时间序列分析var模型实验
多元时间序列模型实例
多元时间序列模型实例1. 引言1.1 背景介绍多元时间序列模型是现代经济学中重要的分析工具，它能够有效地捕捉多个经济变量之间的互动关系和动态演变规律。
在实际应用中，多元时间序列模型被广泛运用于宏观经济预测、货币政策制定、金融风险管理等领域。
随着经济全球化和金融市场的不断发展，经济变量之间的关联性不断增强，传统的单变量时间序列模型已无法满足复杂的分析需求。
多元时间序列模型的研究和应用变得尤为重要。
本文将重点讨论VAR模型和VECM模型两种典型的多元时间序列模型，分析它们的原理、优缺点以及应用范围。
通过实例分析，我们将探讨这两种模型在实际经济数据中的应用效果和结果。
并对研究过程中的局限性进行分析，为未来研究提出展望。
通过深入探讨和研究多元时间序列模型，我们可以更好地理解经济变量之间的内在联系，为经济政策制定和风险管理提供更为准确和可靠的参考依据。
1.2 研究意义多元时间序列模型在经济学、金融学、环境科学等领域具有重要的应用价值。
通过对多元时间序列数据的建模分析，可以帮助研究者更好地理解变量之间的关系和内在规律，预测未来的发展走势，制定有效的政策和决策，促进经济社会的可持续发展。
多元时间序列模型可以用来分析经济系统中不同变量之间的相互影响和作用机制。
通过构建VAR模型和VECM模型，可以揭示变量之间的联动关系，帮助研究者更好地理解经济系统内部的运行机制，从而为制定政策提供科学依据。
多元时间序列模型还可以用来预测未来的发展趋势。
基于对历史数据的建模分析，可以得出一定的预测结果，为政府、企业和个人提供决策参考，减少不确定性因素的影响，提高决策的准确性和效益。
多元时间序列模型的研究具有重要的实践意义和理论意义，对于推动经济社会的发展和提高决策的科学性都具有重要的意义。
本文将通过实例分析，探讨多元时间序列模型在实际中的应用效果和局限性，为相关研究提供参考和借鉴。
1.3 研究对象研究对象是指在本研究中所关注和研究的主体或对象。
var模型r语言应用实例
var模型r语言应用实例引言在经济学和金融学领域，VAR（Vector Autoregression）模型是一种常用的时间序列分析方法。
VAR模型可以用于预测和分析多个相关变量之间的动态关系。
本文将介绍VAR模型的基本原理和在R语言中的应用实例。
一、VAR模型基本原理VAR模型是一种多元时间序列模型，它假设变量之间的关系是相互回应的，即每个变量的变化可以由其他变量的变化解释。
VAR模型的基本原理可以概括为以下几个步骤：1. 数据准备首先，需要收集和准备多个相关变量的时间序列数据。
这些变量应该是同一时间段内的观测值，例如每月的经济指标数据。
2. 检验时间序列的平稳性在进行VAR模型分析之前，需要对每个变量的时间序列进行平稳性检验。
平稳性是指时间序列的均值和方差在时间上保持不变的性质。
常用的平稳性检验方法包括ADF检验和单位根检验。
3. 确定VAR模型的滞后阶数滞后阶数是指VAR模型中所包含的时间滞后项的个数。
确定滞后阶数的方法有很多种，常用的方法包括信息准则（如AIC和BIC）和Ljung-Box检验。
4. 估计VAR模型参数估计VAR模型的参数可以使用最小二乘法或极大似然法。
在R语言中，可以使用vars包或vars::VAR函数进行参数估计。
在估计VAR模型参数之后，需要对模型进行诊断和检验。
常用的模型诊断方法包括残差平稳性检验、残差白噪声检验和模型拟合优度检验。
6. 模型预测和分析完成模型诊断和检验之后，可以使用VAR模型进行预测和分析。
VAR模型可以用于预测未来的变量值，同时还可以分析变量之间的动态关系和冲击响应。
二、R语言中的VAR模型应用实例下面将通过一个实例来演示在R语言中如何应用VAR模型进行分析和预测。
1. 数据准备首先，我们需要准备多个相关变量的时间序列数据。
以宏观经济领域为例，我们可以选择GDP、通货膨胀率和利率作为研究对象。
假设我们收集了这三个变量的季度数据。
2. 检验时间序列的平稳性使用adf.test函数对每个变量的时间序列进行平稳性检验。
时间序列分析报告——VAR模型实验
基于VAR模型的我国房地产市场与汇率波动的因果关系————VAR模型实验第一部分实验分析目的及方法现选取人民币对美元汇率以及商品房房价作为变量构建VAR模型。
对于不满足单位根检验的序列采取对数化或差分处理，使其成为平稳序列再进行模型的拟合。
对于商品房房价这一变量，由于全国各省市差异较大，故此处采用全国房地产开发业综合景气指数这一变量。
