时间序列VAR模型知识汇总
Posted 计量经济学
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了时间序列VAR模型知识汇总相关的知识,希望对你有一定的参考价值。
来源:计量经济学服务中心
VAR方法通过把系统中每一个内生变量,作为系统中所有内生变量的滞后值的函数来构造模型,从而回避了结构化模型的要求。VAR模型对于相互联系的时间序列变量系统是有效的预测模型,同时,向量自回归模型也被频繁地用于分析不同类型的随机误差项对系统变量的动态影响。如果变量之间不仅存在滞后影响,而不存在同期影响关系,则适合建立VAR模型,因为VAR模型实际上是把当期关系隐含到了随机扰动项之中。
单位根检验是序列的平稳性检验,如果不检验序列的平稳性直接OLS容易导致伪回归。
当检验的数据是平稳的(即不存在单位根),即意思是单位根检验的原假设是存在单位根,存在单位根,则不平稳,等价关系! 要想进一步考察变量的因果联系,可以采用格兰杰因果检验。
平稳性检验有3个作用:1)检验平稳性,若平稳,做格兰杰检验,非平稳,作协正检验。2)协整检验中要用到每个序列的单整阶数。
当检验的数据是非平稳(即存在单位根),并且各个序列是同阶单整(协整检验的前提),想进一步确定变量之间是否存在协整关系,可以进行协整检验,协整检验主要有EG两步法和JJ检验 (1)、EG两步法是基于回归残差的检验,可以通过建立OLS模型检验其残差平稳性 (2)、JJ检验是基于回归系数的检验。
单位根检验方法步骤
在eviews中,ADF检验的方法:1 view---unit roottest,出现对话框,默认的选项为变量的原阶序列检验平稳性,确认后,若ADF检验的P值小于0.5,拒绝原假设,说明序列是平稳的,若P值大于0.5,接受原假设,说明序列是非平稳的;2 重复刚才的步骤,view---unit root test,出现对话框,选择1stdifference,即对变量的一阶差分序列做平稳性检验,和第一步中的检验标准相同,若P值小于0.5,说明是一阶平稳,若P值大于0.5,则继续进行二阶差分序列的平稳性检验。
虽然定义经过d阶差分后是平稳的,但是软件只提供到2阶差分,若是原始数据没有经过差分就平稳,则说明那是零阶单整,记为I(0)的过程。
在stata中,单位根检验命令为:dfuller lnagdp,建议help dfuller等。
先做单位根检验,看变量序列是否平稳序列,若平稳,可构造回归模型等经典计量经济学模型;若非平稳,进行差分,当进行到第d次差分时序列平稳,则服从i阶单整(注意趋势、截距不同情况选择,根据P值和原假设判定)。若所有检验序列均服从同阶单整,可构造VAR模型,做协整检验(注意滞后期的选择),判断模型内部变量间是否存在协整关系,即是否存在长期均衡关系。如果有,则可以构造VEC模型或者进行Granger因果检验,检验变量之间“谁引起谁变化”,即因果关系。
关于截距、趋势选择问题,请大家看图,view,graph,若是有时间趋势,则选择截距和趋势;若是围绕0波动,则选择具有截距;若是没有上述情况,选择none。
单位根检验是检验数据的平稳性,或是说单整阶数。
协整是说两个或多个变量之间具有长期的稳定关系。但变量间协整的必要条件是它们之间是同阶单整,也就是说在进行协整检验之前必须进行单位根检验。
协整说的是变量之间存在长期的稳定关系,这只是从数量上得到的结论,但不能确定谁是因,谁是果。而因果关系检验解决的就是这个问题。
单位根检验是检验时间序列是否平稳,协整是在时间序列平稳性的基础上做长期趋势的分析,而格兰杰检验一般是在建立误差修正模型后,所建立的短期的因果关系。故顺序自然是先做单位根检验,再过协整检验,最后是格兰杰因果检验。
单位根检验是对时间序列平稳性的检验,只有平稳的时间序列,才能进行计量分析,否则会出现伪回归现象;协整是考察两个或者多个变量之间的长期平稳关系;格兰杰因果检验是考察变量之间的因果关系,协整说明长期稳定关系不一定是因果关系,所以需要在通过格兰杰因果检验确定两者的因果关系。顺序一般是单位根检验,通过后如果同阶单整,在进行协整,然后在进行因果检验。要特别注意的是:只有同阶单整才能进行协整。
格兰杰因果检验是检验统计上的时间先后顺序,并不表示而这真正存在因果关系,是否呈因果关系需要根据理论、经验和模型来判定。
关于格兰杰因果检验若X都不是Y的格兰杰原因,这并不是说X与Y之间毫无关系。格兰杰因果检验本身也不是真实意义上检验变量的因果关系,而只是检验变量在统计上的时间先后顺序。
格兰杰检验只能用于平稳序列!这是格兰杰检验的前提,而其因果关系并非我们通常理解的因与果的关系,而是说x的前期变化能有效地解释y的变化,所以称其为“格兰杰原因”。
VAR建模时lag intervals for endogenous要填滞后期,但是此时你并不能判断哪个滞后时最优的,因此要试,选择不同的滞后期,至AIC或SC最小时,所对应着的滞后为最优滞后,此时做出来的VAR模型才较为可靠。
做协整检验前作VAR的原因是,协整检验是对滞后期和检验形式非常敏感的检验,首先需要确定最优滞后。由于VAR是无约束的,而协整是有约束的,因此协整检验的最优滞后一般为VAR的最优滞后减去1,确定了最优滞后后,再去诊断检验形式,最终才能做协整。
当确定了协整的个数后,往下看,有个标准化的结果,这个结果就是协整方程,由于在结果中各变量均在方程一侧,因此如果系数为正,则说明是负向关系,反之亦然。
协整表示变量间的长期均衡关系,貌似与你的OLS不矛盾。
(1)如检验不协整,说明没长期稳定关系,可以做VAR模型,但是模型建立后要做稳定性分析:做AR根的图表分析,如所有单位根小于1,说明VAR模型定,满足脉冲分析及方差分解所需条件之一
(2)VAR与VEC关系是:VEC是有协整约束(即有长期稳定关系)的VAR模型,多用于具有协整关系的非平稳时间序列建模
简单说VAR模型建立时
第一步:不问序列如何均可建立初步的VAR模型(建立过程中数据可能前平稳序列,也可能是部分平稳,还可能是没协整关系的同阶不平稳序列,也可能是不同阶的不平稳序列,滞后阶数任意指定。所有序列一般视为内生向量), 1 滞后阶数检验,以确定最终模型的滞后阶数;2 在滞后阶数确定后进行因果关系检验,以确定哪些序列为外生变量进行AR根图表分析,如单位根均小于1,VAR构建完成可进行脉冲及方差分解。
以上是关于时间序列VAR模型知识汇总的主要内容,如果未能解决你的问题,请参考以下文章
A.特定领域知识图谱知识推理方案:知识图谱推理算法综述[四](基于图传播的模型:node2vecGCNGraphsageGeniePath等)算法汇总和应用场景归纳