第09章 向量自回归和向量误差修正模型
向量自回归和向量误差修正模型
模型旨在捕捉变量之间的动态关 系，并分析一个经济系统中的内
在机制。
VAR模型假设变量之间的关系是 非结构性的，即它们之间的关系
是线性的。
VAR模型的参数估计
使用最大似然估计法（MLE） 来估计VAR模型的参数。
MLE是一种统计方法，用于估 计未知参数的值，使得已知数 据与模型预测的概率分布尽可 能接近。
独立同分布假设
02
模型假设误差项独立且同分布，实际数据可能无法满足这一假
设，导致模型的预测能力下降。
参数稳定性假设
03
模型假设参数在样本期间保持不变，这在现实中很难满足，参
数的变化可能影响模型的预测效果。
模型应用范围与限制
领域限制
向量自回归和向量误差修正模型 主要应用于宏观经济和金融领域 的数据分析，在其他领域的应用 可能受到限制。
向量自回归和向量误 差修正模型
目录
• 向量自回归模型（VAR） • 向量误差修正模型（VECM） • 向量自回归和向量误差修正模型的应用 • 向量自回归和向量误差修正模型的比较与选择 • 向量自回归和向量误差修正模型的局限性
01
向量自回归模型（VAR）
VAR模型的原理
多个时间序列变量同时受到各自 滞后值和相互之间滞后值的影响。
模型选择与优化
在向量误差修正模型中，需要根据实际问题和数据特点选择合适的滞后阶数和模型形式。 同时，可以通过比较不同模型的拟合优度、解释力度等指标来优化模型。
03
向量自回归和向量误差修 正模型的应用
宏观经济预测
总结词
向量自回归和向量误差修正模型在宏观经济预测中具有重要应用，能够分析多个经济变量之间的动态关系，预测 未来经济走势。
参数值。
面板数据、格兰杰因果关系、向量自回归和向量误差修正模型
面板数据、格兰杰因果关系、向量自回归和向量误差修正模型(2011-06-13 11:43:22)标签: 分类: 工作篇校园面板数据的计量方法1.什么是面板数据,面板数据,panel data,也称时间序列截面数据,time series and cross section data,或混合数据,pool data,。
面板数据是截面数据与时间序列综合起来的一种数据资源～是同时在时间和截面空间上取得的二维数据。
如:城市名:北京、上海、重庆、天津的GDP分别为10、11、9、8,单位亿元,。
这就是截面数据～在一个时间点处切开～看各个城市的不同就是截面数据。
如:2000、2001、2002、2003、2004各年的北京市GDP分别为8、9、10、11、12,单位亿元,。
这就是时间序列～选一个城市～看各个样本时间点的不同就是时间序列。
如:2000、2001、2002、2003、2004各年中国所有直辖市的GDP分别为: 北京市分别为8、9、10、11、12,上海市分别为9、10、11、12、13,天津市分别为5、6、7、8、9,重庆市分别为7、8、9、10、11,单位亿元,。
这就是面板数据。
2.面板数据的计量方法利用面板数据建立模型的好处是:,1,由于观测值的增多～可以增加估计量的抽样精度。
,2,对于固定效应模型能得到参数的一致估计量～甚至有效估计量。
,3,面板数据建模比单截面数据建模可以获得更多的动态信息。
例如1990-2000 年30 个省份的农业总产值数据。
固定在某一年份上～它是由30 个农业总产值数字组成的截面数据,固定在某一省份上～它是由11 年农业总产值数据组成的一个时间序列。
面板数据由30 个个体组成。
共有330 个观测值。
面板数据模型的选择通常有三种形式:混合估计模型、固定效应模型和随机效应模型。
这三类模型的差异主要表现在系数、截距以及随机误差的假设不同。
第一种是混合估计模型,Pooled Regression Model,。
《计量经济分析方法与建模》第二版课件-第09章--向量自回归和向量误差修正模型
例9.1 我国货币政策效应实证分析的VAR模型 为了研究货币供应量和利率的变动对经济波动的长 期影响和短期影响及其贡献度，根据我国1995年1季度～ 2007年4季度的季度数据，设居民消费价格指数为CPI_90 (1990年1季度=1)、居民消费价格指数增长率为CPI 、实 际GDP的对数ln(GDP/CPI_90) 为ln(gdp) 、实际M1的对 数ln(M1/CPI_90) 为ln(m1) 和实际利率rr (一年期存款利 率R-CPI ）。
10
利用VAR(p)模型对 ln(gdp) ， ln(m1) 和 rr，3个变量之 间的关系进行实证研究，其中实际GDP和实际M1以对数差分 的形式出现在模型中，而实际利率没有取对数。
ln( gdp)t ln( m1)t
rrt
c1 c2 ck
1
ln( gdp) ln( m1)
2 4 6 9 12 12 即为用2―4阶，6―9阶及第12阶滞后变量。
