Eviews向量自回归模型课件.ppt
- 【下载声明】
1. 本站全部试题类文档,若标题没写含答案,则无答案;标题注明含答案的文档,主观题也可能无答案。请谨慎下单,一旦售出,不予退换。
2. 本站全部PPT文档均不含视频和音频,PPT中出现的音频或视频标识(或文字)仅表示流程,实际无音频或视频文件。请谨慎下单,一旦售出,不予退换。
3. 本页资料《Eviews向量自回归模型课件.ppt》由用户(三亚风情)主动上传,其收益全归该用户。163文库仅提供信息存储空间,仅对该用户上传内容的表现方式做保护处理,对上传内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知163文库(点击联系客服),我们立即给予删除!
4. 请根据预览情况,自愿下载本文。本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
5. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007及以上版本和PDF阅读器,压缩文件请下载最新的WinRAR软件解压。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- Eviews 向量 回归 模型 课件
- 资源描述:
-
1、1第四讲 向量自回归模型 传统的经济计量方法是以经济理论为基础来描述变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
2、绍的向量自回归模型所要介绍的向量自回归模型(vector autoregression,VAR)和向量误差修正模型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。就是非结构化的多方程模型。 2 向量自回归向量自回归(VAR)是基于数据的统计性质建立模型,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模型推广到由多元时间序列变
3、量组成的“向量向量”自回归自回归模型。模型。VAR模型是处理多个相关经济指标的分析与预测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,多元最容易操作的模型之一,并且在一定的条件下,多元MA和和ARMA模型也可转化成模型也可转化成VAR模型,因此近年来模型,因此近年来VAR模型受到越来越多的经济工作者的重视。模型受到越来越多的经济工作者的重视。一一 向量自回归理论向量自回归理论 3 VAR(p) 模型的数学表达式是模型的数学表达式是 (3.1.1)其中:其中:yt 是是 k 维内生变量向量,维内生变量向量,Xt 是是d 维外生变量向量,维外生变量向量,p是滞后阶
4、数,样本个数为是滞后阶数,样本个数为T 。k k维矩阵维矩阵A1,Ap和和k d维矩阵维矩阵B是要被估计的系数矩阵。是要被估计的系数矩阵。 t是是k维扰动向量,它们维扰动向量,它们相互之间可以同期相关,但不与自己的滞后值相关及不与相互之间可以同期相关,但不与自己的滞后值相关及不与等式右边的变量相关等式右边的变量相关(一)(一) VAR模型的一般表示模型的一般表示 ttptpttBXyAyAy 114 由于仅仅有内生变量的滞后值出现在等式的右边,所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,用普通最小二乘法以不存在同期相关性问题,用普通最小二乘法(OLS)能得能得到到V
5、AR简化式模型的一致且有效的估计量。即使扰动向量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,有同期相关,OLS仍然是有效的,因为所有的方程有相仍然是有效的,因为所有的方程有相同的回归量,其与广义最小二乘法同的回归量,其与广义最小二乘法(GLS)是等价的。注意,是等价的。注意,由于任何序列相关都可以通过增加更多的由于任何序列相关都可以通过增加更多的yt的滞后而被消的滞后而被消除(除(absorbed),所以扰动项序列不相关的假设并不要求),所以扰动项序列不相关的假设并不要求非常严格。非常严格。 5(二)(二)EViews软件中软件中VAR模型的建立和估计模型的建立和估计 1建立建
