平稳的多元时间序列模型——VAR模型建模步骤.docx

文档仅供参考 PAGE 1 平稳的多元时间序列模型——VAR模型建模步骤 目录： 一、数据输入 二、单位根检验 三、确定滞后阶数p（信息准则，LR似然比检验） 四、外生性检验 五、判断模型的稳定性 六、脉冲响应 七、方差分解 一、数据输入 R: 票据直贴利率|6个月|长三角（年化调整） S3M: Shibor3M 数据来源：Wind 二、单位根检验 【注意】时间序列数据为避免伪回归，需要检验各变量是否平稳。 平稳的时序变量，可以建立VAR模型进行相应分析；然而对于非平稳时序变量是否可以建立VAR模型，有所分歧。 有观点认为：若对非平稳时序变量建立VAR模型，需要进行Johansen协整分析，否则极有可能出现伪回归现象。 也有观点认为：不问序列如何均可建立初步的VAR模型。 现对变量R进行单位根检验，从包含截距项和时间趋势项情形开始到无截距项和时间趋势项情形逐次检验。 【结论】单位根检验结果显示，变量R是无截距项和时间趋势项的平稳序列。 现对变量S3M进行单位根检验，从包含截距项和时间趋势项情形开始到无截距项和时间趋势项情形逐次检验。 三、滞后阶数的确定 先任意选定一个滞后阶数，建立VAR模型，进行回归；然后选取最优滞后阶数；最后，利用最优滞后阶数对模型重新回归。 【注意】在刚开始建立VAR模型时，上图中的滞后阶数 [1 2] 可以任意选取。不影响下面滞后阶数的确定。 （2）滞后阶数的确定 【注意】选择“*”号最多的那行对应的滞后阶数作为该VAR模型的最优滞后阶数。此处，选滞后2阶，再次建立VAR模型。 四、变量外生性检验 在滞后阶数确定后进行因果关系检验，以确定哪些变量为外生变量。如果VAR模型中某些变量的滞后值对被解释变量没有显著性影响，那此时建立VAR模型就值得怀疑。 【注意】外生性检验表明S3M的滞后值对被解释变量R有显著性影响，能够构建VAR模型。  五、判断模型稳定性 如果外生性检验通过，可以对VAR模型进行稳定性判断。EViews给出了两种简便的方式：图形法和数值法。 【方式1】  【结论】特征根落在单位圆内，表明建立的VAR模型是稳定的。 【方式2】 【结论】特征根的Modulus都小于1，即VAR模型是稳定的。 六、脉冲响应 两种方式进行脉冲响应分析。 【方式1】 脉冲响应对话框，选择哪个变量作为冲击，哪个变量作为响应，冲击持续的期限，例如，此处，冲击是R S3M，响应变量是R，冲击持续的期限10期。 【方式2】 【结论】来自S3M的冲击对变量R的影响是，在第1到10期在逐渐增大。 七、方差分解 此处是对变量R的方差进行分解。 【结论】从第6期开始变量R的预期波动中有约20%由变量S3M的波动解释。