结构VAR模型和图表示

1.结构向量自回归VAR $(p)$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$$Y_t=A_1{Y}_{t-1}+A_2{Y}_{t-2}+...+A_p{Y}_{t-p}+U_t$$
其中，$Y_t=(Y_{1,t},Y_{2,t},...,Y_{K,t}),{\mathcal{A}}_1,{\mathcal{A}}_2,...,{\mathcal{A}}_p$为$k\times k$矩阵。$U_t$为序列无关的随机向量序列，其数学期望$E\left[U_t\right]=0$,协方差矩阵$\Sigma =E\left[U_t{U}_t^{{}^{\prime }}\right]$,一般设$U_t$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$Y_t=(Y_{1,t},Y_{2,t},...,Y_{K,t})$为当前变量或同期变量，称$Y_{t-u}=(Y_{1,t-u},Y_{2,t-u},...,Y_{K,t-u}),(u=1,2,...,p)$为滞后变量。

2.结构VAR $(p)$模型

上述式子两边左乘${\varphi }_0$，${\varphi }_0$使$\mathbf{D}={\varphi }_0\mathbf{\Sigma }{\varphi }_0^{{}^{\prime }}$成为对角矩阵。$${\varphi }_0{Y}_t={\varphi }_1^{\ast }{Y}_{t-1}+{\varphi }_2^{\ast }{Y}_{t-2}+...+{\varphi }_p^{\ast }{Y}_{t-p}+a_t$$式中，${\varphi }_i^{\ast }={\varphi }_0{A}_i,{\varphi }_0{U}_t=a_t,E\left[a_t{a}_t^{{}^{\prime }}\right]=\mathbf{D}$.
该模型更常用的一种表示形式为：$$Y_t=(I-{\varphi }_0)Y_t+{\varphi }_1^{\ast }{Y}_{t-1}+...+{\varphi }_p^{\ast }{Y}_{t-p}+a_t$$，其中，$I$为$k\times k$单位矩阵。

3.结构VAR $(p)$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 $(p)$模型，图$G=(V,E)$的顶点集$V$由$Y_t,Y_{t-1},...,Y_{t-p}$的分量组成。两个顶点$Y_{i,t-u}$和$Y_{j,t-v}$之间没有边相连当且仅当在给定除$Y_{i,t-u}$和$Y_{j,t-v}$外的所有其他变量的条件下$Y_{i,t-u}$和$Y_{j,t-v}$是条件独立的。假设结构VAR $(p)$模型中$a_t$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$$\rho (Y_{i,t-u},Y_{j,t-v}|Y_{k,t-\omega })=-W_{hl}/\sqrt{W_{hh}{W}_{ll}}=0$$
$Y_{k,t-\omega }$表示除$Y_{i,t-u}$和$Y_{j,t-v}$外所有到滞后阶数$p$的变量集合；$h$和$l$分别表示变量$Y_{i,t-u}$和$Y_{j,t-v}$在矩阵$W$和${\Sigma }_Y$中的标号，且$W={\Sigma }_Y^{-1}$，${\Sigma }_Y$为图G中所有变量合集的协方差矩阵。则图G为结构VAR $(p)$模型的条件独立图。

4.结构VAR $(p)$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 $(p)$模型，图$G=(V,E)$的顶点集$V$由$Y_t,Y_{t-1},...,Y_{t-p}$的分量组成。存在从$Y_{i,t-u}$到$Y_{j,t-v}$的有向边当且仅当下面两个条件之一成立：
（1）$0<u-v\le p$,矩阵${\varphi }_{u-v}^{\ast }$的第j行第i列元素不为0；
（2）$u=v,i\ne j$,矩阵$(I-{\varphi }_0)$的第j行第i列元素不为0。
则称图G为结构VAR $(p)$模型的有向非循环图。