多元时间序列分析——VAR（向量自回归模型）

于 2024-06-29 12:07:01 发布
阅读量2k 收藏 22
点赞数 36
分类专栏： 机器学习 文章标签： 回归 数据挖掘 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_74867870/article/details/140061911
版权

  • VAR模型主要是考察多个变量之间的动态互动关系，从而解释各种经济冲击对经济变量形成的动态影响。这种动态关系可通过格兰杰因果关系、脉冲响应以及方差分解来进一步明确和可视化。
  • VAR模型主要研究内生变量之间的关系，内生变量就是参与模型并由模型体系内决定的变量，外生变量时由模型外的因素决定的变量。
    • 内生变量
      • 内生变量是具有某种概率分布的随机变量，它的参数是联立方程系统估计的元素，是由模型系统决定的，同时也对模型系统产生影响
      • 内生变量一般都是明确经济意义变量
      • 一般情况下，内生变量与随机项相关
      • 在联立方程模型中，内生变量既作为被解释变量，又可以在不同的方程中作为解释变量。
    • 外生变量
      • 外生变量一般是确定性变量，或者是具有临界概率分布的随机变量，其参数不是模型系统研究的元素
      • 外生变量影响系统，但本身不受系统的影响。
      • 外生变量一般是经济变量、政策变量、虚拟变量。
      • 一般情况下，外生变量与随机项不相关
  • 多元时间序列分析常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响，处理多个相关经济指标的分析与预测，比如经济，商业，社会科学，地球物理，环境科学，工程学等等；
  • 特点
    • 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：①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；②确定滞后期 p。使模型能反映出变量间相互影响的绝大部分。
    • VAR模型对参数不施加零约束。（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。）
    • 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）。
    • 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 p=3，则有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。
    • 无约束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。
    • 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。
  • 模型的定阶（滞后阶数检验）
    • 滞后阶数检验需要考虑两个问题：
      • 第一，如果滞后阶数 p 比较小，那么随机误差项会出现自相关的问题；
      • 第二，在实际应用中，通常希望滞后阶数 p 足够大，进而能够更好的体现所构造的模型的动态特征，但是如果滞后阶数 p 过大时，那么模型所需要估计的参数就越多，将存在自由度太小的问题，如果没有足够多的样本数量，就会造成所需要估计参数不能有效的计算出来。
    • 有两种方法可以做滞后阶数检验
      • 第–种方法，分析各种准则，最后确定滞后阶数，AIC准则、SC准则、HQ准则、LogL准则、最终预测误差（FPE）；
      • 第二种方法，分析似然比（LR），这种方法不会出现第一-种方法的无效结果
  • 模型的系数估计
    • 采用OLS（最小二乘估计）方法进行估计，同时估计量具有一致性和无偏性
    • 一个k维p阶向量回归模型中，各方程中所有解释变量的滞后期是相同的，都为滞后p期，因此共估计得到(p*k^2+k)个系数
  • 单位根检验
    • 时间序列平稳性是指–组数列的统计值与时间无关，不会随时间推移而变化，它通常是以因果关系为基础的数学模型的假设条件。
      • 如果时间序列yt是一组平稳序列，那么经过计算分析得到其均值E（yt)不随时间变化而变化，其方差V ar(yt)也不受时间的影响。
      • 如果时间序列yt不是一组平稳序列，那么它的均值和方差都会受到时间t影响，随之改变。
    • 在VAR模型中，必须保证时间序列稳定。如果不能保证时间序列稳定，那么会导致两种结果：
      • 第一，向量自回归系数的估计值是负数，做完 t 检验后，得到的结果是无效的；
      • 第二，两个独立变量的相关关系或者回归关系是假的，使得模型的结果无效。
    • DF检验
    • ADF检验
  • 格兰杰因果检验
    • 在有些情况下，时间序列分析也会出现伪相关问题，也就是可以计算出较大的相关系数的变量实际上并不相关。
