用Python实现时间序列模型实战——Day 14: 向量自回归模型 (VAR) 与向量误差修正模型 (VECM)

写代码的M教授

于 2024-09-08 07:30:00 发布

阅读量1k

点赞数 8

分类专栏：时间序列模型文章标签： python 回归开发语言

本文链接：https://blog.csdn.net/qq_41698317/article/details/141957425

版权

时间序列模型专栏收录该内容

18 篇文章 1 订阅

订阅专栏

一、学习内容

1. 向量自回归模型 (VAR) 的基本概念与应用

向量自回归模型 (VAR) 是多元时间序列分析中的一种模型，用于捕捉多个变量之间的相互依赖关系。与单变量自回归模型不同，VAR 模型将多个时间序列作为向量输入，同时对这些变量进行回归分析。

VAR 模型的一般形式为：

$Y_t = c + A_1 Y_{t-1} + A_2 Y_{t-2} + \dots + A_p Y_{t-p} + \epsilon_t$

其中：

$Y_t$ 是时间 $t$ 的变量向量。
$c$ 是常数向量。
$A_1, A_2, \dots, A_p$ 是每个时间滞后的回归系数矩阵。
$\epsilon_t$ 是误差项向量，假设其均值为 0，方差为常量。

2. 向量误差修正模型 (VECM) 的理论基础与应用

向量误差修正模型 (VECM) 是 VAR 模型的扩展，适用于具有协整关系的非平稳时间序列。VECM 通过捕捉长期均衡关系，建立短期动态调整模型。

VECM 的数学表达式为：

$\Delta Y_t = \Pi Y_{t-1} + \sum_{i=1}^{p-1} \Gamma_i \Delta Y_{t-i} + \epsilon_t$

其中：

$\Delta Y_t$ 是差分后的变量向量。
$\Pi$ 是协整矩阵，表示长期均衡关系。
$\Gamma_i$ 是短期调整系数矩阵。
$\epsilon_t$ 是误差项向量。

3. 多元时间序列分析

VAR 和 VECM 模型适用于多变量时间序列分析，通常用于经济、金融等领域。例如，多个宏观经济变量（如 GDP、通货膨胀率、利率）的相互影响可以通过 VAR 或 VECM 模型进行分析和预测。

二、实战案例

我们将使用 Python 的 statsmodels 库对实际的多元时间序列数据进行 VAR 和 VECM 模型的建模和预测。

（一）使用 VAR 模型的案例

假设我们有一组包含多个宏观经济指标的时间序列数据，如利率、GDP 和通货膨胀率。我们将构建一个 VAR 模型来分析这些变量之间的相互影响。

1. 数据生成与可视化

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.api import VAR

# 生成模拟的多变量时间序列数据
np.random.seed(42)
n_obs = 100
dates = pd.date_range(start='2000-01-01', periods=n_obs, freq='Q')
data = pd.DataFrame(np.random.randn(n_obs, 3), columns=['GDP', 'Inflation', 'Interest Rate'], index=dates)

# 绘制时间序列
data.plot(subplots=True, figsize=(10, 8), title="Simulated Time Series Data")
plt.show()

代码解释：

我们生成了三个变量的随机时间序列数据，分别表示 GDP、通货膨胀率和利率，并绘制其随时间的变化。

结果输出：

2. 构建 VAR 模型

# 构建 VAR 模型
model = VAR(data)

代码解释：

使用 VAR 模型拟合数据，自动选择最优的滞后阶数。

3. 模型拟合与预测

# 手动设置滞后阶数为 2（或根据需要调整）
lag_order = 2
var_model_fitted = model.fit(lag_order)

# 预测未来10个时间点的数据
forecast = var_model_fitted.forecast(data.values[-lag_order:], steps=10)

代码解释：

根据最优的滞后阶数拟合模型，并进行未来 10 个时间点的预测。

4. 预测结果可视化

# 创建一个 DataFrame 来存储预测结果
forecast_df = pd.DataFrame(forecast, index=pd.date_range(start=dates[-1], periods=10, freq='Q'), columns=data.columns)

# 绘制预测结果
fig, axes = plt.subplots(nrows=3, ncols=1, figsize=(10, 8))
for i, col in enumerate(data.columns):
    axes[i].plot(data.index, data[col], label='Original')
    axes[i].plot(forecast_df.index, forecast_df[col], label='Forecast', linestyle='--')
    axes[i].set_title(col)
    axes[i].legend()
plt.tight_layout()
plt.show()