此外，为了消除春节假期不固定因素带来的影响，增强数据的可比性，按照国家统计制度，从2012年起，不单独对1月份统计数据进行调查，1-2月份数据一起调查，一起发布。
所以国房景气指数p这一序列缺少每年一月份的相关数据，属于非随机、不可忽略缺失，在此采用平均值填充的方法，补足数据。
第二部分实验样本2.1数据来源数据来源于中经网统计数据库。
具体数据见附录表。
2.2所选数据变量由于我国于2005年7月实行第二次汇改，此次汇改以市场供求为基础、参考一篮子货币进行调节、有管理的浮动汇率制度取代了过去人民币汇率长达10年的紧盯美元的固定汇率体制。
故本实验拟选取2005年07月到2014年10月我国以月为单位的数据。
，用以上两个变量来构建VAR模型，并利用该模型进行分析预测。
第四部分模型构建4.1判断序列的平稳性4.1.1汇率E序列首先绘制出E的折线图，结果如下图：图4.1 汇率E的曲线图从图中可以看出，汇率E序列较强的趋势性，由此可以初步判断该序列是非平稳的。
为了减少m的变动趋势以及异方差性，先对m进行对数化处理，记为lm，其时序图如下：图4.2 lm的曲线图对数化后的趋势性减弱，但仍存在一定的趋势性，下面对lm进行一阶差分处理，去除趋势性，得到新变量dlm，观察dlm的曲线图。
图4.3 DLE的曲线图从图中可以看出，dle序列的趋势性基本已经消除，且新变量dle基本围绕0上下波动，因此选择形式为y t=y t-1+u t进行单位根检验：表4.1 单位根输出结果Null Hypothesis: DLE has a unit rootExogenous: ConstantLag Length: 2 (Automatic - based on SIC, maxlag=12)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -3.031673 0.0351Test critical values: 1% level -3.4919285% level -2.88841110% level -2.581176*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(DLE)Method: Least SquaresDate: 11/15/14 Time: 20:20Sample (adjusted): 2005M11 2014M10Included observations: 108 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.DLE(-1) -0.353005 0.116439 -3.031673 0.0031 D(DLE(-1)) -0.502730 0.115417 -4.355768 0.0000 D(DLE(-2)) -0.311531 0.093265 -3.340258 0.0012C -0.000888 0.000470 -1.887592 0.0619R-squared 0.450240 Mean dependent var 1.15E-05 Adjusted R-squared 0.434382 S.D. dependent var 0.005058S.E. of regression 0.003804 Akaike infocriterion -8.269046 Sum squared resid 0.001505 Schwarz criterion -8.169708Log likelihood 450.5285 Hannan-Quinncriter. -8.228768F-statistic 28.39119 Durbin-Watson stat 2.061613Prob(F-statistic) 0.000000单位根统计量ADF=-3.031673小于临界值，且P为0.0351，因此该序列不是单位根过程，即该序列是平稳序列。
时间序列分析 向量自回归(VAR)模型
VAR(1)模型
26
Yt A1 Yt -1 Ut (I - L A 1) Yt Ut Yt (I - L A 1)-1 Ut Ut A1Ut-1 A12Ut-2 A1sUt-s 因此,VAR(k )可以写成一个无限阶的向量MA()
Yts Uts A1Uts-1 A12Uts-2 A1sUt
I
令 Yt (Yt ,Yt1,Yt2....Ytk1)NK1
C (c, 0, 0....0)NK1
1 2 ... k1 k
I
0 ...