14
(4) 在Endogenous Variables编辑栏中输入相应的内生变量 (5)在Exogenous Variables编辑栏中输入相应的外生变量 EViews允许VAR模型中包含外生变量，
yt Φ1 yt1 Φp yt p Hxt εt
同时，有两类回归统计量出现在VAR对象估计输 出的底标准OLS回归统 计量。根据各自的残差分别计算每个方程的结果，并显示 在对应的列中。
输出的第二部分显示的是VAR模型的回归统计量。
18
残差的协方差的行列式值(自由度调整)由下式得出：
Σˆ
det 1 T m
1
0.21
e3
-0.42 0.21
1
21
从表中可以看到实际利率rr、实际M1的ln(m1) 方程和实际GDP的ln(gdp)方程的残差项之间存在的 同期相关系数比较高，进一步表明实际利率、实际货 币供给量(M1)和实际GDP之间存在着同期的影响关系， 尽管得到的估计量是一致估计量，但是在本例中却无 法刻画它们之间的这种同期影响关系。
向量自回归模型(VAR)与向量误差修正模型(vec)
向量自回归模型（VAR ）与向量误差修正模型（VEC ）§7.1 向量自回归模型（VAR(p)）传统的经济计量学联立方程模型建摸方法, 是以经济理论为基础来描述经济变量之间的结构关系，采用的是结构方法来建立模型，所建立的就是联立方程结构式模型。
这种模型其优点是具有明显的经济理论含义。
但是，从计量经济学建摸理论而言，也存在许多弊端而受到质疑。
一是在模型建立之处，首先需要明确哪些是内生变量，哪些是外生变量，尽管可以根据研究问题和目的来确定，但有时也并不容易；二是所设定的模型，每一结构方程都含有内生多个内生变量，当将某一内生变量作为被解释变量出现在方程左边时，右边将会含有多个其余内生变量，由于它们与扰动项相关， 从而使模型参数估计变得十分复杂，在未估计前，就需要讨论识别性；三是结构式模型不能很好地反映出变量间的动态联系。
为了解决这一问题，经过一些现代计量经济学家门的研究，就给出了一种非结构性建立经济变量之间关系模型的方法，这就是所谓向量自回归模型（Vector Autoregression Model ）。
VAR 模型最早是1980年，由C.A.Sims 引入到计量经济学中，它实质上是多元AR 模型在经济计量学中的应用，VAR 模型不是以经济理论为基础描述经济变量之间的结构关系来建立模型的，它是以数据统计性质为基础，把某一经济系统中的每一变量作为所有变量的滞后变量的函数来构造模型的。
它是一种处理具有相关关系的多变量的分析和预测、随机扰动对系统的动态冲击的最方便的方法。
而且在一定条件下，多元MA 模型、ARMA 模型，也可化为VAR 模型来处理，这为研究具有相关关系的多变量的分析和预测带来很大方便。
7.1.1 VAR 模型的一般形式1、非限制性VAR 模型（高斯VAR 模型）,或简化式非限制性VAR 模型设12(...)t t t kt y y y y '=为一k 维随机时间序列，p 为滞后阶数，12(...)t t t kt u u u u '=为一k 维随机扰动的时间序列，且有结构关系(1)(1)(1)(2)(2)(2)111111221111112122212()()()11112211(1)(1)(1)(2)(2)2211122212121122222................t t t k kt t t k kt p p p t p t p k kt p t t t t k kt t t y a y a y a y a y a y a y a y a y a y u y a y a y a y a y a y --------------=+++++++++++++=++++++(2)22()()()21212222(1)(1)111.............................................................................................................................k kt p p p t p t p k kt p tkt k t k a y a y a y a y u y a y a -----+++++++=+(1)(2)(2)(2)2211112122212()()()1122............t kk kt k t t k kt p p p k t p k t p kk kt p kt y a y a y a y a y a y a y a y u --------⎡⎢⎢⎢⎢⎢⎢⎢⎢+++++++⎢⎢+++++⎢⎣1,2,...,t T = （7．1．