VAR模型、Johansen協(xié)整檢驗在eviews中的具體操作步驟及結(jié)果解釋

1、2021/3/271 第十一章第十一章 向量自回歸向量自回歸 ( VAR) 模型和向量誤差模型和向量誤差 修正修正 ( (VEC)VEC)模型模型 本章的主要內(nèi)容本章的主要內(nèi)容: （1 1）VARVAR模型及特點模型及特點; ; （2 2）VARVAR模型中滯后階數(shù)模型中滯后階數(shù)p p的確定方法的確定方法; ; （3 3）變量間協(xié)整關(guān)系檢驗）變量間協(xié)整關(guān)系檢驗; ; （4 4）格蘭杰因果關(guān)系檢驗）格蘭杰因果關(guān)系檢驗; ; （5 5）VARVAR模型的建立方法模型的建立方法; ; （6 6）用）用VARVAR模型預(yù)測模型預(yù)測; ; （7 7）脈沖響應(yīng)與方差分解）脈沖響應(yīng)與方差分解; ; （8 8

2、）VECMVECM的建立方法。的建立方法。 2021/3/272 一、一、VAR模型及特點模型及特點 1. VAR模型模型向量自回歸模型向量自回歸模型 2. VAR模型的特點模型的特點 二、二、VAR模型滯后階數(shù)模型滯后階數(shù)p的確定方法的確定方法 確定確定VAR模型中滯后階數(shù)模型中滯后階數(shù) p 的兩種方法的兩種方法 案例案例 三、三、Jonhamson協(xié)整檢驗協(xié)整檢驗 1.Johanson協(xié)整似然比（協(xié)整似然比（LR）檢驗）檢驗 2.Johanson協(xié)整檢驗命令協(xié)整檢驗命令 案例案例 3.協(xié)整關(guān)系驗證方法協(xié)整關(guān)系驗證方法 案例案例 四、四、 格蘭杰因果關(guān)系檢驗格蘭杰因果關(guān)系檢驗 1.格蘭杰因果

3、性定義格蘭杰因果性定義 2.格蘭杰因果性檢驗格蘭杰因果性檢驗 案例案例 五、五、 建立建立VAR模型模型 案例案例 六、利用六、利用VAR模型進行預(yù)測模型進行預(yù)測 案例案例 七、脈沖響應(yīng)函數(shù)與方差分解七、脈沖響應(yīng)函數(shù)與方差分解 案例案例 八、向量誤差修正模型八、向量誤差修正模型 案例案例 2021/3/273 1. VAR模型模型向量自回歸模型向量自回歸模型 經(jīng)典計量經(jīng)濟學(xué)中經(jīng)典計量經(jīng)濟學(xué)中,由線性方程構(gòu)成的聯(lián)立方程組由線性方程構(gòu)成的聯(lián)立方程組 模型模型,由科普曼斯（由科普曼斯（poOKmans1950）和霍德科普曼斯和霍德科普曼斯 （Hood-poOKmans1953）提出。聯(lián)立方程組模型在

4、提出。聯(lián)立方程組模型在20世世 紀(jì)五、六十年代曾轟動一時紀(jì)五、六十年代曾轟動一時,其優(yōu)點主要在于對每個方程其優(yōu)點主要在于對每個方程 的殘差和解釋變量的有關(guān)問題給予了充分考慮的殘差和解釋變量的有關(guān)問題給予了充分考慮,提出了工提出了工 具變量法、兩階段最小二乘法、三階段最小二乘法、有限具變量法、兩階段最小二乘法、三階段最小二乘法、有限 信息極大似然法和完全信息極大似然法等參數(shù)的估計方法信息極大似然法和完全信息極大似然法等參數(shù)的估計方法 。這種建模方法用于研究復(fù)雜的宏觀經(jīng)濟問題。這種建模方法用于研究復(fù)雜的宏觀經(jīng)濟問題,有時多達有時多達 萬余個內(nèi)生變量。當(dāng)時主要用于預(yù)測和萬余個內(nèi)生變量。當(dāng)時主要用于預(yù)

5、測和 一、一、VARVAR模型及特點模型及特點 2021/3/274 政策分析。但實際中政策分析。但實際中, ,這種模型的效果并不令人滿這種模型的效果并不令人滿 意。意。 聯(lián)立方程組模型的主要問題聯(lián)立方程組模型的主要問題: （1）這種模型是在經(jīng)濟理論指導(dǎo)下建立起來的結(jié)構(gòu)模型）這種模型是在經(jīng)濟理論指導(dǎo)下建立起來的結(jié)構(gòu)模型 。遺憾的是經(jīng)濟理論并不未明確的給出變量之間的動態(tài)關(guān)系。遺憾的是經(jīng)濟理論并不未明確的給出變量之間的動態(tài)關(guān)系 。 （2）內(nèi)生、外生變量的劃分問題較為復(fù)雜）內(nèi)生、外生變量的劃分問題較為復(fù)雜; （3）模型的識別問題）模型的識別問題,當(dāng)模型不可識別時當(dāng)模型不可識別時,為達到可識別的為達到

6、可識別的 目的目的,常要將不同的工具變量加到各方程中常要將不同的工具變量加到各方程中,通常這種工具變通常這種工具變 量的解釋能力很弱量的解釋能力很弱; （4）若變量是非平穩(wěn)的（通常如此）若變量是非平穩(wěn)的（通常如此）,則會違反假設(shè)則會違反假設(shè),帶來帶來 更嚴(yán)重的偽回歸問題。更嚴(yán)重的偽回歸問題。 2021/3/275 由此可知由此可知, ,經(jīng)濟理論指導(dǎo)下建立的結(jié)構(gòu)性經(jīng)典計量模型經(jīng)濟理論指導(dǎo)下建立的結(jié)構(gòu)性經(jīng)典計量模型 存在不少問題。為解決這些問題而提出了一種用非結(jié)構(gòu)性存在不少問題。為解決這些問題而提出了一種用非結(jié)構(gòu)性 方法建立各變量之間關(guān)系的模型。本章所要介紹的方法建立各變量之間關(guān)系的模型。本章所要

7、介紹的VARVAR模型模型 和和VECVEC模型模型, ,就是非結(jié)構(gòu)性的方程組模型。就是非結(jié)構(gòu)性的方程組模型。 VAR (Vector Autoregression) VAR (Vector Autoregression)模型由西姆斯模型由西姆斯 （C.A.Sims,1980C.A.Sims,1980）提出提出, ,他推動了對經(jīng)濟系統(tǒng)動態(tài)分析的他推動了對經(jīng)濟系統(tǒng)動態(tài)分析的 廣泛應(yīng)用廣泛應(yīng)用, ,是當(dāng)今世界上的主流模型之一。受到普遍重視是當(dāng)今世界上的主流模型之一。受到普遍重視, , 得到廣泛應(yīng)用。得到廣泛應(yīng)用。 VAR VAR模型主要用于預(yù)測和分析隨機擾動對系統(tǒng)的動態(tài)沖模型主要用于預(yù)測和分析隨機

