1.结构向量自回归VAR ( p ) (p) (p)模型
设平稳过程
{
Y
t
,
t
∈
Z
}
\left \{ Y_{t},t\in Z \right \}
{Yt,t∈Z}均值为0,对任意t,有
Y
t
=
A
1
Y
t
−
1
+
A
2
Y
t
−
2
+
.
.
.
+
A
p
Y
t
−
p
+
U
t
Y_{t}=A_{1}Y_{t-1}+A_{2}Y_{t-2}+...+A_{p}Y_{t-p}+U_{t}
Yt=A1Yt−1+A2Yt−2+...+ApYt−p+Ut
其中,
Y
t
=
(
Y
1
,
t
,
Y
2
,
t
,
.
.
.
,
Y
K
,
t
)
,
A
1
,
A
2
,
.
.
.
,
A
p
Y_{t}=(Y_{1,t},Y_{2,t},...,Y_{K,t}),\mathcal{A}_{1},\mathcal{A}_{2},...,\mathcal{A}_{p}
Yt=(Y1,t,Y2,t,...,YK,t),A1,A2,...,Ap为
k
×
k
k\times k
k×k矩阵。
U
t
{U_{t}}
Ut为序列无关的随机向量序列,其数学期望
E
[
U
t
]
=
0
E\left [ U_{t} \right ] =0
E[Ut]=0,协方差矩阵
Σ
=
E
[
U
t
U
t
′
]
\Sigma =E\left [ U_{t} U_{t} ^{'} \right ]
Σ=E[UtUt′],一般设
U
t
U_{t}
Ut是多元正态随机向量。称
{
Y
t
,
t
∈
Z
}
\left \{ Y_{t},t\in Z \right \}
{Yt,t∈Z}是均值为0 的p阶VAR模型。其中
Y
t
=
(
Y
1
,
t
,
Y
2
,
t
,
.
.
.
,
Y
K
,
t
)
Y_{t}=(Y_{1,t},Y_{2,t},...,Y_{K,t})
Yt=(Y1,t,Y2,t,...,YK,t)为当前变量或同期变量,称
Y
t
−
u
=
(
Y
1
,
t
−
u
,
Y
2
,
t
−
u
,
.
.
.
,
Y
K
,
t
−
u
)
,
(
u
=
1
,
2
,
.
.
.
,
p
)
Y_{t-u}=(Y_{1,t-u},Y_{2,t-u},...,Y_{K,t-u}),(u=1,2,...,p)
Yt−u=(Y1,t−u,Y2,t−u,...,YK,t−u),(u=1,2,...,p)为滞后变量。
2.结构VAR ( p ) (p) (p)模型
上述式子两边左乘
ϕ
0
\mathbb{\phi _{0}}
ϕ0,
ϕ
0
\mathbb{\phi _{0}}
ϕ0使
D
=
ϕ
0
Σ
ϕ
0
′
\mathbf{D=\phi _{0}\Sigma \phi_{0}^{'} }
D=ϕ0Σϕ0′成为对角矩阵。
ϕ
0
Y
t
=
ϕ
1
∗
Y
t
−
1
+
ϕ
2
∗
Y
t
−
2
+
.
.
.
+
ϕ
p
∗
Y
t
−
p
+
a
t
\phi _{0}Y_{t}=\phi _{1}^{*}Y_{t-1}+\phi _{2}^{*}Y_{t-2}+...+\phi _{p}^{*}Y_{t-p}+a_{t}
ϕ0Yt=ϕ1∗Yt−1+ϕ2∗Yt−2+...+ϕp∗Yt−p+at式中,
ϕ
i
∗
=
ϕ
0
A
i
,
ϕ
0
U
t
=
a
t
,
E
[
a
t
a
t
′
]
=
D
\phi _{i}^{*}=\phi _{0}A_{i},\phi _{0}U_{t}=a_{t},E\left [ a_{t}a_{t}^{'}\right] =\mathbf{D}
ϕi∗=ϕ0Ai,ϕ0Ut=at,E[atat′]=D.
该模型更常用的一种表示形式为:
Y
t
=
(
I
−
ϕ
0
)
Y
t
+
ϕ
1
∗
Y
t
−
1
+
.
.
.
