格兰因果模型可以分析哪些东西_论文实证经验分享|VAR模型实操步骤（上）

最新推荐文章于 2024-06-24 14:25:29 发布

weixin_39825322

最新推荐文章于 2024-06-24 14:25:29 发布

阅读量5.5k

点赞数 17

文章标签：格兰因果模型可以分析哪些东西论文模型构建的步骤

VAR模型操作步骤指南

简单来说，VAR模型就是用模型刻画向量间的数量关系。它的适用前提可概括为以下两点：①能进行回归。②向量之间存在一定数量关系(统计意义上的因果关系-格兰杰因果检验)。而满足以上两点的条件则是数据平稳，否则会发生伪回归，且无法进行格兰杰因果检验。因此，构建VAR模型的第一步是检验数据平稳性，常用检验方法为ADF单位根检验。

1.数据平稳性检验-时序图+单位根检验

2.确定VAR模型滞后阶数

3.Johansen协整检验

4.VECM向量误差修正模型

5.granger因果检验-变量外生性检验

6.AR根检验-检验VAR模型的稳定性

7.脉冲响应-每一变量冲击的影响

8.方差分解-各变量对预测方差的贡献度

(具体操作步骤应根据研究数据及目的进行选择)

我的理解是，当原序列平稳时可以直接按125678构造VAR模型进行预测；而当序列是差分平稳且为同阶单整时需增加3、4步。因为现实经济中的时间序列通常是非平稳的，我们可通过差分使其平稳，但与此同时会失去总量的长期信息，因此需要用协整来判断非平稳序列的线性组合是否有稳定的均衡关系。

数据平稳性检验

打开EViews09，点击creat a new Eviews workfile，输入起始和终止时在命令栏输入“data y x”(你自己变量的命名)，输入数据。

双击打开变量，点击view-graph-ok，观察时序图，借助时序图进行ADF检验方法的选择，以下图为例，横轴为时间，纵轴为相应年份的数值：在样本范围内，变量并未在值上下波动，说明变量不平稳。此外，截距项不为0，变量随着年份变化而变化，具有明显上升趋势，说明变量Y具有截距项和时间趋势。

根据时序图进行初略判断后再进行下一步精准的ADF检验。点击view-unit root test。其中，我们先选择检验序列的“level”,表示原序列，根据刚刚的Y变量。我们应该再检验方程的选项中选择“Trend and intercept”表示具有时间趋势项和截距项。

点击OK，输出结果。原假设为Y含有1个单位根(不平稳)。一般来说显著性水平分为1%，5%和10%，P值是原假设成立的概率。这里可以直接看P值，假设我选择了10%的显著性水平，如果P值>0.1，代表原假设有超过10%的概率成立，那么序列Y则是不平稳序列，反之，序列Y是平稳序列。

当原序列为非平稳序列时，我们可以在命令栏输入“genr dy=d(y)”构建1阶差分序列dy。观察dy的时序图确定检验方程中是否包含截距项和时间趋势项。再回到序列y的单位根检验选择检验序列中的“1st difference”，检验1阶差分序列是否平稳。若研究的所有变量都1阶平稳，则称其为一阶同整。本文的序列均为一阶同整。

确定VAR模型滞后阶数

选择模型包含的所有变量，点击右键-open-as var-确定-view-lag strcture-lag length criteria...，输入能输入的最大数值(当你输入的数值过大时会出现提示)

根据AIC， SC最小数值对应的阶数为最优滞后项，如AIC和SC中最小数值所对应的阶数不一样，可以根据LR判断(或者选择带星号最多的阶数)。下图中滞后阶数为3时，星号最多，因此也可判断此VAR模型的最优滞后期为3。(最优滞后期的选择还要根据你的样本容量来定，如果滞后期大，而样本容量少，则代表自由度不够，模型可信度降低，因此最优滞后期在可选择的范围内尽可能往小的选)。