采用联立的形式，就可以建立起两个变量之间的关系。（4）VAR模型的另一个特点是有相当多的参数需要估计。这样k阶VAR模型就被转化为1阶VAR，用前面讲过的方法检验稳定性。具体地说，它描述的是在随机误差项上施加一个标准差大小的冲击后对内生变量的当期值和未来值所带来的影响。在Eviews6里，点VAR方程窗口的View/Impulse,再作各项选择，即可得到脉冲响应函数图形第二十九页，共29页。