1） 若引入矩阵符号，记()()()11121()()()21222()()()12......,1,2,...,........................................i i i k i i i k i i i i k k kk a a a a a a A i p a a a ⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎣⎦可写成 1122...t t t p t p t y A y A y A y u ---=++++，1,2,...,t T = （7．1．2） 进一步，若引入滞后算子L ，则又可表示成(),1,2,...,t t A L y u t T == （7. 1. 3）其中: 212()...pk p A L I A L A L A L =----,为滞后算子多项式.如果模型满足的条件: ①参数阵0,0;p A p ≠>②特征方程 212det[()]...0pk p A L I A L A L A L =----=的根全在单位园外；③~(0,)t u iidN ∑，1,2,...,t T =，即t u 相互独立，同服从以()0t E u =为期望向量、ov()()t t t C u E u u '==∑为方差协方差阵的k 维正态分布。
《向量自回归——协整与误差修正模型》的两种方法及论文实例
一、EG两步检验法1、数据收集（1）验证数据是否具有平稳性2、计量模型和实证结果分析（1）单位根检验在利用OLS对计量经济模型进行估计时，若时间序列为非平稳序列，则容易产生伪回归，从而使模型不能真实地反映解释变量和被解释变量的关系。
因此，为防止伪回归的出现，先对变量的时间序列进行平稳性检验。
其方法如下：ADF检验法（2）协整检验协整概念是20世纪80年代由恩格尔（Engle）和格兰杰（Granger）提出的。
a、EG（EngleGranger）两步检验法b、约翰森（Johansen）检验法第一步，协整回归（1）用“普通最小二乘法OLS”估计出残差的计算公式第二步，检验残差的单整性，及是否是平稳序列3、误差修正模型4、Granger因果关系检验二、约翰森（Johansen）检验法1、数据选择及预处理（1）为消除可能存在的异方差，对数据进行自然对数变换2、平稳性检验（1）运用增广基迪-富勒检验（ADF检验）对各指标时间序列的平稳性进行单位根检验（unit root test）3、协整检验（1）协整分析的基本思想：尽管两个或两个以上的变量每个都是不平衡的，但它们的线性组合可以互相抵消趋势项的影响，从而成为一个平稳的组合，因而人们可以研究经济变量间的长期均衡关系。
（2）常用方法：a、EG（EngleGranger）两步检验法b、约翰森（Johansen）检验法（3）检验之前，根据Akaike信息准则和SC准则，确定VAR模型（向量自回归模型）滞后期（为2）。
4、格兰杰因果关系检验（1）为避免伪回归，对文中所研究的变量做格兰杰因果关系检验。
格兰杰因果（Granger causal-ity）是指，Y称为X的“格兰杰原因”，当且仅当如果利用Y 的过去值比不用它时能够更好地预测X。
简言之，如果标量Y能够有效的帮助预测X，那么就称Y为X的“格兰杰原因”。
5、VAR模型及脉冲响应分析（1）如果格兰杰因果关系检验存在，也只是说明和验证了变量之间的因果关系，具体的影响过程和方向还可以借助脉冲响应分析函数（Impulse Response Functions）。
向量自回归和误差
同期相关性
VAR模型假设变量之间存在同期相关 性，即一个变量的当前值受到另一个 变量当前值的影响。
误差项独立性
VAR模型的误差项应相互独立，即误 差项之间没有相关性。
02
误差修正模型（ECM）
误差修正机制
误差修正项
误差修正项是模型中的一个重要组成部分，用于衡量长期均衡关系偏离短期调 整机制的程度。
模型检验
平稳性检验
对模型残差进行平稳性检验，如ADF检验或PP检验，以确保模型 残差没有单位根。
异方差性检验
使用White检验或Jarque-Bera检验来检验模型残差的异方差性， 以确保残差具有同方差性。
自相关检验
使用LM检验或Breusch-Godfrey检验来检验模型残差的自相关性， 以确保残差之间没有自相关关系。
残差自相关检验
检验VAR模型的残差是否存在自相关，常用的方法 有Ljung-Box Q统计量检验。
残差异方差性检验
检验VAR模型的残差是否存在异方差性，常 用的方法有White检验和ARCH检验。
诊断检验
模型拟合优度检验
通过比较VAR模型拟合数据与原始数据的差异程度，评估模型的拟合优度，常用的方法有 R方统计量和调整R方统计量。
经济政策评估
政策效果评估
通过VAR模型，可以分析经济政策对多个经济变量的影响，从而评估政策效果。
政策制定依据
