使用 Stata 构建 VAR 模型的完整指南

小高要坚强

已于 2024-09-19 09:55:31 修改

阅读量3.1k

点赞数 39

分类专栏：计量经济学在stata的应用文章标签：人工智能 stata 开发语言 VAR

于 2024-09-19 09:13:35 首次发布

本文链接：https://blog.csdn.net/weixin_47570444/article/details/142350398

版权

计量经济学在stata的应用专栏收录该内容

5 篇文章

订阅专栏

向量自回归（VAR，Vector Autoregression）模型是一种强大的多元时间序列分析工具，能够捕捉多个变量之间的动态相互作用。VAR 模型特别适合用于金融、宏观经济等领域中的变量联动关系分析。本文将详细介绍如何使用 Stata 构建 VAR 模型，包括从数据准备到关键分析步骤，如单位根检验、最优滞后阶数选择、VAR 模型估计、格兰杰因果检验、脉冲响应分析及方差分解。通过这些步骤，读者将能掌握在 Stata 中进行 VAR 分析的全过程。

一、数据准备

在开始 VAR 模型构建之前，必须准备好合适的时间序列数据。本文以期货价格和现货价格作为示例。这两个变量分别代表远期市场价格和现货市场价格。数据准备好后，首先要检查其平稳性，这是后续建模工作的基础。

二、单位根检验（ADF检验）

VAR 模型要求时间序列数据是平稳的。如果数据不平稳，模型可能会导致误导性的结果。通过单位根检验（ADF 检验）可以确定时间序列是否平稳。

1. ADF 检验

在 Stata 中，我们可以使用 dfuller 命令对各时间序列进行ADF检验。以下代码将对期货价格和现货价格进行检验：

// 对期货价格进行ADF检验，可以使用1阶滞后
dfuller F, lags(1)

// 对现货价格进行ADF检验
dfuller S, lags(1)

如果检验结果显示存在单位根（即数据不平稳），则需进行差分处理，以转换为平稳序列。

2.差分操作

如果ADF检验显示变量不平稳，则可以使用以下代码对数据进行一阶差分处理：

// 对期货价格进行差分
gen D_F = D.(F)

// 对现货价格进行差分
gen D_S = D.(S)

通过差分操作可以使数据平稳（返回步骤1，重新检验是否平稳），为接下来的 VAR 模型估计打下基础。

3.确定 VAR 模型的最优滞后阶数

在构建 VAR 模型时，选择合适的滞后阶数（lag order）是关键步骤。滞后阶数决定了每个变量对自身和其他变量的历史信息的利用程度。过高或过低的滞后阶数都会导致模型的拟合问题。因此，可以使用信息准则如 AIC、BIC 来确定最优滞后阶数。

// 确定最优滞后阶数
varsoc D_F D_S

最优滞后阶数在后面VAR模型估计会用到~

三、估计 VAR 模型

确定最优滞后阶数后，即可开始估计 VAR 模型。在 Stata 中，var 命令用于构建 VAR 模型。下面的代码示例使用两阶滞后估计期货价格和现货价格之间的 VAR 模型：

// 估计VAR模型
var D_F D_S, lags(1/2)

这里假设最优阶数为2进行估计模型。该命令将输出模型估计结果，包括每个变量的回归系数及其显著性。

四、模型稳定性检验

为了保证 VAR 模型的有效性，必须检验模型的稳定性。这通过检查模型的特征根是否位于单位圆内来完成。如果特征根的模大于等于 1，则模型不稳定。

// 稳定性检验
varstable
varstable,graph //绘制图形

如果结果显示模型不稳定，通常可以通过调整滞后阶数或者对变量进行进一步差分来解决。

五、格兰杰因果检验

VAR 模型的一个常用功能是进行格兰杰因果检验，分析一个变量是否能够格兰杰因果地预测另一个变量。这有助于识别变量之间的因果关系。

// 进行格兰杰因果检验
vargranger

输出的结果将包含每个变量对另一个变量的因果检验结果。显著的 p 值（例如 p < 0.05）意味着该变量格兰杰因果导致另一个变量。通常结果会显示期货价格对现货价格具有格兰杰因果关系，而反之未必成立。

六、脉冲响应分析

脉冲响应分析用于衡量一个变量受到另一个变量冲击后的动态响应情况。通过 irf 命令可以生成脉冲响应函数（IRF）。

// 生成并保存IRF结果
irf create irf_results, step(10)  // # 代表要预测多少步的脉冲响应，例如：step(10)

// 绘制IRF图像
irf graph irf_results, impulse(D_F) response(D_S)
irf graph irf_results, impulse(D_F D_S) response(D_F D_S) //也可以这样绘制四个

七、方差分解

方差分解用于分析每个变量对预测误差的贡献程度，帮助我们量化各变量之间的相互影响。

irf create varfd,  step(10)   // fevd表示方差分解分析，#代表步数
irf graph fevd                   // 绘制方差分解图
// 进行方差分解，返回表
irf table fevd,irf(varfd) impulse(D_F) response(D_S)