6、立VAR模型模型 为了创建一个为了创建一个VAR对象,应选择对象,应选择Quick/Estimate VAR或者选择或者选择Objects/New object/VAR或者在命令窗口中键入或者在命令窗口中键入var。便会出现下图的对话框:。便会出现下图的对话框: 6可以在对话框内添入相应的信息:可以在对话框内添入相应的信息:(1) 选择模型类型(选择模型类型(VAR Type):): 无约束向量自回归(无约束向量自回归(Unrestricted VAR)或者向量误)或者向量误差修正(差修正(Vector Error Correction)。无约束)。无约束VAR模型是模型是指指VAR模型的简化
7、式。模型的简化式。 (2) 在在Estimation Sample编辑框中设置样本区间。编辑框中设置样本区间。 7 (3) 在在Lag Intervals for Endogenous编辑框中输入滞后信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。息,表明哪些滞后变量应该被包括在每个等式的右端。这这一信息应该成对输入:每一对数字描述一个滞后区间。一信息应该成对输入:每一对数字描述一个滞后区间。例例如,滞后对如,滞后对 1 4表示用系统中所有内生变量的表示用系统中所有内生变量的1阶到阶到4阶滞后变量作为等式阶滞后变量作为等式右端的变量。右端的变量。也可以添加代表滞后区间的任意
8、数字,但都要成对输入。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:例如: 2 4 6 9 12 12即为用即为用24阶,阶,69阶及第阶及第12阶滞后变量。阶滞后变量。 8 (4) 在在Endogenous Variables和和Exogenous Variables编辑编辑栏中输入相应的内生变量和外生变量。系统通常会自动给栏中输入相应的内生变量和外生变量。系统通常会自动给出常数出常数c作为外生变量,但是相应的编辑栏中输入作为外生变量,但是相应的编辑栏中输入c作为外作为外生变量,也可以,因为生变量,也可以,因为EViews只会包含一个常数。只会包含一个常数。 其余两个菜单(其余两个
9、菜单(Cointegration 和和 Restrictions)仅与)仅与VEC模型有关,将在下面介绍。模型有关,将在下面介绍。 92VAR估计的输出估计的输出 VAR对象的设定框填写完毕,单击对象的设定框填写完毕,单击OK按纽,按纽,EViews将会在将会在VAR对象窗口显示如下估计结果:对象窗口显示如下估计结果: 10 表中的每一列对应表中的每一列对应VAR模型中一个内生变量的方模型中一个内生变量的方程。对方程右端每一个变量,程。对方程右端每一个变量,EViews会给出系数估计会给出系数估计值、估计系数的标准差值、估计系数的标准差(圆括号中圆括号中)及及t-统计量统计量(方括号方括号中中
10、)。 同时,有两类回归统计量出现在同时,有两类回归统计量出现在VAR对象估计输对象估计输出的底部:出的底部: 1112 输出的第一部分显示的是每个方程的标准输出的第一部分显示的是每个方程的标准OLS回归回归统计量。根据各自的残差分别计算每个方程的结果,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。并显示在对应的列中。 输出的第二部分显示的是输出的第二部分显示的是VAR模型的回归统计量。模型的回归统计量。残差的协方差的行列式值由下式得出:残差的协方差的行列式值由下式得出: tttmT 1det13其中其中m是是VAR模型每一方程中待估参数的个数,模型每一方程中待估参数的个数,
11、 是是k维残差列向量。通过假定服从多元正态(高斯)分布维残差列向量。通过假定服从多元正态(高斯)分布计算对数似然值:计算对数似然值: AIC和和SC两个信息准则的计算将在后文详细说明。两个信息准则的计算将在后文详细说明。 t ln22ln12TTnl14 无论建立什么模型,都要对其进行识别和检验,以无论建立什么模型,都要对其进行识别和检验,以判别其是否符合模型最初的假定和经济意义。本节简单判别其是否符合模型最初的假定和经济意义。本节简单介绍关于介绍关于VAR模型的各种检验。这些检验对于后面将要模型的各种检验。这些检验对于后面将要介绍的向量误差修正模型(介绍的向量误差修正模型(VEC)也适用。)
12、也适用。 (一)(一) Granger因果检验因果检验 VAR模型的另一个重要的应用是分析经济时间序列模型的另一个重要的应用是分析经济时间序列变量之间的因果关系。本节讨论由变量之间的因果关系。本节讨论由Granger(1969) 提出,提出,Sims(1972) 推广的如何检验变量之间因果关系的方法。推广的如何检验变量之间因果关系的方法。 二二 VAR模型的检验模型的检验 15 1. Granger因果关系的定义因果关系的定义 Granger解决了解决了x是否引起是否引起y的问题,主要看现在的的问题,主要看现在的y能够在多大程度上被过去的能够在多大程度上被过去的x解释,加入解释,加入x的滞后值