    • 格兰杰因果检验用于检验时间序列之间是否存在相关关系，它是能否建立脉冲函数的前提。
    • 先发生的事情对后发生的事情有–定的影响，或者说某个变量是否可以用来提高对其他相关变量的预测能力。所以，“格兰杰因果关系的实质是一-种“预测”关系
    • 格兰杰因果检采取以下方式验证是否是真正的相关关系：
      • 估计当前的Y值被Y本身滞后期取值所能解释的程度；
      • 检验加入X的滞后期后，Y的被解释程度是否提高
      • 如果满足条件（2），则X是Y的格兰杰成因，此时X的滞后期系数具有统计显著性
      • 具体是通过在向量自回归模型系统中考察序列滞后项的系数是否全为零来进行检验
  • 脉冲响应分析
    • 作用是可以分析某个变量对另一个变量的影响时间和幅度
    • 脉冲响应函数
      • 脉冲响应函数研究的是随机干扰项遭受冲击后内生变量的反应，用来描述对随机干扰项施加一一个冲击后对内生变量的当期值和未来值造成的影响。
  • 方差分解
    • 分析各个内生变量的正交冲击对目标内生变量冲击的贡献比例，进而判断分析各个变量的重要性。
刘水水不水
关注
专栏目录
VAR模型的Eviews方法
05-15
VAR模型的Eviews方法VAR模型的Eviews方法VAR模型的Eviews方法VAR模型的Eviews方法
stata命令：PVAR模型的STATA操作步骤
06-02
stata命令：PVAR模型的STATA操作步骤
【手把手教你】使用Python玩转多元时间序列分析
Python金融量化
10-20 3065
在探索和理解复杂的金融市场行为时，时间序列分析成为了一种无法忽视的强有力工具。特别是，当我们处理的不仅是单一的时间序列，而是多个时间序列并存，并且它们之间存在一种或多种形式的互动时，多元时间序列分析的重要性就显得尤为突出。在本章节中，我们将专注于多元时间序列的传统模型，探索它们的理论基础，分析它们的构建与验证过程，以及它们在金融领域中的应用。本文将首先探讨向量自回归模型（VAR），它为分析多元时间...
Stata 中的向量自回归模型(VAR)
Notetaking
11-21 3万+
1. 引言 在单变量回归中，一个平稳的时间序列 yty_tyt​ 经常被模型化为 AR 过程： yt=α0+α1yt−1+α2yt−2+⋯+αkyt−k+ϵt y_t=\alpha_0+\alpha_1 y_{t-1}+\alpha_2 y_{t-2}+\dots +\alpha_k y_{t-k}+\epsilon_t yt​=α0​+α1​yt−1​+α2​yt−2​+⋯+αk​yt−k​+ϵ...
向量自回归VAR的迭代多元预测估计 GDP 增长率时间序列|数据分享
拓端研究室TRL
03-08 237
原文链接：http://tecdat.cn/?p=25761VARs的结构也允许联合检验多个方程的限制。例如，检验滞后p的所有回归变量的系数是否为零，可能是有意义的。这相当于检验滞后阶数p-1是正确的原假设。系数估计值的大样本联合正态性很方便，因为它意味着我们可以简单地使用F检验来解决这个检验问题。这种检验统计量的明确公式相当复杂，但我们使用R函数可以轻松完成这种计算。另一种确定最佳滞后长度的方...
VAR（向量自回归）模型
积一时之步，臻千里之遥程
07-04 9万+
VAR（向量自回归）模型是基于数据统计性质建立起来的模型，它把系统中的每个内生变量作为系统里所有其它内生变量滞后值的函数进行构建模型，从而把单变量的自回归模型推广到了多元时间序列组成的向量自回归模型。 ...
VAR模型
最新发布
weixin_54703767的博客
12-17 4455
VAR（Vector Autoregression）模型是一种用于时间序列分析的统计模型，它可以描述多个变量之间的相互关系和动态演化。VAR模型最初是由Sims（1980）提出的，广泛应用于宏观经济学、金融领域以及其他时间序列数据分析的领域。VAR模型的基本思想是将所有的变量都视为内生变量（endogenous variables），并且假定每一个内生变量都可以由过去若干期的所有内生变量的线性组合表示。通常，VAR模型包括p个内生变量，而VAR(p)表示这个模型的滞后阶数（lag order）为p。
【VAR模型 | 时间序列】帮助文档：VAR模型的引入和Python实践（含源代码）
wzk4869的博客
05-04 9429
【VAR模型 | 时间序列】帮助文档：VAR模型的引入和Python实践（含源代码）
Python实现向量自回归（VAR）模型——完整步骤
热门推荐
mooncrystal123的博客
02-01 11万+
废话不多说，先开始分享： 1. 首先啥是VAR模型，我这里简略通俗的说一下，想看代码的童鞋直接跳到第3部分就好了： 以金融价格为例，传统的时间序列模型比如ARIMA,ARIMA-GARCH等，只分析价格自身的变化，模型的形式为： 其中称为自身的滞后项。 但是VAR模型除了分析自身滞后项的影响外，还分析其他相关因素的滞后项对未来值产生的影响，模型的形式为： 其中就是其他因子的滞后项......