0
0
A 0 I ... 0 0
...
... ...
...
...
0 0 ... I
0 NKNK
Ut ut
0
0 ... 0 NK 1
上式可写为 Yt C AYt1 Ut
• VAR模型是自回归模型的联立形式，所以 称向量自回归模型。
6
假设y1t , y2t之间存在关系, 若分别建立两个回归模型 y1,t f ( y1,t1, y1,t2 ,......) y2,t f ( y2,t1, y2,t2 ,......)
产生的问题是什么? 无法捕捉两个变量之间的关系 解决办法:建立两个变量之间的关系
14
注意的问题
• （1）因为L1=1/0.978 =1/1, L2 =1/0.27=1/2， 所以特征方程与相反的特征方程的根互为倒数，L = 1/ 。
• （2）在单方程模型中，通常用相反的特征方程
(L) = 0的根描述模型的稳定性，即单变量过程 稳定的条件是（相反的）特征方程(L) = 0的根
都要在单位圆以外；而在VAR模型中通常用特征
时间序列建模案例VAR模型分析报告与协整检验
传统的经济计量方法是以经济理论为基础来描述变量关系的模型。
但是，经济理论通常并不足以对变量之间的动态联系提供一个严密的说明，而且内生变量既可以出现在方程的左端又可以出现在方程的右端使得估计和推断变得更加复杂。
为了解决这些问题而出现了一种用非结构性方法来建立各个变量之间关系的模型。
本章所要介绍的向量自回归模型(vector autoregression ，VAR)和向量误差修正模型(vector error correction model ，VEC)就是非结构化的多方程模型。
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。
VAR(p ) 模型的数学表达式是t=1,2,…..,T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。
k ⨯k 维矩阵Φ1，…， Φp 和k ⨯d 维矩阵H 是待估计的系数矩阵。
εt 是 k 维扰动列向量，它们相互之间可以同期相关，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εt 的协方差矩阵，是一个(k ⨯k )的正定矩阵。
11t t p t p t t --=+⋅⋅⋅+++y Φy Φy Hx ε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。
以1952一1991年对数的中国进、出口贸易总额序列为例介绍VAR 模型分析，其中包括;① VAR模型估计;②VAR模型滞后期的选择;③VAR模型平隐性检验;④VAR模型预侧;⑤协整性检验VAR模型佑计数据Lni(进口贸易总额), ,Lne的时间序列见图。
时间序列分析课件（东北财经大学王雪标）--第5章VAR模型分析
第5章 VAR 模型分析5．1 引论考虑简单的二维系统，如果没有充分的理由确定变量是否为外生变量的情况下，可以认为两变量具有反馈关系。
假设t y 的时间路径受t z 的现期值与过去值影响，t z 的时间路径受t y 的现期值与过去值影响：yt t t t t z y z b b y εγγ+++-=--1121111210 （5.1.1）zt t t t t z y y b b z εγγ+++-=--1221212120 （5.1.2）这里假设：（1）t t z y ,是平稳的；（2）zt yt εε,是白噪声扰动，标准差分别为z y σσ,；（3）}(},{zt yt εε是不相关的。
方程（5.1.1），（5.1.2）构成了一阶向量自回归(VAR)。
方程（5.1.1），(5.1.2)称为结构VAR, 这个系统反映了t t z y ,之间的相互反馈。
如，12b -是t z 变化一个单位对t y 的当期影响，12γ是1-t z 变化一个单位对t y 的影响。
注意：zt yt εε和分别是对t y 和t z 的更新（或冲击）。
当然，若21b 不为零，tyt z 对ε有间接的当期影响，如，12b 不为零，zt ε对t y 有间接当期影响。
这样的系统可以捕捉反馈影响。
方程（5.1.1），（5.1.2）不是导出型 (约化型) 方程，因为，t y 对t z 有当期影响，且t z 对t y 有当期影响。
但可以将这方程系统转化成一个更便于应用的形式。
我们可将这系统写成下面形式⎥⎦⎤⎢⎣⎡+⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡+⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡--zt yt t t t t z y b b z y bb εεγγγγ11222112112010211211 或 t t t X BX ε+Γ+Γ=-110 （5.1.3） 这是,112112⎥⎦⎤⎢⎣⎡=b b B ⎥⎦⎤⎢⎣⎡=t t t z y X ，⎥⎦⎤⎢⎣⎡=Γ20100b b ，⎥⎦⎤⎢⎣⎡=Γ222112111γγγγ，⎥⎦⎤⎢⎣⎡=zt yt t εεε 前乘1-B 可得到标准形式的VAR t t t e X A A X ++=-110 这里1110011,,t t A B A B e Bε---=Γ=Γ=定义0i a 是向量0A 的第i 个元素，ij a 是矩阵1A 中的i 行j 列元素，it e 是向量t e 中的第i 个元素，则（5.1.3）可写为t t t t e z a y a a y 111211110+++=-- （5.1.4）t t t t e z a y a a z 212212120+++=-- （5.1.5）方程（5.1.4），(5.1.5)称为标准型的VAR 。