13、是的滞后值是否使解释程度提高。如果否使解释程度提高。如果x在在y的预测中有帮助,或者的预测中有帮助,或者x与与y的相关系数在统计上显著时,就可以说的相关系数在统计上显著时,就可以说“y是由是由x Granger引起的引起的”。 考虑对考虑对yt进行进行s期预测的均方误差(期预测的均方误差(MSE):): 21)(1MSEitsiityys(3.2.1)16 这样可以更正式地用如下的数学语言来描述这样可以更正式地用如下的数学语言来描述Granger因果的定义:因果的定义:如果关于所有的如果关于所有的s 0,基于,基于(yt,yt-1,)预测预测yt+s得到的均方误差,与基于得到的均方误差,与基于
14、(yt,yt-1,)和和(xt,xt-1,)两者得到的两者得到的yt+s的均方误差相同,则的均方误差相同,则y不是由不是由x Granger引起的。对于线性函数,若有引起的。对于线性函数,若有 ),|(EMSE),|(EMSE111ttttstttstxxyyyyyy可以得出结论:可以得出结论:x不能不能Granger引起引起y。等价的,如果。等价的,如果(3.2.2)式成立,则式成立,则称称x对于对于y是外生的是外生的。这个意思相同的。这个意思相同的第三种表达方式是第三种表达方式是x关于未来的关于未来的y无线性影响信息无线性影响信息。 (3.2.2)17 可以将上述结果推广到可以将上述结果推
15、广到k个变量的个变量的VAR(p)模型中去,模型中去,考虑对模型考虑对模型(3.1.5),利用从,利用从(t 1)至至(t p)期的所有信息,期的所有信息,得到得到yt的最优预测如下:的最优预测如下: (3.2.3)VAR(p)模型中模型中Granger因果关系如同两变量的情形,可因果关系如同两变量的情形,可以判断是否存在过去的影响。作为两变量情形的推广,以判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:对多个变量的组合给出如下的系数约束条件:在多变量在多变量VAR(p)模型中不存在模型中不存在yjt到到yit的的Granger意义下的因果关系意义下的因果
16、关系的必要条件是的必要条件是 tptpttyAyAy11 18pqaqij, 210)(3.2.4)其中其中 是是 的第的第i行第行第j列的元素。列的元素。 )(qijaqA 2. Granger因果关系检验因果关系检验 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,则称它们具有受到其他变量的滞后影响,则称它们具有Granger因果因果关系。关系。 19在一个二元在一个二元p阶的阶的VAR模型中模型中 ttptptppppttttttx
17、yaaaaxyaaaaxyaaaaaaxy21)(22)(21)(12)(1122)2(22)2(21)2(12)2(1111)1(22)1(21)1(12)1(112010(3.2.5) 当且仅当系数矩阵中的系数当且仅当系数矩阵中的系数 全部为全部为0时,变量时,变量x不能不能Granger引起引起y,等价于变量,等价于变量x外生于变量外生于变量y。 )(12qa20 这时,判断这时,判断Granger原因的直接方法是利用原因的直接方法是利用F-检验检验来检验下述联合检验:来检验下述联合检验: 至少存在一个至少存在一个q使得使得 pqaq, 2,1,0:)(120H:1H0)(12qa其统计
18、量为其统计量为 ) 12,() 12/(/ )(1101pTpFpTRSSpRSSRSSS(3.2.6)如果如果S1大于大于F的临界值,则拒绝原假设;否则接受原假的临界值,则拒绝原假设;否则接受原假设:设:x不能不能Granger引起引起y。 21其中:其中:RSS1是式是式(3.2.5)中中y方程的残差平方和:方程的残差平方和:TttRSS1211(3.2.7)RSS0是不含是不含x的滞后变量,的滞后变量, 即如下方程的残差平方和:即如下方程的残差平方和: tptptttyayayaay1)(1122111)11110)((3.2.8)则有则有 TttRSS1210 (3.2.9)22 在满