代码解释：

绘制每个变量的历史数据和预测数据，展示 VAR 模型的预测能力。

结果输出：

5. 运行结果分析

滞后阶数选择：程序自动选择最优滞后阶数，以确保模型的拟合效果。
预测结果：预测的时间序列数据显示了每个变量在未来一段时间内的变化趋势。

（二）使用 VECM 模型的案例

VECM 模型适用于存在协整关系的非平稳时间序列。以下代码展示了如何使用 coint_johansen 函数来检查协整关系，并拟合 VECM 模型。

1. 协整关系检验

from statsmodels.tsa.vector_ar.vecm import VECM

# 检查协整关系（Johansen检验）
coint_test = coint_johansen(data, det_order=0, k_ar_diff=1)
print("Eigenvalues:", coint_test.eig)

代码解释：

使用 Johansen 协整检验来确定是否存在协整关系，协整关系表明多个时间序列变量在长期内存在稳定的均衡关系。

结果输出：

Eigenvalues: [0.40232704 0.32765159 0.24829596]

2. 构建 VECM 模型

# 构建 VECM 模型
vecm_model = VECM(data, k_ar_diff=1, coint_rank=1)
vecm_fitted = vecm_model.fit()

# 输出 VECM 模型结果
print(vecm_fitted.summary())

代码解释：

基于协整关系构建 VECM 模型，拟合数据并进行预测。

结果输出：

Det. terms outside the coint. relation & lagged endog. parameters for equation GDP 
====================================================================================
                       coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------------
L1.GDP              -0.4603      0.087     -5.270      0.000      -0.631      -0.289
L1.Inflation        -0.1867      0.092     -2.040      0.041      -0.366      -0.007
L1.Interest Rate     0.0436      0.066      0.662      0.508      -0.085       0.173
Det. terms outside the coint. relation & lagged endog. parameters for equation Inflation
====================================================================================
                       coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------------
L1.GDP              -0.1693      0.093     -1.824      0.068      -0.351       0.013
L1.Inflation        -0.0301      0.097     -0.309      0.757      -0.221       0.161
L1.Interest Rate    -0.1179      0.070     -1.686      0.092      -0.255       0.019
Det. terms outside the coint. relation & lagged endog. parameters for equation Interest Rate
====================================================================================
                       coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------------
L1.GDP               0.0756      0.113      0.670      0.503      -0.145       0.297
L1.Inflation        -0.2562      0.118     -2.168      0.030      -0.488      -0.025
L1.Interest Rate    -0.5461      0.085     -6.426      0.000      -0.713      -0.380
                Loading coefficients (alpha) for equation GDP                 
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
ec1           -0.1366      0.052     -2.626      0.009      -0.239      -0.035
             Loading coefficients (alpha) for equation Inflation              
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
ec1            0.3797      0.055      6.869      0.000       0.271       0.488
           Loading coefficients (alpha) for equation Interest Rate            
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
ec1           -0.0588      0.067     -0.876      0.381      -0.191       0.073
          Cointegration relations for loading-coefficients-column 1           
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
beta.1         1.0000          0          0      0.000       1.000       1.000
beta.2        -2.3190      0.354     -6.545      0.000      -3.013      -1.625
beta.3         0.4073      0.313      1.300      0.193      -0.207       1.021
==============================================================================

3. VECM 模型预测与可视化

# 进行未来的预测
vecm_forecast = vecm_fitted.predict(steps=5)
vecm_forecast_df = pd.DataFrame(vecm_forecast, index=pd.date_range(start=dates[-1], periods=5, freq='Q'), columns=data.columns)

# 绘制 VECM 预测结果
fig, axes = plt.subplots(nrows=3, ncols=1, figsize=(10, 8))
for i, col in enumerate(data.columns):
    axes[i].plot(data.index, data[col], label='Original')
    axes[i].plot(vecm_forecast_df.index, vecm_forecast_df[col], label='Forecast', linestyle='--')
    axes[i].set_title(f"VECM Forecast: {col}")
    axes[i].legend()
plt.tight_layout()
plt.show()

代码解释：

对未来 5 个时间点进行预测，并将预测结果与历史数据一起绘制。

结果输出：

4. 运行结果分析

协整检验结果：coint_johansen 函数的结果显示了协整向量的个数（即变量之间的长期关系）。
VECM 模型的预测：VECM 模型捕捉了长期均衡关系，并预测了未来变量的变化趋势。

三、总结

通过 VAR 和 VECM 模型，可以分析多元时间序列中的相互依赖关系。VAR 模型适合用于平稳时间序列，而 VECM 模型则适用于具有协整关系的非平稳时间序列。

写代码的M教授

关注

8
点赞
踩
27

收藏

觉得还不错? 一键收藏
0
评论
用Python实现时间序列模型实战——Day 14: 向量自回归模型 (VAR) 与向量误差修正模型 (VECM)

通过 VAR 和 VECM 模型，可以分析多元时间序列中的相互依赖关系。VAR 模型适合用于平稳时间序列，而 VECM 模型则适用于具有协整关系的非平稳时间序列。
复制链接

扫一扫

专栏目录