8、擾動對系統(tǒng)的動態(tài)沖 擊擊, ,沖擊的大小、正負及持續(xù)的時間。沖擊的大小、正負及持續(xù)的時間。 VAR VAR模型的定義式為模型的定義式為: :設(shè)設(shè) 是是N N1 1階時序階時序 應(yīng)變量列向量應(yīng)變量列向量, ,則則p p階階VARVAR模型（記為模型（記為VAR(p)VAR(p)）: : 12 ( ) T tttNt Yy yy p 1122 1 ti t itttp t pt i YYUYYYU (0,) t UIID （11.1 ） 2021/3/276 式中式中, , 是第是第i i個待估參數(shù)個待估參數(shù)N NN N階矩陣階矩陣; ; 是是N N1 1階隨機誤差列向量階隨機誤差列向量; ; 是

9、是N NN N階方差協(xié)方差矩陣階方差協(xié)方差矩陣; ; p p 為模型最大滯后階數(shù)。為模型最大滯后階數(shù)。 由式（由式（11.111.1）知）知, ,VAR(p)VAR(p)模型模型, ,是以是以N N個第個第t t期變量期變量 為應(yīng)變量為應(yīng)變量, ,以以N N個應(yīng)變量個應(yīng)變量 的最大的最大p p階滯后變量為解釋變量的方程組模型階滯后變量為解釋變量的方程組模型, ,方程組模型方程組模型 中共有中共有N N個方程。顯然個方程。顯然, ,VARVAR模型是由單變量模型是由單變量ARAR模型推廣到多模型推廣到多 變量組成的變量組成的“向量向量”自回歸模型。自回歸模型。 對于兩個變量（對于兩個變量（N=2

10、N=2）, , 時時, ,VAR(2)VAR(2)模型為模型為 (i 1,2, ,p) i 12 ( u u ) T tttNt Uu 12 ttNt yyy 12 ttNt yyy (x )T ttt Yy 2 1122 1 ti t itttt i YYUYYU 2021/3/277 用矩陣表示用矩陣表示: : 待估參數(shù)個數(shù)為待估參數(shù)個數(shù)為2 2 2 22=2= 用線性方程組表示用線性方程組表示VAR(2)VAR(2)模型模型: : 顯然顯然, ,方程組左側(cè)是兩個第方程組左側(cè)是兩個第t t期內(nèi)生變量期內(nèi)生變量; ;右側(cè)分別右側(cè)分別 是兩個是兩個1 1階和兩個階和兩個2 2階滯后應(yīng)變量做為解

11、釋變量階滯后應(yīng)變量做為解釋變量, ,且各方且各方 程最大滯后階數(shù)相同程最大滯后階數(shù)相同, ,都是都是2 2。這些滯后變量與隨機誤。這些滯后變量與隨機誤 差項不相關(guān)（假設(shè)要求）。差項不相關(guān)（假設(shè)要求）。 121111112211212 121122122122222 tttt tttt yyyu xxxu 11111121211221221 12111221221222222 tttttt tttttt yyxyxu xyxyxu 2 PN 2021/3/278 由于僅有內(nèi)生變量的滯后變量出現(xiàn)在等式的由于僅有內(nèi)生變量的滯后變量出現(xiàn)在等式的 右側(cè)右側(cè), ,故不存在同期相關(guān)問題故不存在同期相關(guān)問題,

12、 ,用用“LSLS”法估計參法估計參 數(shù)數(shù), ,估計量具有一致和有效性。而隨機擾動列向估計量具有一致和有效性。而隨機擾動列向 量的自相關(guān)問題可由增加作為解釋應(yīng)變量的滯后量的自相關(guān)問題可由增加作為解釋應(yīng)變量的滯后 階數(shù)來解決。階數(shù)來解決。 這種方程組模型主要用于分析聯(lián)合內(nèi)生變量這種方程組模型主要用于分析聯(lián)合內(nèi)生變量 間的動態(tài)關(guān)系。聯(lián)合是指研究間的動態(tài)關(guān)系。聯(lián)合是指研究N N個變量個變量 間的相互影響關(guān)系間的相互影響關(guān)系, ,動態(tài)是指動態(tài)是指p p期滯后。故稱期滯后。故稱VARVAR 模型是分析聯(lián)合內(nèi)生變量間的動態(tài)關(guān)系的動態(tài)模模型是分析聯(lián)合內(nèi)生變量間的動態(tài)關(guān)系的動態(tài)模 型型, ,而不帶有任何約束條

13、件而不帶有任何約束條件, ,故又稱為無約束故又稱為無約束VARVAR 模型。建模型。建VARVAR模型的目的模型的目的: : （1 1）預(yù)測）預(yù)測, ,且可用于長期預(yù)測且可用于長期預(yù)測; ; （2 2）脈沖響應(yīng)分析和方差分解）脈沖響應(yīng)分析和方差分解, ,用于變量間用于變量間 的動態(tài)結(jié)構(gòu)分析。的動態(tài)結(jié)構(gòu)分析。 12 ttNt y yy 2021/3/279 所以所以, VAR, VAR模型既可用于預(yù)測模型既可用于預(yù)測, ,又可用于結(jié)構(gòu)又可用于結(jié)構(gòu) 分析。近年又提出了結(jié)構(gòu)分析。近年又提出了結(jié)構(gòu)VARVAR模型模型 （SVARSVAR: :Structural VARStructural VAR）。

14、）。 有取代結(jié)構(gòu)聯(lián)立方有取代結(jié)構(gòu)聯(lián)立方 程組模型的趨勢。由程組模型的趨勢。由VARVAR模型又發(fā)展了模型又發(fā)展了VECVEC模型模型。 2. VAR模型的特點模型的特點 VARVAR模型較聯(lián)立方程組模型有如下特點模型較聯(lián)立方程組模型有如下特點: : （1 1）VARVAR模型不以嚴(yán)格的經(jīng)濟理論為依據(jù)。模型不以嚴(yán)格的經(jīng)濟理論為依據(jù)。 在建模過程中只需明確兩件事在建模過程中只需明確兩件事: :第一第一, ,哪些變量應(yīng)哪些變量應(yīng) 進入模型（要求變量間具有相關(guān)關(guān)系進入模型（要求變量間具有相關(guān)關(guān)系格蘭杰格蘭杰 因果關(guān)系因果關(guān)系 ）; ;第二第二, ,滯后階數(shù)滯后階數(shù)p p的確定（保證殘差的確定（保證殘差

15、 剛好不存在自相關(guān)）剛好不存在自相關(guān)）; ; 2021/3/2710 （2 2）VARVAR模型對參數(shù)不施加零約束（如模型對參數(shù)不施加零約束（如t t檢檢 驗）驗）; ; （3 3）VARVAR模型的解釋變量中不含模型的解釋變量中不含t t期變量期變量, ,所有所有 與聯(lián)立方程組模型有關(guān)的問題均不存在與聯(lián)立方程組模型有關(guān)的問題均不存在; ; （4 4）VARVAR模型需估計的參數(shù)較多。如模型需估計的參數(shù)較多。如VARVAR模型模型 含含3 3個變量（個變量（N=3N=3）, ,最大滯后期為最大滯后期為p=2,p=2,則有則有 =2=232=1832=18個參數(shù)需要估計個參數(shù)需要估計; ; （5