时间序列var模型过程
时间序列var模型过程
时间序列VAR（Vector Autoregression）模型是一种多变量时间序列分析方法，用于建模和预测多个相关变量之间的相互依赖关系。
下面是使用时间序列VAR模型的一般步骤：
1.数据准备：收集并准备时间序列数据，包括多个相关变量
的观测值。
2.确定滞后阶数（Lag order determination）：使用一些统计
指标或信息准则（如AIC、BIC等）来选择合适的滞后阶数。
滞后阶数决定了VAR模型中包含的过去时刻的数据点数。
3.拟合VAR模型：使用选定的滞后阶数，拟合VAR模型。
VAR模型可以用矩阵形式表示为：
Y_t = c + A_1 * Y_(t-1) + A_2 * Y_(t-2) + ... + A_p * Y_(t-p) + error_t
其中，Y_t是一个包含所有相关变量的向量，A_1, A_2, ..., A_p 是与每个滞后阶数对应的系数矩阵，c是截距项，error_t是误差项，t表示时间。
4.模型诊断和评估：对拟合的VAR模型进行诊断和评估，包
括检查误差项是否满足白噪声假设、模型是否具有良好的
拟合度等。
5.可选的模型改进和优化：根据需要，可以进行模型的改进
和优化，如添加外生变量、考虑异方差性等。
6.模型应用和预测：使用训练好的VAR模型进行应用和预测。
可以利用拟合的VAR模型进行现有数据的推断或使用它进行未来数据点的预测。
需要注意的是，VAR模型对数据的平稳性和线性相关性有一定要求。
在使用VAR模型之前，可能需要进行平稳性检验和相关性分析，或者对数据进行差分或转换，以满足模型的要求。
时间序列建模案例VAR模型分析与协整检验
传统的经济计量方法是以经济理论为基础来描述变量关系的模型。
但是，经济理论通常并不足以对变量之间的动态联系提供一个严密的说明，而且内生变量既可以出现在方程的左端又可以出现在方程的右端使得估计和推断变得更加复杂。
为了解决这些问题而出现了一种用非结构性方法来建立各个变量之间关系的模型。
本章所要介绍的向量自回归模型(vector autoregression ，V AR)和向量误差修正模型(vector error correction model ，VEC)就是非结构化的多方程模型。
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。
VAR(p ) 模型的数学表达式是t=1,2,…..,T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。
k ´k 维矩阵F 1，…， Fp 和k ´d 维矩阵H 是待估计的系数矩阵。
et 是 k 维扰动列向量，它们相互之间可以同期相关，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 S 是et 的协方差矩阵，是一个(k ´k )的正定矩阵。
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11t t p t p t t --=+⋅⋅⋅+++y Φy Φy Hx ε消除，所以扰动项序列不相关的假设并不要求非常严格。
以1952一1991年对数的中国进、出口贸易总额序列为例介绍VAR 模型分析，其中包括;① VAR 模型估计;②VAR 模型滞后期的选择;③ VAR 模型平隐性检验;④VAR 模型预侧;⑤协整性检验VAR 模型佑计 数据εεεεLni(进口贸易总额), ,Lne的时间序列见图。
- 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)。
基于VAR模型的我国房地产市场与汇率波动的因果关系————VAR模型实验第一部分实验分析目的及方法现选取人民币对美元汇率以及商品房房价作为变量构建VAR模型。
对于不满足单位根检验的序列采取对数化或差分处理，使其成为平稳序列再进行模型的拟合。
对于商品房房价这一变量，由于全国各省市差异较大，故此处采用全国房地产开发业综合景气指数这一变量。
此外，为了消除春节假期不固定因素带来的影响，增强数据的可比性，按照国家统计制度，从2012年起，不单独对1月份统计数据进行调查，1-2月份数据一起调查，一起发布。
所以国房景气指数p这一序列缺少每年一月份的相关数据，属于非随机、不可忽略缺失，在此采用平均值填充的方法，补足数据。
第二部分实验样本2.1数据来源数据来源于中经网统计数据库。
具体数据见附录表。
2.2所选数据变量由于我国于2005年7月实行第二次汇改，此次汇改以市场供求为基础、参考一篮子货币进行调节、有管理的浮动汇率制度取代了过去人民币汇率长达10年的紧盯美元的固定汇率体制。
