平稳VAR模型一

knitr::opts_chunk$set(echo = TRUE, message = F, warning = F)

Tsay书的第一章通过上两篇得到总结，主要目的是清楚多元模型的数据结构和模型目标。第二章用以了解 Stationary VAR 时间序列的基本知识，主要包括:

• 模型成分和结构
• 平稳性特征/条件
• 模型测量
• 模型筛选
• 预测

总体的，一个VAR(p)表达与AR(p)类似:

$$z_t = \phi_0 + \sum_{i = 1}^p \phi_i z_{t - i} + a_t$$

参见上篇详细表达。 值得注意的是，VAR(p) 的 p 取值于最大lag， 如一个观测对象数量为2的VAR(2)模型， 可以由一个AR(1)和一个AR(2)模型组成， 如下, 例子中$z_{2, t-1}$ 如果不能为z_{1t} 的预测提供有效信息, 依照Granger
Causality $\phi_{1,12} = 0$, 原因是它不能提高预测的准确性。

z1t=ϕ10+ϕ1,11z1,t−1+ϕ1,12z2,t−1+a1tz2t=ϕ20+ϕ1,21z1,t−1+ϕ1,22z