16、 5）當(dāng)樣本容量較小時）當(dāng)樣本容量較小時, ,多數(shù)參數(shù)估計的精度多數(shù)參數(shù)估計的精度 較差較差, ,故需大樣本故需大樣本, ,一般一般n50n50。 注意注意: “VARVAR”需大寫需大寫, ,以區(qū)別金融風(fēng)險管理中以區(qū)別金融風(fēng)險管理中 的的VaRVaR。 2 PN 2021/3/2711 建立建立VARVAR模型只需做兩件事模型只需做兩件事 第一第一, ,哪些哪些變量可作為應(yīng)變量變量可作為應(yīng)變量? ?VARVAR模型中應(yīng)納模型中應(yīng)納 入具有相關(guān)關(guān)系的變量作為應(yīng)變量入具有相關(guān)關(guān)系的變量作為應(yīng)變量, ,而變量間是否而變量間是否 具有相關(guān)關(guān)系具有相關(guān)關(guān)系, ,要用格蘭杰因果關(guān)系檢驗確定。要用格蘭杰因

17、果關(guān)系檢驗確定。 第二第二, ,確定模型的最大滯后階數(shù)確定模型的最大滯后階數(shù)p p。首先介紹首先介紹 確定確定VAR模型最大滯后階數(shù)模型最大滯后階數(shù)p的方法的方法:在在VARVAR模型中模型中 解釋變量的最大滯后階數(shù)解釋變量的最大滯后階數(shù)p p太小太小, ,殘差可能存在自殘差可能存在自 相關(guān)相關(guān), ,并導(dǎo)致參數(shù)估計的非一致性。適當(dāng)加大并導(dǎo)致參數(shù)估計的非一致性。適當(dāng)加大p p值值 （即增加滯后變量個數(shù)）（即增加滯后變量個數(shù)）, ,可消除殘差中存在可消除殘差中存在 二、二、VARVAR模型模型中滯后階數(shù)中滯后階數(shù)p p的確的確 定方法定方法 2021/3/2712 的自相關(guān)。但的自相關(guān)。但p p值

18、又不能太大。值又不能太大。p p值過大值過大, ,待估參數(shù)多待估參數(shù)多, , 自由度降低嚴(yán)重自由度降低嚴(yán)重, ,直接影響模型參數(shù)估計的有效性。這直接影響模型參數(shù)估計的有效性。這 里介紹兩種常用的確定里介紹兩種常用的確定p p值的方法。值的方法。 （1）用赤池信息準(zhǔn)則（）用赤池信息準(zhǔn)則（AIC）和施瓦茨（）和施瓦茨（SC）準(zhǔn)）準(zhǔn) 則確定則確定p值。值。確定確定p p值的方法與原則是在增加值的方法與原則是在增加p p值的過程值的過程 中中, ,使使AICAIC和和 SCSC值同時最小。值同時最小。 具體做法是具體做法是: :對年度對年度、季度數(shù)據(jù)季度數(shù)據(jù), ,一般比較到一般比較到P=4P=4, ,

19、 即分別建立即分別建立VAR(1)VAR(1)、VAR(2)VAR(2)、VAR(3)VAR(3)、VAR(4)VAR(4)模型模型, ,比比 較較AICAIC、SCSC, ,使它們同時取最小值的使它們同時取最小值的p p值即為所求。而對值即為所求。而對 月度數(shù)據(jù)月度數(shù)據(jù), ,一般比較到一般比較到P=12P=12。 當(dāng)當(dāng)AICAIC與與SCSC的最小值對應(yīng)不同的的最小值對應(yīng)不同的p p值時值時, ,只能用只能用LRLR檢檢 驗法。驗法。 2021/3/2713 （2）用似然比統(tǒng)計量）用似然比統(tǒng)計量LR選擇選擇p值。值。LRLR定義為定義為: : 式中式中, , 和和 分別為分別為VAR(p)V

20、AR(p)和和 VAR(p+i)VAR(p+i)模型的對數(shù)似然函數(shù)值模型的對數(shù)似然函數(shù)值; ;f f為自由度。為自由度。 用對數(shù)似然比統(tǒng)計量用對數(shù)似然比統(tǒng)計量LRLR確定確定P P的方法用案例說的方法用案例說 明。明。 2 2 ln ( ) ln ()( )(11.2)LRl pl p if lnl(p+i)lnl(p) 2021/3/2714 案例案例1 我國我國19531953年年20042004年支出法國內(nèi)生產(chǎn)總年支出法國內(nèi)生產(chǎn)總 值（值（GDPGDP）、最終消費（）、最終消費（CtCt）和固定資本形成總額（）和固定資本形成總額（ItIt） 的時序數(shù)據(jù)列于的時序數(shù)據(jù)列于D8.1D8.1中

21、。數(shù)據(jù)來源于中。數(shù)據(jù)來源于中國統(tǒng)計年鑒中國統(tǒng)計年鑒 各期。各期。 用商品零售價格指數(shù)用商品零售價格指數(shù)p90p90（19901990年年=100=100）對）對GDPGDP、 CtCt和和ItIt進行平減進行平減, ,以消除物價變動的影響以消除物價變動的影響, ,并進行自然對并進行自然對 數(shù)變換數(shù)變換, ,以消除序列中可能存在的異方差以消除序列中可能存在的異方差, ,得到新序列得到新序列: : LGDPt=LOG(GDPt/p90t) LGDPt=LOG(GDPt/p90t); ; LCt=LOG(Ct/p90t) LCt=LOG(Ct/p90t); ; LIt=LOG(It/p90t) LI

22、t=LOG(It/p90t)。 GDPGDP、 CtCt和和 ItIt與與LGDPtLGDPt、 LCt LCt和和LItLIt的時序圖分別示于的時序圖分別示于 圖圖11-111-1和圖和圖11-211-2, ,由圖由圖11-211-2可以看出可以看出, ,三個對數(shù)序列的變?nèi)齻€對數(shù)序列的變 化趨勢基本一致化趨勢基本一致, ,可能存在協(xié)整關(guān)系?？赡艽嬖趨f(xié)整關(guān)系。 2021/3/2715 0 40000 80000 120000 160000 55606570758085909500 GDPCTIT 5 6 7 8 9 10 11 12 55606570758085909500 LGDPLCTLI

23、T 圖圖11-1 GDPt、 Ct和 It 的時序圖 圖圖11-2 LGDPt、 LCt 和 LIt的時序圖 2021/3/2716 表表11.1 PP單位根檢驗結(jié)果單位根檢驗結(jié)果 檢驗 檢驗值 5% 模型形式 DW值 結(jié) 論 變量 臨界值 （C t p） -4.3194 -2.9202 (c 0 3) 1.6551 LGDPt I(1) -5.4324 -2.9202 (c 0 0) 1.9493 LCt I( 1) -5.7557 -2.9202 (c 0 0) 1.8996 LItI(1) 注C為位移項,t為趨勢,p為滯后階數(shù)。 由表由表11.111.1知知, , LGDPtLGDPt、