故本实验拟选取2005年07月到2014年10月我国以月为单位的数据。
，用以上两个变量来构建VAR模型，并利用该模型进行分析预测。
第四部分模型构建4.1判断序列的平稳性4.1.1汇率E序列首先绘制出E的折线图，结果如下图：图4.1 汇率E的曲线图从图中可以看出，汇率E序列较强的趋势性，由此可以初步判断该序列是非平稳的。
为了减少m的变动趋势以及异方差性，先对m进行对数化处理，记为lm，其时序图如下：图4.2 lm的曲线图对数化后的趋势性减弱，但仍存在一定的趋势性，下面对lm进行一阶差分处理，去除趋势性，得到新变量dlm，观察dlm的曲线图。
图4.3 DLE的曲线图从图中可以看出，dle序列的趋势性基本已经消除，且新变量dle基本围绕0上下波动，因此选择形式为y t=y t-1+u t进行单位根检验：表4.1 单位根输出结果Null Hypothesis: DLE has a unit rootExogenous: ConstantLag Length: 2 (Automatic - based on SIC, maxlag=12)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -3.031673 0.0351Test critical values: 1% level -3.4919285% level -2.88841110% level -2.581176*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(DLE)Method: Least SquaresDate: 11/15/14 Time: 20:20Sample (adjusted): 2005M11 2014M10Included observations: 108 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.DLE(-1) -0.353005 0.116439 -3.031673 0.0031D(DLE(-1)) -0.502730 0.115417 -4.355768 0.0000D(DLE(-2)) -0.311531 0.093265 -3.340258 0.0012C -0.000888 0.000470 -1.887592 0.0619R-squared 0.450240 Mean dependent var 1.15E-05Adjusted R-squared 0.434382 S.D. dependent var 0.005058S.E. of regression 0.003804 Akaike info criterion -8.269046Sum squared resid 0.001505 Schwarz criterion -8.169708Log likelihood 450.5285 Hannan-Quinn criter. -8.228768F-statistic 28.39119 Durbin-Watson stat 2.061613Prob(F-statistic) 0.000000单位根统计量ADF=-3.031673小于临界值，且P为 0.0351，因此该序列不是单位根过程，即该序列是平稳序列。
4.1.2国房景气指数P序列首先作出P序列的时序图：图4.4 P的曲线图由于每年一月份的数据缺失，故取相邻两项进行平均补全数据，得到新序列的时序图如下：图4.5 P的曲线图(补全)由上图可知，该序列P可能存在一定的趋势性和季节性，先进行单位根检验，确定改序列是否平稳。
由于序列表4.2 单位根输出结果Null Hypothesis: P has a unit rootExogenous: Constant, Linear TrendLag Length: 3 (Automatic - based on SIC, maxlag=12)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -3.972457 0.0124Test critical values: 1% level -4.0452365% level -3.45195910% level -3.151440*MacKinnon (1996) one-sided p-values.由单位根检验结果可知，T值小于临界值，且P=0.0124，在5%的置信水平下，该序列不存在单位根过程。
由于汇率E序列为一阶单整序列，并进行了一阶差分处理，因此样本数量减少，在下面的操作中，所有的样本序列调整为2005-08至2014-10。