VAR模型可以提供政策制定者关于经济变量之间相互作用的深入了解，有助于制 定更加科学合理的政策。
金融市场分析
市场趋势预测
VAR模型可以用于分析金融市场中的多个变量，预测市场趋势，为投资者提供决策依据。
1 2 3
单位根检验
用于检验时间序列数据是否平稳，常用的方法有 ADF检验和PP检验。
向量自回归模型[1]
![向量自回归模型[1]](https://img.taocdn.com/s3/m/cde79919581b6bd97f19ea1b.png)
估计量为
1 ˆ ˆt ε ˆt Σ ε T
其中：
ˆ y A ˆ y A ˆ y ˆt y t A ε 1 t 1 2 t 2 p t p
当VAR的参数估计出来之后，由于A(L)C(L)=Ik，所以
也可以得到相应的VMA(∞)模型的参数估计。
5
第一节
•
向量自回归理论
由于仅仅有内生变量的滞后值出现在等式的右边，所
VAR模型的检验
22
第二节
VAR模型的检验
同时在组(Group)的View菜单里也可以实现Granger因果检验，但
断是否存在过去的影响。作为两变量情形的推广，对多个变量的
组合给出如下的系数约束条件：在多变量 VAR(p) 模型中不存在 yjt 到 yit 的Granger意义下的因果关系的必要条件是
ˆ a
(q) ˆ 的第 i 行第 j 列的元素。 ˆ 其中 a ij 是 A q
(q) ij
0
q 1， 2， ，p
(9.3.4)
19
第二节
VAR模型的检验
2. Granger因果关系检验
Granger因果关系检验实质上是检验一个变量的滞后变量
是否可以引入到其他变量方程中。一个变量如果受到其他变
量的滞后影响，则称它们具有Granger因果关系。
这时，判断Granger原因的直接方法是利用F-检 验来检验下述联合检验：
(VMA(∞))形式
y t C ( L) ε t
其中
C ( L) A( L) 1
C ( L) C 0 C1 L C 2 L2
C0 I k
4
第一节
向量自回归理论
对 VAR 模型的估计可以通过最小二乘法来进行，假如 对 矩阵不施加限制性条件，由最小二乘法可得 矩阵的
误差修正模型公式
误差修正模型公式
误差修正模型（Error Correction Model, ECM）是一个著名的非平稳时间序列分析方法，其基本思想是建立一个包括误差修正项的向量自回归模型（Vector Autoregressive Model, VAR），以捕捉长期和短期之间的非平稳关系。
其公式如下：
$∆y_t = α_0 + β_0 y_{t-1} + Σ_{i=1}^{p-1} β_i ∆y_{t-i} + γ_1 EC_{t-1} + Σ_{i=1}^{p-1} γ_{i+1} EC_{t-i} + ɛ_t$
其中，$y_t$ 表示要研究的非平稳时间序列，$EC_t$ 表示误差修正项，$p$ 表示自回归项的阶数，$α_0$、$β_0$，$β_i$ 和 $γ_i$ 表示回归系数，$ɛ_t$ 表示误差。
误差修正项可以看作是一个调整参数，用来使得模型在长期和短期之间保持平衡。
当向量误差达到稳态时，误差修正项为0。
而在误差修正模型中，模型的原始变量和误差修正项是彼此相关的，从而使得该模型可以同时捕捉短期和长期非平稳关系的特点。
当我们使用 ECM 模型进行非平稳时间序列数据的分析时，首先需要检验变量之间是否存在协整关系，然后再进行特征提取和模型建立。
获得模型后，我们可以利用模型进行预测和分析，以帮助我们更好地理解非平稳时间序列数据的动态特性和规律。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
9.1.1 VAR模型的一般表示
VAR(p) 模型的数学表达式是
yt Φ1 yt1 Φp yt p Hxt εt
t 1, 2,,T (9.1.1)
其中：yt是 k 维内生变量列向量，xt 是d 维外生变量列向量，p
是滞后阶数，T是样本个数。kk 维矩阵1，…， p 和 kd 维 矩阵 H 是待估计的系数矩阵。t 是 k 维扰动列向量，它们相互
为了叙述方便，下面考虑的VAR模型都是不含外生变量 的非限制向量自回归模型，用下式表示
yt Φ1 yt1 Φp yt p εt
或
Φ(L) yt εt
其中: Φ(L) Ik Φ1L Φ2L2 ΦpLp
(9.1.5)
如果行列式det[(L)]的根都在单位圆外，则式(9.1.5)
满足稳定性条件，可以将其表示为无穷阶的向量动平均 (VMA(∞))形式
t 1 t 1
Φ
pLeabharlann rrt p ln( m1) t p ln( gdp) t p
1t
2t 3t
EViews软件中VAR模型的建立和估计
1．建立VAR模型