24、 LCt LCt和和LItLIt均為一階單均為一階單 整整, ,可能存在協(xié)整關(guān)系?？赡艽嬖趨f(xié)整關(guān)系。 2 t LGDP LCt 2 LIt 2 由于由于 LGDP LGDP、 LCt LCt和和LItLIt可能存在協(xié)整關(guān)系可能存在協(xié)整關(guān)系, , 故對它們進行單位根檢驗故對它們進行單位根檢驗, ,且選用且選用pppp檢驗法。檢檢驗法。檢 驗結(jié)果列于表驗結(jié)果列于表11.1.11.1. 案例案例 1 (一一)單位根檢驗單位根檢驗 2021/3/2717 案例案例1 (二二)滯后階數(shù)滯后階數(shù)p的確定的確定 首先用赤池信息準(zhǔn)則（首先用赤池信息準(zhǔn)則（AICAIC）和施瓦茨（）和施瓦茨（SCSC） 準(zhǔn)則選擇

25、準(zhǔn)則選擇p p值值, ,計算結(jié)果列于表計算結(jié)果列于表11.211.2。 表表11.2 AIC11.2 AIC與與SCSC隨隨p p的變化的變化 由表由表11.2知知,AIC和和SC最小值對應(yīng)的最小值對應(yīng)的p值均為值均為 , 故應(yīng)取故應(yīng)取VAR模型滯后階數(shù)模型滯后階數(shù)p=2 。 p AIC SC 1-8.8601-8.4056237.9328 2-9.3218-8.5187254.0448 3-9.1599-8.0017254.4179 4-9.1226-7.6022257.9417 k l ()Lnl p 2021/3/2718 案例案例2 序列序列y1y1、y2y2和和y3y3分別表示我國分

26、別表示我國19521952 年至年至19881988年工業(yè)部門、交通運輸部門和商業(yè)部門年工業(yè)部門、交通運輸部門和商業(yè)部門 的產(chǎn)出指數(shù)序列的產(chǎn)出指數(shù)序列, ,數(shù)據(jù)在數(shù)據(jù)在D11.1D11.1中。試確定中。試確定VARVAR模模 型的滯后階數(shù)型的滯后階數(shù)p p。 設(shè)設(shè) Ly1=log Ly1=log（y1y1）; ; Ly2=logLy2=log（y2y2）; ; Ly3=logLy3=log（y3y3）。）。 用用AIC AIC 和和 SCSC準(zhǔn)則判斷準(zhǔn)則判斷, ,得表得表11.311.3。 2021/3/2719 表表11.3 AIC11.3 AIC與與SCSC隨隨P P的變化的變化 由表由表

27、11.311.3知知, ,在在P=1P=1時時, ,SC SC 最小（最?。?4.8474-4.8474）, , 在在P=3P=3時時,AIC ,AIC 最小（最?。?5.8804-5.8804）, ,相互矛盾不能確相互矛盾不能確 定定P P值值, ,只能用似然比只能用似然比LRLR確定確定P P值。值。 P AIC SC 1-5.3753-4.8474108.7551 2-5.6603-4.7271120.0551 3-5.8804-4.5337129.9676 4-5.6693-3.9007132.5442 ()L nl P 2021/3/2720 檢驗的原假設(shè)是模型滯后階數(shù)為檢驗的原假設(shè)

28、是模型滯后階數(shù)為1,即即P=1, 似然比檢驗統(tǒng)計量似然比檢驗統(tǒng)計量LR : 其中其中,Lnl(1)和和Lnl(3)分別為分別為P=1和和P=3時時VAR(P) 模型的對數(shù)似然函數(shù)值。在零假設(shè)下模型的對數(shù)似然函數(shù)值。在零假設(shè)下,該統(tǒng)計量該統(tǒng)計量 服從漸進的服從漸進的 分布分布,其自由度其自由度f為從為從VAR(3) 到到VAR(1)對模型參數(shù)施加的零約束個數(shù)。對本對模型參數(shù)施加的零約束個數(shù)。對本 例例: f=VAR(3) 估計參數(shù)個數(shù)估計參數(shù)個數(shù)-VAR(1)估計參數(shù)估計參數(shù) 個數(shù)個數(shù) 。 2(1)(3) 2(108.7551 129.9676)42.4250 LRLnlLnl 2 ( )f 2

29、2 3 31 318 2021/3/2721 利用利用Genr命令可算得用于檢驗原假設(shè)是否命令可算得用于檢驗原假設(shè)是否 成立的伴隨概率成立的伴隨概率 P: p=1-cchisq(42.4250,18) =0.000964 故故 P=0.0009642時時,最好用最好用 Jonhamson協(xié)整檢驗方法。協(xié)整檢驗方法。 2021/3/2724 約翰森協(xié)整檢驗在理論上是很完善的約翰森協(xié)整檢驗在理論上是很完善的,但有但有 時檢驗結(jié)果的經(jīng)濟意義解釋存在問題。如當(dāng)約翰時檢驗結(jié)果的經(jīng)濟意義解釋存在問題。如當(dāng)約翰 森協(xié)整檢驗結(jié)果有多個協(xié)整向量時森協(xié)整檢驗結(jié)果有多個協(xié)整向量時,究竟哪個是究竟哪個是 該經(jīng)濟系統(tǒng)的

30、真實協(xié)整關(guān)系該經(jīng)濟系統(tǒng)的真實協(xié)整關(guān)系?如果以最大特征值如果以最大特征值 所對應(yīng)的協(xié)整向量作為該經(jīng)濟系統(tǒng)的協(xié)整關(guān)系所對應(yīng)的協(xié)整向量作為該經(jīng)濟系統(tǒng)的協(xié)整關(guān)系, 這樣處理的理由是什么這樣處理的理由是什么?而其他幾個協(xié)整向量又而其他幾個協(xié)整向量又 怎樣給予經(jīng)濟解釋怎樣給予經(jīng)濟解釋?由此可見這種方法尚需完善由此可見這種方法尚需完善, 一般取第一個協(xié)整向量一般取第一個協(xié)整向量為為所研究經(jīng)濟系統(tǒng)的協(xié)整所研究經(jīng)濟系統(tǒng)的協(xié)整 向量。向量。 2021/3/2725 n 2.Johanson協(xié)整檢驗命令與假定協(xié)整檢驗命令與假定 案例案例1 (三三) Johanson協(xié)整檢驗協(xié)整檢驗 下面用案例下面用案例1說明說明J

31、ohanson協(xié)整檢驗的具體協(xié)整檢驗的具體 方法。具體命令如下方法。具體命令如下: 在工作文件窗口在工作文件窗口,在待檢三個序列在待檢三個序列LGDP、 LCT、LIT的數(shù)據(jù)窗口的工具欄的數(shù)據(jù)窗口的工具欄,點擊點擊 View/Cointegration Test,就會彈出如圖就會彈出如圖11-3所示所示 的約翰森協(xié)整檢驗窗口。的約翰森協(xié)整檢驗窗口。 用戶需做用戶需做3種選擇種選擇: 第一第一,協(xié)整方程和協(xié)整方程和VAR的設(shè)定的設(shè)定: 協(xié)整檢驗窗口由四部分構(gòu)成。左上部是供協(xié)整檢驗窗口由四部分構(gòu)成。左上部是供 用戶選擇檢驗式的基本形式用戶選擇檢驗式的基本形式,即即Johanson檢驗檢驗 的五個假