4.2模型参数识别先进行VAR模型的拟合，初步选定滞后阶数为3：表4.3 拟合输出结果Vector Autoregression EstimatesDate: 11/22/14 Time: 22:20Sample (adjusted): 2005M11 2014M10Included observations: 108 after adjustmentsStandard errors in ( ) & t-statistics in [ ]DLE PDLE(-1) 0.063183 -19.12274(0.09626) (14.1374)[ 0.65638] [-1.35263]DLE(-2) 0.116798 15.42129(0.09604) (14.1052)[ 1.21615] [ 1.09330]DLE(-3) 0.245260 16.39171(0.09617) (14.1243)[ 2.55030] [ 1.16053]P(-1) -9.04E-05 1.490708(0.00066) (0.09765)[-0.13593] [ 15.2656]P(-2) -0.000583 -0.355442(0.00118) (0.17380)[-0.49226] [-2.04508]P(-3) 0.000346 -0.160740(0.00067) (0.09872)[ 0.51479] [-1.62821]C 0.031328 2.571540(0.01274) (1.87084)[ 2.45943] [ 1.37454]R-squared 0.295033 0.979509Adj. R-squared 0.253154 0.978292Sum sq. resids 0.001390 29.99247S.E. equation 0.003710 0.544936F-statistic 7.044848 804.6767Log likelihood 454.8094 -84.06138Akaike AIC -8.292766 1.686322Schwarz SC -8.118924 1.860164Mean dependent -0.002527 100.2406S.D. dependent 0.004293 3.698585Determinant resid covariance (dof adj.) 4.08E-06Determinant resid covariance 3.57E-06Log likelihood 370.8871Akaike information criterion -6.609021Schwarz criterion -6.261337再进行滞后阶数的确定：表4.4 最优滞后阶数的判断VAR Lag Order Selection CriteriaEndogenous variables: DLE PExogenous variables: CDate: 11/22/14 Time: 22:22Sample: 2005M07 2014M10Included observations: 99Lag LogL LR FPE AIC SC HQ0 134.7784 NA 0.000234 -2.682392 -2.629965 -2.6611801 302.5627 325.3999 8.57e-06 -5.991165 -5.833886 -5.9275302 329.0230 50.24783 5.45e-06 -6.444909 -6.182775* -6.338849*3 334.3733 9.943949* 5.30e-06* -6.472187* -6.105200 -6.3237044 337.4531 5.599742 5.40e-06 -6.453598 -5.981758 -6.2626915 339.7589 4.099176 5.60e-06 -6.419372 -5.842679 -6.1860416 345.0498 9.192324 5.46e-06 -6.445451 -5.763905 -6.1696967 345.5484 0.846076 5.87e-06 -6.374716 -5.588316 -6.0565378 346.7369 1.968760 6.23e-06 -6.317917 -5.426663 -5.9573149 352.5801 9.443639 6.01e-06 -6.355154 -5.359047 -5.95212810 353.7714 1.877082 6.39e-06 -6.298411 -5.197451 -5.85296111 354.3649 0.911279 6.87e-06 -6.229594 -5.023780 -5.74172012 356.4617 3.134644 7.18e-06 -6.191146 -4.880479 -5.660848* indicates lag order selected by the criterionLR: sequential modified LR test statistic (each test at 5% level)FPE: Final prediction errorAIC: Akaike information criterionSC: Schwarz information criterionHQ: Hannan-Quinn information criterion由上边可知，根据信息准则，采取少数服从多数原则，取滞后阶数为3，此外取滞后阶数为2(SC为 -6.182775)或取滞后阶数为3(SC为-6.105200)时，两者SC值相差不是很大。