19、足高斯分布的假定下,检验统计量式在满足高斯分布的假定下,检验统计量式(3.2.6)具具有精确的有精确的F分布。如果回归模型形式是如式分布。如果回归模型形式是如式(3.2.5)的的VAR模型,一个渐近等价检验可由下式给出:模型,一个渐近等价检验可由下式给出: )()(21102pRSSRSSRSSTS(3.2.10) 注意,注意,S2服从自由度为服从自由度为p的的 2分布。如果分布。如果S2大于大于 2 的的临界值,则拒绝原假设;否则接受原假设:临界值,则拒绝原假设;否则接受原假设:x不能不能Granger引起引起y。 而且而且Granger因果检验的任何一种检验结果都和滞后因果检验的任何一种检
20、验结果都和滞后长度长度p的选择有关,并对处理序列非平稳性的方法选择的选择有关,并对处理序列非平稳性的方法选择结果极其敏感。结果极其敏感。 23 (二)(二) 在在Eviews软件关于软件关于VAR模型的各种检验模型的各种检验 一旦完成一旦完成VAR模型的估计,模型的估计,EViews会提供关于被会提供关于被估计的估计的VAR模型的各种视图。将主要介绍模型的各种视图。将主要介绍View/Lag Structure和和View/Residual Tests菜单下菜单下 提供的检验提供的检验 。24 1VAR模型滞后结构的检验模型滞后结构的检验 (1) AR根的图表根的图表 如果被估计的如果被估计的
21、VAR模型所有根模的倒数小于模型所有根模的倒数小于1,即,即位于单位圆内,则其是稳定的。如果模型不稳定,某些位于单位圆内,则其是稳定的。如果模型不稳定,某些结果将不是有效的(如脉冲响应函数的标准误差)。共结果将不是有效的(如脉冲响应函数的标准误差)。共有有kp个根,其中个根,其中k是内生变量的个数,是内生变量的个数,p是最大滞后阶数。是最大滞后阶数。如果估计一个有如果估计一个有r个协整关系的个协整关系的VEC模型,则应有模型,则应有k r个个根等于根等于1。 对于例对于例3.1,可以得到如下的结果:,可以得到如下的结果: 25 有有2个单位根的个单位根的模大于模大于1,因此例,因此例3.1的模
22、型不满足稳定的模型不满足稳定性条件,而且在输性条件,而且在输出结果的下方会给出结果的下方会给出警告出警告(warning)。 26下面给出单位根的图形表示的结果:下面给出单位根的图形表示的结果: 27 (2) Granger 因果检验因果检验 选择选择View/Lag Structure/ Pairwise Granger Causality Tests,即可进行,即可进行Granger因果检验。输出结果对于因果检验。输出结果对于VAR模型中的每一个方程,将输出每一个其他内生变量的滞模型中的每一个方程,将输出每一个其他内生变量的滞后项后项(不包括它本身的滞后项不包括它本身的滞后项)联合显著的联
23、合显著的 2(Wald)统)统计量,在表的最后一行(计量,在表的最后一行(ALL)列出了检验所有滞后内)列出了检验所有滞后内生变量联合显著的生变量联合显著的 2统计量数值。统计量数值。28 VAR模型中一个重要的问题就是滞后阶数的确定。模型中一个重要的问题就是滞后阶数的确定。在选择滞后阶数在选择滞后阶数p时,一方面想使滞后数足够大,以便时,一方面想使滞后数足够大,以便能完整反映所构造模型的动态特征。但是另一方面,滞能完整反映所构造模型的动态特征。但是另一方面,滞后数越大,需要估计的参数也就越多,模型的自由度就后数越大,需要估计的参数也就越多,模型的自由度就减少。所以通常进行选择时,需要综合考虑
24、,既要有足减少。所以通常进行选择时,需要综合考虑,既要有足够数目的滞后项,又要有足够数目的自由度。事实上,够数目的滞后项,又要有足够数目的自由度。事实上,这是这是VAR模型的一个缺陷,在实际中常常会发现,将不模型的一个缺陷,在实际中常常会发现,将不得不限制滞后项的数目,使它少于反映模型动态特征性得不限制滞后项的数目,使它少于反映模型动态特征性所应有的理想数目。所应有的理想数目。 (三)(三) 滞后阶数滞后阶数p的确定的确定 29 1. 确定滞后阶数的确定滞后阶数的LR(似然比似然比)检验检验 )(|ln|)ln(221kmTLRjj(3.2.11) LR (Likelihood Ratio)
25、检验方法,从最大的滞后数检验方法,从最大的滞后数开始,开始,检验原假设:在滞后数为检验原假设:在滞后数为j时,系数矩阵时,系数矩阵Aj的元素的元素均为均为0;备择假设为:系数矩阵;备择假设为:系数矩阵Aj中至少有一个元素显著中至少有一个元素显著不为不为0。 2 (Wald)统计量如下:统计量如下: 其中其中m是可选择的其中一个方程中的参数个数:是可选择的其中一个方程中的参数个数:m =d+ kj,d是外生变量的个数,是外生变量的个数,k是内生变量个数,是内生变量个数, 和和 分分别表示滞后阶数为别表示滞后阶数为(j 1)和和 j 的的VAR模型的残差协方差矩模型的残差协方差矩阵的估计。阵的估计
展开阅读全文