32、設(shè)。的五個假設(shè)。 2021/3/2726 圖圖11-3 約翰森協(xié)整檢驗窗口約翰森協(xié)整檢驗窗口 2021/3/2727 協(xié)整方程結(jié)構(gòu)假設(shè) 協(xié)整方程結(jié)構(gòu)假設(shè):與時序方程可能含有截距和與時序方程可能含有截距和 趨勢項類似趨勢項類似,協(xié)整方程也可含有截距和趨勢項。協(xié)整方協(xié)整方程也可含有截距和趨勢項。協(xié)整方 程可有以下程可有以下5種結(jié)構(gòu)種結(jié)構(gòu): 序列序列 Yt 無確定性趨勢且協(xié)整方程無截距無確定性趨勢且協(xié)整方程無截距; 序列序列 Yt 無確定性趨勢且協(xié)整方程只有截距無確定性趨勢且協(xié)整方程只有截距; 序列序列 Yt 有線性趨勢但協(xié)整方程只有截距有線性趨勢但協(xié)整方程只有截距; 序列序列Yt 有線性趨勢但協(xié)整

33、方程有截距和趨勢有線性趨勢但協(xié)整方程有截距和趨勢; 序列序列 Yt 有二次趨勢但協(xié)整方程有截距和線性趨有二次趨勢但協(xié)整方程有截距和線性趨 勢。勢。 對于上述對于上述5種假設(shè)種假設(shè),EViews采用采用Johanson(1995) 提出的關(guān)于系數(shù)矩陣協(xié)整似然比（提出的關(guān)于系數(shù)矩陣協(xié)整似然比（LR）檢驗法。）檢驗法。 2021/3/2728 除此之外除此之外,用戶也可通過選擇第六個選項由程序?qū)τ脩粢部赏ㄟ^選擇第六個選項由程序?qū)?以上五種假設(shè)進行檢驗以上五種假設(shè)進行檢驗,此時此時EViews輸出結(jié)果是輸出結(jié)果是 簡明扼要的簡明扼要的,詳細結(jié)果只有在具體確定某個假設(shè)時詳細結(jié)果只有在具體確定某個假設(shè)時

34、才會給出。才會給出。 本例采用缺省第三個假設(shè)本例采用缺省第三個假設(shè),即序列即序列 Yt 有線性有線性 確定性趨勢且協(xié)整方程（確定性趨勢且協(xié)整方程（CE）僅有截距。）僅有截距。 第二第二,給出給出VAR模型中的外生變量。左下部第模型中的外生變量。左下部第 一個白色矩形區(qū)需用戶輸入一個白色矩形區(qū)需用戶輸入VAR系統(tǒng)中的外生變系統(tǒng)中的外生變 量名稱（沒有不填）量名稱（沒有不填）,不包括常數(shù)和趨勢。本例無不包括常數(shù)和趨勢。本例無 外生變量外生變量,故不填。故不填。 2021/3/2729 第三第三,左下部第二個白色矩形區(qū)給出內(nèi)生左下部第二個白色矩形區(qū)給出內(nèi)生 變量的滯后階數(shù)變量的滯后階數(shù),用戶輸入滯后

35、階數(shù)用戶輸入滯后階數(shù)p-1。并采。并采 用起、止滯后階數(shù)的配對輸入法。如輸入用起、止滯后階數(shù)的配對輸入法。如輸入1 2, 意味著式意味著式(11.1)等號右邊包括應(yīng)變量等號右邊包括應(yīng)變量1至至2階滯階滯 后項。由于此案例后項。由于此案例VAR模型的最大滯后階數(shù)模型的最大滯后階數(shù) p=2。因此。因此,這里輸入這里輸入1 1。對話框的右側(cè)是一。對話框的右側(cè)是一 些提示性信息些提示性信息,不選。定義完成之后。不選。定義完成之后。 點擊點擊OK。 輸出結(jié)果見表輸出結(jié)果見表11.4、表、表11.5和表和表11.6。 2021/3/2730 表表11.4 Johanson 協(xié)整檢驗結(jié)果協(xié)整檢驗結(jié)果 202

36、1/3/2731 在表在表11.4中共有中共有5列列,第第1列是特征值列是特征值 , 第第2 列是似然比檢驗值列是似然比檢驗值,以后兩列分別是以后兩列分別是5%與與1%水水 平的臨界值。最后一列是對原假設(shè)檢驗結(jié)果平的臨界值。最后一列是對原假設(shè)檢驗結(jié)果,依依 次列出了次列出了3個檢驗的原假設(shè)結(jié)果個檢驗的原假設(shè)結(jié)果,并對能拒絕原并對能拒絕原 假設(shè)的檢驗用假設(shè)的檢驗用“*”號表示號表示, “*”號表示置信水號表示置信水 平為平為95%,“*”號為號為99%。 本案例協(xié)整檢驗結(jié)果本案例協(xié)整檢驗結(jié)果: 第第1行行LR=59.069535.65,即在即在99%置信水置信水 平上拒絕了原假設(shè)（即拒絕了不存在

37、協(xié)整關(guān)系平上拒絕了原假設(shè)（即拒絕了不存在協(xié)整關(guān)系 的假設(shè)）的假設(shè)）,亦即三變量存在協(xié)整方程亦即三變量存在協(xié)整方程; i 2021/3/2732 第第2行行 LR=23.514720.04,即在即在99%置信置信 水平上拒絕了原假設(shè)水平上拒絕了原假設(shè)(最多存在最多存在1個協(xié)整關(guān)系個協(xié)整關(guān)系) ; 第第3行行 LR=4.73673.76,即在即在95%置信水平置信水平 上拒絕了原假設(shè)上拒絕了原假設(shè)(最多存在最多存在2個協(xié)整關(guān)系個協(xié)整關(guān)系)。 表下面是在表下面是在5%的顯著性水平上存在的顯著性水平上存在3個協(xié)個協(xié) 整關(guān)系的結(jié)論。整關(guān)系的結(jié)論。 表表11.5 未標(biāo)準(zhǔn)化協(xié)整系數(shù)未標(biāo)準(zhǔn)化協(xié)整系數(shù) 2021

38、/3/2733 表表11.5 給出的是未經(jīng)標(biāo)準(zhǔn)化的協(xié)整系數(shù)的估給出的是未經(jīng)標(biāo)準(zhǔn)化的協(xié)整系數(shù)的估 計值。表計值。表11.6給出的是經(jīng)標(biāo)準(zhǔn)化的協(xié)整系數(shù)的估給出的是經(jīng)標(biāo)準(zhǔn)化的協(xié)整系數(shù)的估 計值計值,并且將并且將3個協(xié)整關(guān)系的協(xié)整系數(shù)都列了出來。個協(xié)整關(guān)系的協(xié)整系數(shù)都列了出來。 由于一般關(guān)心的是被似然比確定的第由于一般關(guān)心的是被似然比確定的第1個協(xié)整關(guān)系個協(xié)整關(guān)系, 故程序?qū)⑵鋯为毩辛顺鰜砉食绦驅(qū)⑵鋯为毩辛顺鰜?其它兩個協(xié)整關(guān)系在另其它兩個協(xié)整關(guān)系在另 表列出。表列出。 但須注意但須注意:第一個協(xié)整關(guān)系對應(yīng)著第一個協(xié)整關(guān)系對應(yīng)著VAR的第一的第一 個方程個方程,故可根據(jù)需要調(diào)整方程的順序故可根據(jù)需要調(diào)