+
ϕ
p
∗
Y
t
−
p
+
a
t
Y_{t}=(I-\phi _{0})Y_{t}+\phi _{1}^{*}Y_{t-1}+...+\phi _{p}^{*}Y_{t-p}+a_{t}
Yt=(I−ϕ0)Yt+ϕ1∗Yt−1+...+ϕp∗Yt−p+at,其中,
I
I
I为
k
×
k
k\times k
k×k单位矩阵。
3.结构VAR ( p ) (p) (p)模型的条件独立图
设平稳过程
{
Y
t
,
t
∈
Z
}
\left \{ Y_{t},t\in Z \right \}
{Yt,t∈Z}为结构VAR
(
p
)
(p)
(p)模型,图
G
=
(
V
,
E
)
G=(V,E)
G=(V,E)的顶点集
V
V
V由
Y
t
,
Y
t
−
1
,
.
.
.
,
Y
t
−
p
Y_{t}, Y_{t-1},...,Y_{t-p}
Yt,Yt−1,...,Yt−p的分量组成。两个顶点
Y
i
,
t
−
u
Y_{i,t-u}
Yi,t−u和
Y
j
,
t
−
v
Y_{j,t-v}
Yj,t−v之间没有边相连当且仅当在给定除
Y
i
,
t
−
u
Y_{i,t-u}
Yi,t−u和
Y
j
,
t
−
v
Y_{j,t-v}
Yj,t−v外的所有其他变量的条件下
Y
i
,
t
−
u
Y_{i,t-u}
Yi,t−u和
Y
j
,
t
−
v
Y_{j,t-v}
Yj,t−v是条件独立的。假设结构VAR
(
p
)
(p)
(p)模型中
a
t
a_{t}
at是多元正态随机向量,则条件独立表示条件偏自相关系数为0,即
ρ
(
Y
i
,
t
−
u
,
Y
j
,
t
−
v
∣
Y
k
,
t
−
ω
)
=
−
W
h
l
/
W
h
h
W
l
l
=
0
\rho(Y_{i,t-u},Y_{j,t-v}|{Y_{k,t-\omega}})=-W_{hl}/\sqrt{W_{hh}W_{ll}}=0
ρ(Yi,t−u,Yj,t−v∣Yk,t−ω)=−Whl/WhhWll=0
Y
k
,
t
−
ω
{Y_{k,t-\omega}}
Yk,t−ω表示除
Y
i
,
t
−
u
Y_{i,t-u}
Yi,t−u和
Y
j
,
t
−
v
Y_{j,t-v}
Yj,t−v外所有到滞后阶数
p
p
p的变量集合;
h
h
h和
l
l
l分别表示变量
Y
i
,
t
−
u
Y_{i,t-u}
Yi,t−u和
Y
j
,
t
−
v
Y_{j,t-v}
Yj,t−v在矩阵
W
W
W和
Σ
Y
\Sigma _{Y}
ΣY中的标号,且
W
=
Σ
Y
−
1
W=\Sigma _{Y}^{-1}
W=ΣY−1,
Σ
Y
\Sigma _{Y}
ΣY为图G中所有变量合集的协方差矩阵。则图G为结构VAR
(
p
)
(p)
(p)模型的条件独立图。
4.结构VAR ( p ) (p) (p)模型的有向非循环图
设平稳过程
{
Y
t
,
t
∈
Z
}
\left \{ Y_{t},t\in Z \right \}
{Yt,t∈Z}为结构VAR
(
p
)
(p)
(p)模型,图
G
=
(
V
,
E
)
G=(V,E)
G=(V,E)的顶点集
V
V
V由
Y
t
,
Y
t
−
1
,
.
.
.
,
Y
t
−
p
Y_{t}, Y_{t-1},...,Y_{t-p}
Yt,Yt−1,...,Yt−p的分量组成。存在从
Y
i
,
t
−
u
Y_{i,t-u}
Yi,t−u到
Y
j
,
t
−
v
Y_{j,t-v}
Yj,t−v的有向边当且仅当下面两个条件之一成立:
(1)
0
<
u
−
v
≤
p
0< u-v\le p
0<u−v≤p,矩阵
ϕ
u
−
v
∗
\phi _{u-v}^{*}
ϕu−v∗的第j行第i列元素不为0;
(2)
u
=
v
,
i
≠
j
u=v,i\ne j
u=v,i=j,矩阵
(
I
−
ϕ
0
)
(I-\phi _{0})
(I−ϕ0)的第j行第i列元素不为0。
则称图G为结构VAR
(
p
)
(p)
(p)模型的有向非循环图。