R语言写的VAR预测模型
08-15
R语言写的 var模型 最新出炉
建模的一般步骤和原则.模型的分析
09-13
建模的一般步骤和原则 一个理想的数学模型必须是能反映系统的全部重要特征，同时在数学上又易于处理，即它满足:  模型的可靠性 在允许的误差范围
VAR_多元时间序列分析_var_
10-04
向量自回归模型（VAR）是建立在多个自回归模型基础上的扩展，适用于至少两个或更多个非平稳时间序列的建模。在VAR模型中，每个变量都是其他变量滞后值的线性函数，这样就可以同时考虑所有变量的影响，从而捕捉它们...
VAR向量自回归时间序列区间预测（Matlab完整程序和数据）
07-29
VAR（Vector Autoregression，向量自回归）模型是一种在多变量时间序列分析中广泛使用的统计工具，尤其在经济和金融领域。它用于研究多个变量之间的相互依赖关系，通过建立这些变量之间的动态关系来预测未来的值。...
时间序列分析——VAR模型实验.doc
10-03
在这种分析中，向量自回归（VAR）模型是一个重要的工具，特别适用于处理多个相关的时间序列变量。在“时间序列分析——VAR模型实验”中，研究者探讨了中国房地产市场与汇率波动之间的相互影响，通过VAR模型进行实证...
Python-VAR:Python中的向量自回归模型
05-15
向量自回归模型是多元时间序列分析的一种方法，它扩展了传统的自回归（AR）模型，将多个相关的时间序列变量纳入考虑。VAR模型假设每个变量都是其自身和其他变量滞后值的线性函数。形式上，一个p阶的VAR模型可以表示...
【VAR | 时间序列】应用VAR模型时的15个注意点
wzk4869的博客
05-03 5647
【VAR | 时间序列】应用VAR模型时的15个注意点
时间序列分析（11）| 向量自回归模型（VAR模型）
R语言学堂
06-26 8008
上篇介绍的传递函数模型的假设是，会影响到，而不会影响到，因此称为外生变量（exogenous variable）。如果和以及更多的变量之间能够相互影响，此时它们就是内生变量（endogenous variable）。向量自回归模型（vector autoregressive model，VAR模型）研究的就是内生变量之间的相互影响作用。1 模型形式以双变量为例：402 P...