39、整方程的順序,使希望的應(yīng)使希望的應(yīng) 變量的系數(shù)為變量的系數(shù)為1。表中系數(shù)的估計值下面括號內(nèi)的表中系數(shù)的估計值下面括號內(nèi)的 數(shù)字是標(biāo)準(zhǔn)差。最下面一行是對數(shù)似然函數(shù)值。數(shù)字是標(biāo)準(zhǔn)差。最下面一行是對數(shù)似然函數(shù)值。 2021/3/2734 表表11.6 標(biāo)準(zhǔn)化協(xié)整系數(shù)標(biāo)準(zhǔn)化協(xié)整系數(shù) 將第一個協(xié)整關(guān)系寫成代數(shù)表達式將第一個協(xié)整關(guān)系寫成代數(shù)表達式: =LGDP-1.0127LCT-0.0629LIT+0.1791 寫成協(xié)整向量寫成協(xié)整向量: (1-1.0127-0.06290.1791) 1 t e 2021/3/2735 3.協(xié)整關(guān)系驗證協(xié)整關(guān)系驗證 在確定了變量間的協(xié)整關(guān)系之后在確定了變量間的協(xié)整關(guān)系

40、之后,有兩種方法有兩種方法 可驗證協(xié)整關(guān)系的正確性?？沈炞C協(xié)整關(guān)系的正確性。 （1）單位根檢驗。對序列）單位根檢驗。對序列e1進行單位根進行單位根 （EG、AEG）檢驗）檢驗,也可畫也可畫vecm時序圖驗證協(xié)時序圖驗證協(xié) 整關(guān)系的正確性。整關(guān)系的正確性。 （2）AR 根的圖表驗證。利用根的圖表驗證。利用EViews5.0軟軟 件件,在在VAR模型窗口的工具欄點擊模型窗口的工具欄點擊View進入進入 VAR模型的視圖窗口模型的視圖窗口,選選Lag Structure/AR Roots Table或或AR Roots Graph。 2021/3/2736 方法（方法（1）讀者已熟悉）讀者已熟悉,本

41、例用方法（本例用方法（2）驗證。）驗證。 關(guān)于關(guān)于AR 特征方程的特征根的倒數(shù)絕對值特征方程的特征根的倒數(shù)絕對值 （參考（參考Lutppohl 1991）小于）小于1,即位于單位圓內(nèi)即位于單位圓內(nèi), 則模型是穩(wěn)定的。否則模型不穩(wěn)定則模型是穩(wěn)定的。否則模型不穩(wěn)定,某些結(jié)果某些結(jié)果 （如脈沖響應(yīng)函數(shù)的標(biāo)準(zhǔn)誤差）不是有效的。（如脈沖響應(yīng)函數(shù)的標(biāo)準(zhǔn)誤差）不是有效的。共共 有有PN個個AR 根根,其中其中,P為為VAR模型的滯后階數(shù)模型的滯后階數(shù), N 為為t期內(nèi)生變量個數(shù)期內(nèi)生變量個數(shù) 。對本案例有。對本案例有6個個 AR單位根單位根, 列于表列于表11.7和單位根倒數(shù)的分布圖示于圖和單位根倒數(shù)的分布

42、圖示于圖11-4 。 在表在表11.7中中,第第1列是特征根的倒數(shù)列是特征根的倒數(shù),第第2列是特征列是特征 根倒數(shù)的模。根倒數(shù)的模。 2021/3/2737 表表11.7 AR單位根單位根 由表由表11.7知知,有一個單位根倒數(shù)的模大于有一個單位根倒數(shù)的模大于1,且且 在表的下邊給出了警告在表的下邊給出了警告 。 2021/3/2738 圖圖11-4 單位根的分布圖單位根的分布圖 圖形表示更為直觀圖形表示更為直觀,有一個單位根的倒數(shù)的模有一個單位根的倒數(shù)的模 落在了單位圓之外落在了單位圓之外,因此因此,所建所建VAR(2) 模型是不穩(wěn)模型是不穩(wěn) 定的定的,將影響響應(yīng)沖擊函數(shù)的標(biāo)準(zhǔn)差。將影響響應(yīng)

43、沖擊函數(shù)的標(biāo)準(zhǔn)差。 2021/3/2739 四、格蘭杰因果關(guān)系四、格蘭杰因果關(guān)系 1. 1.格蘭杰因果性定義格蘭杰因果性定義 克萊夫克萊夫.格蘭杰（格蘭杰（Clive.Granger,1969）和西姆和西姆 斯（斯（C.A.Sims,1972）分別提出了含義相同的定義分別提出了含義相同的定義,故故 除使用除使用“格蘭杰非因果性格蘭杰非因果性”的概念外的概念外,也使用也使用“格蘭格蘭 杰因果性杰因果性”的概念。其定義為的概念。其定義為: 如果由如果由 和和 的滯后值決定的的滯后值決定的 的條件分布與的條件分布與 僅由僅由 的滯后值所決定的的滯后值所決定的 的條件分布相同的條件分布相同,即即: （

44、11.3） 則稱則稱 對對 存在格蘭杰非因果性。存在格蘭杰非因果性。 111 (|, )(|, ) ttttt f y yxf y y 1t x t y t y t y t y t y t x 2021/3/2740 格蘭杰非因果性的另一種表述為其它條件不格蘭杰非因果性的另一種表述為其它條件不 變變,若加上若加上 的滯后變量后對的滯后變量后對 的預(yù)測精度無顯的預(yù)測精度無顯 著性改善著性改善,則稱則稱 對對 存在格蘭杰非因果性關(guān)存在格蘭杰非因果性關(guān) 系。系。 為簡便為簡便,通常把通常把 對對 存在格蘭杰非因果性存在格蘭杰非因果性 關(guān)系表述為關(guān)系表述為 對對 存在格蘭杰非因果關(guān)系（嚴(yán)存在格蘭杰非因

45、果關(guān)系（嚴(yán) 格講格講,這種表述是不正確的）。這種表述是不正確的）。 顧名思義顧名思義,格蘭杰非因果性關(guān)系格蘭杰非因果性關(guān)系,也可以用也可以用“ 格蘭杰因果性格蘭杰因果性”概念。概念。 2. 2.格蘭杰因果性檢驗格蘭杰因果性檢驗 與與 間格蘭杰因果關(guān)系回歸檢驗式為間格蘭杰因果關(guān)系回歸檢驗式為 1t x 1t x t x t x t x t y t y t y t y t y 2021/3/2741 （ 11.4） 如有必要如有必要,可在上式中加入位移項、趨勢項、可在上式中加入位移項、趨勢項、 季節(jié)虛擬變量等。檢驗季節(jié)虛擬變量等。檢驗 對對 存在格蘭杰非因存在格蘭杰非因 果性的零假設(shè)是果性的零假設(shè)

