时序分析 19 向量自回归 (VAR)
VAR (Vector Autoregressive)
简介
本文开始介绍VAR(Vector Autoregressive)向量自回归。
前面我们讨论了多个自回归模型，例如AR, ARMA, ARIMA等。而向量自回归和已讨论地自回归模型有本质的区别：类似AR等模型所建模的关系都是单向的，而VAR是双向的。
所谓单向就是模型的关系是一个方向，就是历史的情况影响现在的情况而现在是不能影响历史的；而VAR建模需要2个或者更多的时序变量，这些时序变量的影响是双向的。一个变量影响另一个的同时，这个变量也受到另一个的影响。
VAR的自回归就是指一个时序变量的值是该变量本身过去的值和其他变量过去的值的线性函数。
理论
先看一下公式让我们有一个直观理解，例如我们有两个时序变量 Y 1 Y_1 Y1 和 Y 2 Y_2 Y2，模型 V A R ( 2 ) VAR(2) VAR(2) 可以表示为
Y 1 , t = α 1 + β 11 , 1 Y 1 , t − 1 + β 12 , 1 Y 2 , t − 1 + β 11 , 2 Y 1 , t − 2 + β 12 , 2 Y 2 , t − 2 + ϵ 1 , t Y_{1,t}=\alpha_1+\beta_{11,1}Y_{1,t-1}+\beta_{12,1}Y_{2,t-1}+\beta_{11,2}Y_{1,t-2}+\beta_{12,2}Y_{2,t-2}+\epsilon_{1,t} Y1,t=α1+β11,1Y1,t−1+β12,1Y2,t−1+β11,2Y1,t−2+β12,2Y2,t−2+ϵ1,t
Y 2 , t = α 2 + β 21 , 1 Y 1 , t − 1 + β 22 , 1 Y 2 , t − 1 + β 21 , 2 Y 1 , t − 2 + β 22 , 2 Y 2 , t − 2 + ϵ 2 , t Y_{2,t}=\alpha_2+\beta_{21,1}Y_{1,t-1}+\beta_{22,1}Y_{2,t-1}+\beta_{21,2}Y_{1,t-2}+\beta_{22,2}Y_{2,t-2}+\epsilon_{2,t} Y2,t=α2+β21<
最低0.47元/天 解锁文章
扫一扫
1080
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