时间序列分析——向量自回归 C++带类实现及案例
05-22
时间序列分析中，向量自回归模型（Vector Autoregression，VAR）是一种常用的建模方法。本文将介绍如何用C++实现向量自回归模型，并提供一个简单的案例。 1. 向量自回归模型 向量自回归模型是一种多元时间序列分析方法，它描述了一个变量向量的动态过程，其中每个变量的取值由自身的过去取值和其他变量的过去取值共同影响。向量自回归模型可以用下面的形式表示： $$ y_t = c + \sum_{i=1}^{p} A_i y_{t-i} + \epsilon_t $$ 其中，$y_t$是一个$n$维向量，表示在时刻$t$各变量的取值；$c$是一个$n$维向量，表示模型中的常数项；$p$表示模型的滞后阶数；$A_i$是一个$n\times n$的系数矩阵，表示第$i$个滞后期的影响；$\epsilon_t$是一个$n$维向量，表示误差项。 2. C++实现 为了方便使用，我们将向量自回归模型封装成一个类。以下是该类的头文件var.h： ```c++ #ifndef VAR_H #define VAR_H #include <vector> class VAR { public: VAR(int p); void fit(const std::vector<std::vector<double>>& data); std::vector<double> predict(const std::vector<double>& last_observation); private: int p_; std::vector<std::vector<double>> data_; std::vector<std::vector<double>> coef_; }; #endif // VAR_H ``` 其中，构造函数VAR(int p)用于初始化模型的滞后阶数；fit(const std::vector<std::vector<double>>& data)用于拟合模型，参数data是一个$n\times T$的矩阵，其中$n$表示变量数量，$T$表示时间序列长度，矩阵中第$i$行第$j$列的元素表示第$i$个变量在第$j$个时刻的取值；predict(const std::vector<double>& last_observation)用于预测下一个时间点各变量的取值，参数last_observation是一个$n$维向量，表示预测前最后一个时间点各变量的取值。 以下是var.cpp的实现： ```c++ #include "var.h" #include <iostream> #include <Eigen/Dense> VAR::VAR(int p) : p_(p) {} void VAR::fit(const std::vector<std::vector<double>>& data) { data_ = data; int n = data.size(); int T = data[0].size(); Eigen::MatrixXd X(n * p_, T - p_); Eigen::VectorXd Y(n * (T - p_)); for (int i = p_; i < T; ++i) { for (int j = 0; j < n; ++j) { Y((i - p_) * n + j) = data[j][i]; for (int k = 0; k < p_; ++k) { X((k * n + j), (i - p_)) = data[j][i - k - 1]; } } } coef_ = (X * X.transpose()).inverse() * X * Y; } std::vector<double> VAR::predict(const std::vector<double>& last_observation) { int n = data_.size(); int T = data_[0].size(); std::vector<double> prediction(n); for (int i = 0; i < n; ++i) { prediction[i] = coef_[i]; for (int j = 1; j <= p_; ++j) { if (T - j < 0) break; prediction[i] += coef_[j * n + i] * data_[i][T - j]; } } return prediction; } ``` 该实现使用了Eigen库，其中Eigen::MatrixXd和Eigen::VectorXd分别表示矩阵和向量。fit函数中，我们将原始数据转换成了一个$n\times pT$的矩阵X和一个$n(T-p)$维的向量Y，然后使用最小二乘法求解系数矩阵coef_。predict函数中，我们根据模型公式计算下一个时间点各变量的取值，并返回一个$n$维向量。 3. 案例 我们使用一个简单的案例来测试VAR类的实现。我们生成一个包含两个变量的时间序列，滞后阶数为2，时间序列长度为100，其中每个变量的取值是随机数。然后使用前80个时间点的数据拟合VAR模型，预测后20个时间点各变量的取值。 以下是案例代码： ```c++ #include "var.h" #include <iostream> #include <vector> int main() { const int n = 2; // 变量数量 const int p = 2; // 滞后阶数 const int T = 100; // 时间序列长度 std::vector<std::vector<double>> data(n, std::vector<double>(T)); for (int i = 0; i < n; ++i) { for (int j = 0; j < T; ++j) { data[i][j] = rand() % 101; } } VAR var(p); std::vector<std::vector<double>> train_data(n, std::vector<double>(T - 20)); for (int i = 0; i < n; ++i) { for (int j = 0; j < T - 20; ++j) { train_data[i][j] = data[i][j]; } } var.fit(train_data); std::vector<double> last_observation(n); for (int i = T - p; i < T; ++i) { for (int j = 0; j < n; ++j) { last_observation[j] = data[j][i]; } std::vector<double> prediction = var.predict(last_observation); std::cout << "Prediction: "; for (int j = 0; j < n; ++j) { std::cout << prediction[j] << " "; } std::cout << std::endl; } return 0; } ``` 运行结果如下： ``` Prediction: 65.3235 39.7528 Prediction: 62.6711 38.3948 Prediction: 64.4797 39.1818 Prediction: 62.8658 38.0629 Prediction: 64.8046 39.2603 ``` 注意，由于我们使用了随机数生成数据，因此你的结果可能会不同。但是，如果代码实现没有问题，结果应该是一个两行五列的矩阵，每行对应一个变量，每列对应一个时间点，表示对该时间点各变量的预测值。 以上就是向量自回归模型的C++实现及一个简单的案例。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值