向量自回归模型VAR

写在前面：所写仅为个人理解，请各位读者指正。

1 向量自回归 VAR

1.1 简述

向量自回归（Vector Autoregression，简称VAR）模型是一种常用的多变量时间序列分析模型，由Christopher A. Sims在1980年提出。用于预测相互关联的时间序列变量，并探究它们之间的动态关系。

• 多元时间序列：VAR模型处理的是多个同时收集的时间序列数据，
• 自回归结构：每个变量的当前值由自身过去值以及其他变量的过去值共同预测。
• 模型估计：通常使用最小二乘法（OLS）来估计VAR模型的参数。

1.2 时间序列

首先我们要知道时间序列长什么样子：

1.3 术语概念

内生变量：受影响的变量。可以理解为真实存在数据集中的数据
外生变量：不受模型中变量的影响，但可以影响内生变量。可以理解为未被采集到的数据。

1.3 公式

• $y$ 表示一个标量
• $\mathbf{y}$ 表示一个样本向量
• $\mathbf{A}$ 表示一个矩阵

一个基本的VAR模型可以表示为：
$${\mathbf{y}}_t=\mathbf{c}+{\mathbf{A}}_1{\mathbf{y}}_{t-1}+{\mathbf{A}}_2{\mathbf{y}}_{t-2}+\dots +{\mathbf{A}}_p{\mathbf{y}}_{t-p}+{\epsilon }_{\mathbf{t}}$$

• ${\mathbf{y}}_t\in {\mathbb{R}}^k$是$k$个内生变量在时间$t$的观测值。
• $\mathbf{c}\in {\mathbb{R}}^k$是常数向量。
• ${\mathbf{A}}_i\in {\mathbb{R}}^{k\times k}$是系数矩阵，表示 $t-i$ 时刻的 ${\mathbf{y}}_{t-i}$ 对${\mathbf{y}}_t$的影响。
• ${\epsilon }_t\in {\mathbb{R}}^k$是误差项向量，通常假设其满足经典的高斯白噪声过程。
• $p$为阶数(可以理解为步长)，即$t$时刻的预测值通过需要$t-1$ ~ $t-p$ 时刻的数据进行预测。

1.4 理解

由上面的公式可以看出：标准的VAR模型就是一个多元线性回归模型。只不过用当前时间步的样本作为标签，之前p个时间步的样本整体作为新的样本。
具体线性模型可以看我的动手学深度学习pytorch专栏

2 结构向量自回归 SVAR

在SVAR模型中，假设误差项 ${\epsilon }_t$ 可以被分解为两个部分：一个反映同期结构性影响的 $B{\eta }_t$，和一个表示简化VAR模型中误差项的 $u_t$。即：
$${\epsilon }_t=\mathbf{B}{\eta }_t+u_t$$
其中，$\mathbf{B}\in {\mathbb{R}}^{k\times m}$，$m\le k$，${\eta }_t\in {\mathbb{R}}^m$ 是结构性冲击向量，$u_t\in {\mathbb{R}}^k$ 是简化误差项向量。

代入VAR模型，我们得到SVAR模型：
$${\mathbf{A}}_0{\mathbf{Y}}_t=\mathbf{c}+{\mathbf{A}}_1{\mathbf{Y}}_{t-1}+{\mathbf{A}}_2{\mathbf{Y}}_{t-2}+\dots +{\mathbf{A}}_p{\mathbf{Y}}_{t-p}+\mathbf{B}{\eta }_t+{\mathbf{u}}_t$$

其中，${\mathbf{A}}_0\in {\mathbb{R}}^{k\times k}$ 用于反映同期结构性影响。

代码

由GPT生成

import numpy as np
import pandas as pd
import statsmodels.api as sm

# 假设我们有一个包含两个变量的数据集
# 这里我们使用随机数据作为示例
np.random.seed(0)
data = pd.DataFrame(np.random.randn(100, 2), columns=['X', 'Y'])

# 创建VAR模型
model_var = sm.tsa.VAR(data)
results_var = model_var.fit()

# 创建SVAR模型
# 假设我们有一个外生变量Z
np.random.seed(0)
z = pd.DataFrame(np.random.randn(100, 1), columns=['Z'])
data['Z'] = z

# 创建SVAR模型，并假设Z是外生变量
model_svar = sm.tsa.SVAR(data, {'Z': 'endog'})
results_svar = model_svar.fit()

# 打印VAR和SVAR模型的结果
print(results_var.summary())
print(results_svar.summary())