为 了 创 建 一 个 VAR 对 象 ， 应 选 择 Quick/Estimate VAR…或者选择Objects/New object/VAR或者在命令窗口 中键入var。便会出现下图的对话框(以例9.1为例)：
a12 a22
IPt 1 M 1t 1
b11 b21
b12 b22
IPt 2 M 1t 2
1,t 2,t
一 般 称 式 ( 9 . 1 . 1) 为 非 限 制 性 向 量 自 回 归 模 型
(unrestricted VAR)。冲击向量 t 是白噪声向量，因为 t 没有
结构性的含义，被称为简化形式的冲击向量。
(3) 输入滞后信息 在Lag Intervals for Endogenous编辑框中输入滞后 信息，表明哪些滞后变量应该被包括在每个等式的右端。 这一信息应该成对输入：每一对数字描述一个滞后区间。 例如，滞后对
14 表示用系统中所有内生变量的1阶到4阶滞后变量作为等 式右端的变量。
也可以添加代表滞后区间的任意数字，但都要成对 输入。例如：
H
x2t
xdt
2t
kt
(9.1.2)
t 1, 2,,T
即含有 k 个时间序列变量的VAR(p)模型由 k 个方程 组成。
例如：作为VAR的一个例子，假设工业产量（IP）和货 币供应量（M1）联合地由一个双变量的VAR模型决定。内生 变量滞后二阶的VAR(2)模型是：
可以在对话框内添入相应的信息： (1) 选择模型类型（VAR Type）： 无约束向量自回归（Unrestricted VAR）或者向量 误差修正（Vector Error Correction）。无约束VAR模 型是指VAR模型的简化式。
(2) 在Estimation Sample编辑框中设置样本区间
§9.1 向量自回归理论
向量自回归(VAR)是基于数据的统计性质建立模型， VAR模型把系统中每一个内生变量作为系统中所有内 生变量的滞后值的函数来构造模型，从而将单变量自回 归模型推广到由多元时间序列变量组成的“向量”自回 归模型。VAR模型是处理多个相关经济指标的分析与 预测最容易操作的模型之一，并且在一定的条件下，多 元MA和ARMA模型也可转化成VAR模型，因此近年来 VAR模型受到越来越多的经济工作者的重视。
(9.1.6) 其中
yt A(L)εt A(L) Φ(L)1
A(L) A0 A1L A2L2
A0 Ik
对VAR模型的估计可以通过最小二乘法来进行，假
如对 矩阵不施加限制性条件，由最小二乘法可得 矩阵
的估计量为
(9.1.7)
Σˆ 1 T
εˆt εˆt
其中： εˆt yt Φˆ1 yt1 Φˆ 2 yt2 Φˆ p ytp
当VAR的参数估计出来之后，由于 (L)A(L)=Ik，所 以也可以得到相应的VMA(∞)模型的参数估计。
由于仅仅有内生变量的滞后值出现在等式的右边， 所以不存在同期相关性问题，用普通最小二乘法(OLS) 能得到VAR简化式模型的一致且有效的估计量。即使扰
动向量 t 有同期相关，OLS仍然是有效的，因为所有的
IPt c1 a11IPt1 a12M1t1 b11IPt2 b12M1t2 1,t M1t c2 a2,1IPt1 a22M1t1 b21IPt2 b22M1t2 2,t
其中， ci , aij , bij 是要被估计的参数。也可表示成：
IPt M 1t
c1 c2
a11 a21
方程有相同的回归量，其与广义最小二乘法(GLS)是等 价的。注意，由于任何序列相关都可以通过增加更多的 yt 的滞后而被消除，所以扰动项序列不相关的假设并不 要求非常严格。
例9.1 我国货币政策效应实证分析的VAR模型
为了研究货币供应量和利率的变动对经济波动的长 期影响和短期影响及其贡献度，采用我国1995年1季度～ 2007年4季度的季度数据，并对变量进行了季节调整。设 居民消费价格指数为CPI_90 (1990年1季度=1)、居民消费 价格指数增长率为CPI 、实际GDP的对数ln(GDP/CPI_90) 为ln(gdp) 、实际M1的对数ln(M1/CPI_90) 为ln(m1) 和实 际利率rr (一年期存款利率R-CPI ）。
之间可以同期相关，但不与自己的滞后值相关且不与等式右边
的变量相关，假设 是 t 的协方差矩阵，是一个(kk)的正定
矩阵。式(9.1.1)可以展开表示为
y1t
y1 t1
y1t p
x1t 1t
y2t
y kt
Φ1
y2 t1
yk t1
Φ
p
y2 t p
ykt p
利用VAR(p)模型对 ln(gdp) ， ln(m1) 和 rr，3个变量 之间的关系进行实证研究，其中实际GDP和实际M1以对数差 分的形式出现在模型中，而实际利率没有取对数。
rrt ln( m1)t ln( gdp)t
c1 c2 c3
rrt 1
Φ1
ln( m1) ln( gdp)