VAR模型操作步驟指南

簡單來說，VAR模型就是用模型刻畫向量間的數量關系。它的適用前提可概括為以下兩點：①能進行回歸。②向量之間存在一定數量關系(統計意義上的因果關系-格蘭杰因果檢驗)。而滿足以上兩點的條件則是數據平穩，否則會發生偽回歸，且無法進行格蘭杰因果檢驗。因此，構建VAR模型的第一步是檢驗數據平穩性，常用檢驗方法為ADF單位根檢驗。

1.數據平穩性檢驗-時序圖+單位根檢驗

2.確定VAR模型滯后階數

3.Johansen協整檢驗

4.VECM向量誤差修正模型

5.granger因果檢驗-變量外生性檢驗

6.AR根檢驗-檢驗VAR模型的穩定性

7.脈沖響應-每一變量沖擊的影響

8.方差分解-各變量對預測方差的貢獻度

(具體操作步驟應根據研究數據及目的進行選擇)

我的理解是，當原序列平穩時可以直接按125678構造VAR模型進行預測；而當序列是差分平穩且為同階單整時需增加3、4步。因為現實經濟中的時間序列通常是非平穩的，我們可通過差分使其平穩，但與此同時會失去總量的長期信息，因此需要用協整來判斷非平穩序列的線性組合是否有穩定的均衡關系。

數據平穩性檢驗

打開EViews09，點擊creat a new Eviews workfile，輸入起始和終止時在命令欄輸入“data y x”(你自己變量的命名)，輸入數據。

雙擊打開變量，點擊view-graph-ok，觀察時序圖，借助時序圖進行ADF檢驗方法的選擇，以下圖為例，橫軸為時間，縱軸為相應年份的數值：在樣本范圍內，變量并未在值上下波動，說明變量不平穩。此外，截距項不為0，變量隨著年份變化而變化，具有明顯上升趨勢，說明變量Y具有截距項和時間趨勢。

? ? ?根據時序圖進行初略判斷后再進行下一步精準的ADF檢驗。點擊view-unit root test。其中，我們先選擇檢驗序列的“level”,表示原序列，根據剛剛的Y變量。我們應該再檢驗方程的選項中選擇“Trend and intercept”表示具有時間趨勢項和截距項。

? ? ?點擊OK，輸出結果。原假設為Y含有1個單位根(不平穩)。一般來說顯著性水平分為1%，5%和10%，P值是原假設成立的概率。這里可以直接看P值，假設我選擇了10%的顯著性水平，如果P值>0.1，代表原假設有超過10%的概率成立，那么序列Y則是不平穩序列，反之，序列Y是平穩序列。

? ? ?當原序列為非平穩序列時，我們可以在命令欄輸入“genr dy=d(y)”構建1階差分序列dy。觀察dy的時序圖確定檢驗方程中是否包含截距項和時間趨勢項。再回到序列y的單位根檢驗選擇檢驗序列中的“1st difference”，檢驗1階差分序列是否平穩。若研究的所有變量都1階平穩，則稱其為一階同整。本文的序列均為一階同整。

確定VAR模型滯后階數

選擇模型包含的所有變量，點擊右鍵-open-as var-確定-view-lag strcture-lag length criteria...，輸入能輸入的最大數值(當你輸入的數值過大時會出現提示)

根據AIC， SC最小數值對應的階數為最優滯后項，如AIC和SC中最小數值所對應的階數不一樣，可以根據LR判斷(或者選擇帶星號最多的階數)。下圖中滯后階數為3時，星號最多，因此也可判斷此VAR模型的最優滯后期為3。(最優滯后期的選擇還要根據你的樣本容量來定，如果滯后期大，而樣本容量少，則代表自由度不夠，模型可信度降低，因此最優滯后期在可選擇的范圍內盡可能往小的選)。

確認VAR模型的最優滯后項后，點擊Estimate將"1 2"改為“1 3”，構建滯后項為3的VAR模型("1 2"意為滯后期區間是1~2)。

Johansen協整檢驗

協整檢驗的前提是序列滿足同階單整，以下的例子中的序列均為一階單整序列。

點擊view-cointeration進行協整檢驗(Johansen檢驗的滯后項=VAR滯后項-1)所以本例下圖的lag intervals應為“1 2”。

?Johansen協整檢驗形式初步選擇建議：

【情形1】和【情形5】比較特殊，在實際分析中很少出現，所以用的比較少。

【情形1】明確所有序列都是零均值。

【情形2】沒有序列含有趨勢項。

【情形3】所有序列的趨勢是隨機趨勢。

【情形4】部分序列是趨勢平穩。

【情形5】可能出現過擬合現象。

(來源：公眾號財經節析)

點擊確定輸出結果：可以根據原假設成立概率P判斷，也可直接看結果，下圖結果為變量間具備1個協整關系。

協整結果往下滑動，得下圖，其中標準化協整方程為：X-2.308308Y=0

VECM向量誤差修正模型

上面協整檢驗是分析變量間的線性組合是否存在長期穩定關系。但在實際情況下，非均衡才是常態，因此我們需要通過誤差修正模型研究如何將短期非均衡狀態修復至均衡狀態。

誤差修正模型的前提是變量間具有長期協整關系，因此，我們可根據上例進行VECM演示。雙擊打開變量-as var進行模型設定。

根據下圖輸出VECM結果(CointEq1是誤差修正項)：

?①dx=0.4296ecm(-1)-0.213dx(-1)-0.749dx(-2)+0.695dy(-1)+1.393dy(-2)+0.884

②dy=....(書寫如上)

上例中的johansen檢驗和VECM向量誤差修正模型得出的協整方程有所不同，而區別則在于有無常數項。

格蘭杰因果檢驗

因為VAR模型是將變量看作一個系統的內生變量，變量間應有統計意義上的相關關系。因此，需要用格蘭杰因果檢驗。而格蘭杰因果檢驗的數據必須是平穩序列，所以當原序列為非平穩序列時，應用同階單整序列進行檢驗。

選擇變量雙擊打開，點擊view-granger casuality，先選擇較大滯后期(格蘭杰檢驗中不同滯后期的效果不一樣,有些學者選擇不同滯后期進行分析，有些則令VAR的最優滯后期為格蘭杰因果檢驗滯后期)。

以下圖結果為例，原假設為Y不是X的格蘭杰原因時，P＜0.05，說明在5%的顯著性水平下拒絕原假設，即Y是X的格蘭杰原因；而原假設為X不是Y的格蘭杰原因時，P＞0.1，說明原假設成立概率大，接受原假設，即X不是Y的格蘭杰原因。

上期回顧

時序模型選擇+學習路徑分享(點擊直達)

下期預告

VAR模型的實操步驟(下)

E-G兩步法+ECM模型實操步驟

熵值法詳細步驟

你點的每個贊，我都認真當成了喜歡

總結

以上是生活随笔為你收集整理的格兰因果模型可以分析哪些东西_论文实证经验分享|VAR模型实操步骤（上）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。