上节回顾 时间序列数据的分析与处理 - 托马斯营的文章 - 知乎股市时间序列数据的处理ARIMA模型设定、检验与预测股市面板数据的讨论作业 使用美国利率与价格(GDP平减指数) webuse rates2 做时间序列分析1、试建立ARIMA模型分析,有什么问题?2、建立VAR模型,试作分析,有什么结论?3、两个模型有什么区别,什么情况使用ARIMA,什么情况使用VAR?VAR模型基本原理 回归的前提是,变量是单一因果关系。即X--->Y或者反过来,Y-->X 但是,如果X-->Y,同时Y-->X,普通回归就有问题 这时候要采用新的模型,向量自回归VAR模型是主要模型之一。y_t={atimes x_{t-1}+btimes y_{t-1}+y_{残差}}x_t = {atimes x_{t-1}+btimes y_{t-1}+x_{残差}} webuse rates2 美国利率与gdp平减指数系统首先使用arima模型(a,d,m,s) 用相关图ac确定自相关阶数和季节指数阶数 用偏相关图pac确定移动平均阶数和季节阶数 用ADF检验确定差分阶数 15分钟时间大家各自操作一次但是,差分上遇到麻烦 采用多元时间模型——向量自回归var模型 在单变量回归中,一个平稳的时间序列经常被模型化为 AR 过程:y_t={a_1ast y_{t-1}+a_2ast y_{t-2}+...+a_kast y_{t-k}+epsilon_{1t}} 当遇到多个时间序列时,VAR模型结果更加稳健y_t={aast x_{t-1}+bast y_{t-1}+y_{残差}}x_t = {aast x_{t-1}+bast y_{t-1}+x_{残