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:
zt=ϕ0+∑i=1pϕizt−i+at
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 z2,t−1 如果不能为z_{1t} 的预测提供有效信息, 依照Granger
Causality ϕ1,12=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