46、是: 顯然顯然,如果（如果（11.4）式中）式中 的滯后變量的回的滯后變量的回 歸系數(shù)估計值都不顯著歸系數(shù)估計值都不顯著,則則 H0 不能被拒絕不能被拒絕,即即 對對 不存在不存在格蘭杰因果性格蘭杰因果性。反之。反之,如果如果 的任何一個的任何一個 滯后變量回歸系數(shù)的估計值是顯著的滯后變量回歸系數(shù)的估計值是顯著的,則則 對對 存在格蘭杰因果關(guān)系。存在格蘭杰因果關(guān)系。 1 11 2 11 p titiitit ii pp titiitit ii yyxu xxyu p 012 :0 p H t x t x t x t y t y t x t x t y 2021/3/2742 類似的類似的,可檢

47、驗可檢驗 對對 是否存在格蘭杰因果關(guān)系。是否存在格蘭杰因果關(guān)系。 上述檢驗可構(gòu)建上述檢驗可構(gòu)建F統(tǒng)計量來完成。統(tǒng)計量來完成。 當(dāng)當(dāng) 時時,接受接受H0, 對對 不存在格蘭杰因果不存在格蘭杰因果 關(guān)系關(guān)系; 當(dāng)當(dāng) 時時,拒絕拒絕H0, 對對 存在格蘭杰因果存在格蘭杰因果 關(guān)系。關(guān)系。 實際中實際中,使用概率判斷。使用概率判斷。 注意注意: （1）由式（）由式（11.4）知）知,格蘭杰因果關(guān)系檢驗式格蘭杰因果關(guān)系檢驗式, 是回歸式是回歸式,因此因此,要求受檢變量是平穩(wěn)的要求受檢變量是平穩(wěn)的,對非平穩(wěn)變量對非平穩(wěn)變量 要求是協(xié)整的要求是協(xié)整的,以避免偽回歸。故在進行格蘭杰因果以避免偽回歸。故在進行格

48、蘭杰因果 關(guān)系檢驗之前關(guān)系檢驗之前,要進行單位根檢驗、對非平穩(wěn)變量要要進行單位根檢驗、對非平穩(wěn)變量要 進行協(xié)整檢驗。進行協(xié)整檢驗。 FF FF t x t x t y t y t y t x 2021/3/2743 （2）格蘭杰因果性）格蘭杰因果性,指的是雙向因果關(guān)系指的是雙向因果關(guān)系,即即 相關(guān)關(guān)系。單向因果關(guān)系是指因果關(guān)系相關(guān)關(guān)系。單向因果關(guān)系是指因果關(guān)系,近年有近年有 學(xué)者認為單向因果關(guān)系的變量也可作為內(nèi)生變量學(xué)者認為單向因果關(guān)系的變量也可作為內(nèi)生變量 加入加入VAR模型模型; （3）此檢驗結(jié)果與滯后期）此檢驗結(jié)果與滯后期p的關(guān)系敏感且兩的關(guān)系敏感且兩 回歸檢驗式滯后階數(shù)相同。回歸檢驗式

49、滯后階數(shù)相同。 （4）格蘭杰因果性檢驗原假設(shè)為）格蘭杰因果性檢驗原假設(shè)為:宇宙集、宇宙集、 平穩(wěn)變量（對非平穩(wěn)變量要求是協(xié)整的）、大樣平穩(wěn)變量（對非平穩(wěn)變量要求是協(xié)整的）、大樣 本和必須考慮滯后。本和必須考慮滯后。 （5）格蘭杰因果關(guān)系檢驗）格蘭杰因果關(guān)系檢驗,除用于選擇建立除用于選擇建立 VAR模型的應(yīng)變量外模型的應(yīng)變量外,也單獨用于研究經(jīng)濟變量也單獨用于研究經(jīng)濟變量 間的相關(guān)或因果關(guān)系（回歸解釋變量的選擇）以間的相關(guān)或因果關(guān)系（回歸解釋變量的選擇）以 及研究政策時滯等。及研究政策時滯等。 2021/3/2744 格蘭杰因果性檢驗的格蘭杰因果性檢驗的EViews命令命令: 在工作文件窗口在工

50、作文件窗口,選中全部欲檢序列名后選中全部欲檢序列名后,選選 擇擇Quicp/Group Statistics/Granger Causality Test,在彈出的序列名窗口在彈出的序列名窗口,點擊點擊OK即可。即可。 案例案例1 (四四)格蘭杰因果性檢驗格蘭杰因果性檢驗 前面已完成的工作是對三個對數(shù)序列進行了前面已完成的工作是對三個對數(shù)序列進行了 平穩(wěn)性檢驗、確定了平穩(wěn)性檢驗、確定了VAR 模型的滯后階數(shù)模型的滯后階數(shù)p,進行進行 Johanson協(xié)整檢驗。協(xié)整檢驗。 由于由于LGDPt、 LCt和和Lit間間 存在協(xié)整存在協(xié)整 關(guān)系關(guān)系,故可對它們進行格蘭杰因果性檢故可對它們進行格蘭杰因果

51、性檢 驗驗,檢驗結(jié)果示于表檢驗結(jié)果示于表11.8。 2021/3/2745 表表11.8 格蘭杰因果性檢驗結(jié)果格蘭杰因果性檢驗結(jié)果 由表由表11.8知知,LGDPt、LCt 和和LIt之間存在格之間存在格 蘭杰因果性蘭杰因果性,故故LGDPt、LCt和和LIt均可做為均可做為VAR模模 型的應(yīng)變量。型的應(yīng)變量。 2021/3/2746 五、建立五、建立VARVAR模型模型 案例案例1 (五五)建立建立VAR模型模型 以案例以案例1為例為例,說明建立說明建立VAR模型的方法。在工模型的方法。在工 作文件窗口作文件窗口,在主菜單欄選在主菜單欄選Quicp/Estimate VAR,OK,彈出彈出V

52、AR定義窗口定義窗口,見圖見圖11-5。 圖圖11-5 VAR模型定義窗口模型定義窗口 2021/3/2747 在在VAR模型定義窗口中填畢（選擇包括截距模型定義窗口中填畢（選擇包括截距 ）有關(guān)內(nèi)容后）有關(guān)內(nèi)容后,點擊點擊OK。輸出結(jié)果包含三部分。輸出結(jié)果包含三部分,分分 別示于表別示于表11.9、表、表11.10和表和表11.11。 表表11.9 VAR模型參數(shù)估計結(jié)果模型參數(shù)估計結(jié)果 2021/3/2748 2021/3/2749 表表11. 10 VAR模型各方程檢驗結(jié)果模型各方程檢驗結(jié)果 表表11.11 VAR模型整體檢驗結(jié)果模型整體檢驗結(jié)果 2021/3/2750 將表將表11. 9

53、的的VAR(2)模型改寫成矩陣形模型改寫成矩陣形 式式: 1 1 1 1.55730.01480.1921 0.73470.64670.1850 2.77550.47150.0441 1.1104 0.7703 0.0784 0.6223 0.3945 0.0704 2.9315 1.4694 0.3983 tt tt tt LGDPLGDP LCtLCt LItLIt 2 2 2 0.5898 0.4354 2.2064 t t t LGDP LCt LIt 2021/3/2751 表表11.9 中列表示方程參數(shù)估計結(jié)果和參數(shù)中列表示方程參數(shù)估計結(jié)果和參數(shù) 的標(biāo)準(zhǔn)差的標(biāo)準(zhǔn)差t檢驗值?？梢园l(fā)現(xiàn)

54、許多檢驗值。可以發(fā)現(xiàn)許多t檢驗值不顯著檢驗值不顯著, 一般不進行剔除一般不進行剔除,VAR 理論不看重個別檢驗結(jié)果理論不看重個別檢驗結(jié)果, 而是注重模型的整體效果而是注重模型的整體效果,不分析各子方程的意義不分析各子方程的意義 。 表表11.10 每一列表示各子方程的檢驗結(jié)果。每一列表示各子方程的檢驗結(jié)果。 表表11.11是對是對VAR模型整體效果的檢驗。其中模型整體效果的檢驗。其中 包括殘差的協(xié)方差、對數(shù)似然函數(shù)和包括殘差的協(xié)方差、對數(shù)似然函數(shù)和AIC 與與 SC 。 建立了建立了VAR模型之后模型之后,在模型窗口工具欄點在模型窗口工具欄點 擊擊Name,將將VAR模型保存模型保存,以便進行

55、脈沖響應(yīng)等特以便進行脈沖響應(yīng)等特 殊分析。殊分析。 注意注意:平穩(wěn)變量建立的平穩(wěn)變量建立的VAR模型是平穩(wěn)的模型是平穩(wěn)的,而建而建 立平穩(wěn)立平穩(wěn)VAR模型的變量不一定是平穩(wěn)變量。模型的變量不一定是平穩(wěn)變量。 2021/3/2752 六六、利用、利用VAR(P)VAR(P)模型進行預(yù)測模型進行預(yù)測 VAR模型是非結(jié)構(gòu)模型模型是非結(jié)構(gòu)模型,故不能用模型進行故不能用模型進行 結(jié)構(gòu)分析。預(yù)測是結(jié)構(gòu)分析。預(yù)測是VAR模型的應(yīng)用之一模型的應(yīng)用之一,由于由于 我們所建立的我們所建立的VAR(2)模型通過了全部檢驗。模型通過了全部檢驗。 故可用其進行預(yù)測。故可用其進行預(yù)測。 若利用案例一建立的若利用案例一建立

56、的VAR（2）模型進行）模型進行 預(yù)測預(yù)測,首先要擴大工作文件范圍和樣本區(qū)間首先要擴大工作文件范圍和樣本區(qū)間,然然 后后在模型窗口在模型窗口中選擇中選擇Procs/Mape Model,屏幕屏幕 出現(xiàn)模型定義窗口出現(xiàn)模型定義窗口,將其命名為將其命名為MODEL01,如如 圖圖11-6。 n 2021/3/2753 模型定義窗口中位于線性模型窗口第一行模型定義窗口中位于線性模型窗口第一行: assignall f 表示將表示將VAR模型中各內(nèi)生變量的預(yù)測值存入以模型中各內(nèi)生變量的預(yù)測值存入以 原序列名加后綴字符原序列名加后綴字符“f”生成的新序列（這里生成的新序列（這里 演示的是擬合）。演示的是

57、擬合）。 案例案例1 (六六)預(yù)測預(yù)測 在工具欄中點擊在工具欄中點擊Solve,則線性模型出現(xiàn)在則線性模型出現(xiàn)在 圖圖11-6中中,模型預(yù)測窗口示于圖模型預(yù)測窗口示于圖11-7。 2021/3/2754 圖圖11-6 線性模型窗口線性模型窗口 2021/3/2755 圖圖11-7 模型預(yù)測窗口模型預(yù)測窗口 2021/3/2756 圖圖11-8和圖和圖11-9分別是利用動態(tài)和靜態(tài)方法計算分別是利用動態(tài)和靜態(tài)方法計算 出的樣本期內(nèi)實際值與擬合值的比較。出的樣本期內(nèi)實際值與擬合值的比較。 由圖看出由圖看出,動動 態(tài)擬合結(jié)果只能反映序列的變化趨勢態(tài)擬合結(jié)果只能反映序列的變化趨勢,而無法對短期而無法對短

58、期 波動進行刻畫。所以波動進行刻畫。所以,VAR模型適用于短期預(yù)測模型適用于短期預(yù)測,預(yù)預(yù) 測精度高和長期規(guī)劃預(yù)測。測精度高和長期規(guī)劃預(yù)測。 圖圖11-8 動態(tài)擬合結(jié)果動態(tài)擬合結(jié)果圖圖11-9靜態(tài)擬合結(jié)果靜態(tài)擬合結(jié)果 2021/3/2757 七、脈沖響應(yīng)函數(shù)與方差分解七、脈沖響應(yīng)函數(shù)與方差分解 對于政策時滯的實證研究主要有如下對于政策時滯的實證研究主要有如下4種方法種方法: （1）對時序變量數(shù)據(jù)或圖、表進行直觀分析）對時序變量數(shù)據(jù)或圖、表進行直觀分析, 方法簡單方法簡單,但主觀性強但主觀性強,精精 度低度低; （2）時序時差相關(guān)系數(shù)法）時序時差相關(guān)系數(shù)法,只能給出滯后期只能給出滯后期,不不 能

59、給出持續(xù)的時間、影響程度和相互作用。能給出持續(xù)的時間、影響程度和相互作用。 （3）脈沖響應(yīng)函數(shù)（沖擊）法）脈沖響應(yīng)函數(shù)（沖擊）法; （4）方差分解法。）方差分解法。 后兩種方法是目前國外常用的方法后兩種方法是目前國外常用的方法,近年國內(nèi)學(xué)近年國內(nèi)學(xué) 者開始采用進行政策時滯分析。這里重點介紹后兩者開始采用進行政策時滯分析。這里重點介紹后兩 種方法。種方法。 2021/3/2758 時差相關(guān)系數(shù)時差相關(guān)系數(shù)(Cross Correlation)分析法是利用分析法是利用 相關(guān)系數(shù)檢驗經(jīng)濟時序變量間滯后關(guān)系的一種常用方法相關(guān)系數(shù)檢驗經(jīng)濟時序變量間滯后關(guān)系的一種常用方法 。對兩個時序變量。對兩個時序變量

60、,選擇一個作為基準(zhǔn)變量選擇一個作為基準(zhǔn)變量,計算與另一計算與另一 變量在時間上錯開變量在時間上錯開(滯后滯后)時的相關(guān)系數(shù)。以相關(guān)系數(shù)的時的相關(guān)系數(shù)。以相關(guān)系數(shù)的 大小判斷兩變量間的時差大小判斷兩變量間的時差(僅能判斷時差僅能判斷時差)關(guān)系。關(guān)系。 兩時序變量間的時差相關(guān)系數(shù)兩時序變量間的時差相關(guān)系數(shù) 為為: 1.1.時差相關(guān)系數(shù)時差相關(guān)系數(shù) k 1 22 11 ()() ()() n tkt t k nn tkt tt xxyy xxyy (1,2,12)k (11.5) 2021/3/2759 式中式中, 為兩時序變量為兩時序變量xt、yt 在時差（滯后期）在時差（滯后期） 為為p時的相關(guān)