在Eviews中驗證VAR模型的方法

1、在 Eviews 中驗證 VAR 模型的方法稻草人穎 一、平穩(wěn)性檢驗(一背景知識數(shù)據(jù)變量的平穩(wěn)性是傳統(tǒng)的計量經(jīng)濟(jì)分析的基本要求之一。 只有模型中的變 量滿足平穩(wěn)性要求時, 傳統(tǒng)的計量經(jīng)濟(jì)分析方法才是有效的。 而在模型中含有非 平穩(wěn)時間序列式, 基于傳統(tǒng)的計量經(jīng)濟(jì)分析方法的估計和檢驗統(tǒng)計計量將失去通 常的性質(zhì), 從而推斷得出的結(jié)論可能是錯誤的。 因此, 在建立模型之前有必要檢 驗數(shù)據(jù)的平穩(wěn)性。這就是平穩(wěn)性檢驗。常見的數(shù)據(jù)類型 時間序列數(shù)據(jù)(time-series data ; 截面數(shù)據(jù) (cross-sectionaldata ; 平行 /面板數(shù)據(jù)(panel data/time-seriesc

2、ross-section data ;經(jīng)典回歸分析暗含著一個重要假設(shè):數(shù)據(jù)是平穩(wěn)的; 數(shù)據(jù)非平穩(wěn), 往往導(dǎo)致 出現(xiàn)“虛假回歸” 。故:時間序列首先遇到的問題就是平穩(wěn)性的問題。(二操作步驟注:進(jìn)行操作的數(shù)首先需要進(jìn)行取對數(shù)的處理。(1File New Workfile 。 (2選擇 Ustructured/Undated,在 Observations 里輸入數(shù)據(jù)量數(shù) OK 。 (3Quick Empty Group 復(fù)制并粘貼數(shù)據(jù)關(guān)閉。 (4選擇需要進(jìn)行平穩(wěn)性檢驗的單個變量右鍵 Open View Unit Root Test Augmented Dickey-Fuller OK。 (5查看結(jié)果

3、。如果 Prob 的值大于 0.05(或者 0.1 ,或者 1%、 5%、 10%水平下的臨界值 小于假設(shè)的 Augmented Dickey-Fuller 的值, 則說明不能拒絕原假設(shè), 說明不平穩(wěn)。 反之,則拒絕原假設(shè),說明平穩(wěn)。為了得到的平穩(wěn)的結(jié)果,如果第一次檢驗不平穩(wěn),可以嘗試使用一階差分, 如若再不平穩(wěn),使用二階差分,以此類推,直到得到平穩(wěn)的結(jié)果為止。 二、協(xié)整性檢驗(一背景知識協(xié)整即存在共同的隨機(jī)性趨勢。 協(xié)整檢驗的目的是決定一組非平穩(wěn)序列的線 性組合是否具有穩(wěn)定的均衡關(guān)系, 偽回歸的一種特殊情況即是兩個時間序列的趨 勢成分相同, 此時可能利用這種共同趨勢修正回歸使之可靠。 正是由

4、于協(xié)整傳遞 出了一種長期均衡關(guān)系, 若是能在看來具有單獨隨機(jī)性趨勢的幾個變量之間找到 一種可靠聯(lián)系, 那么通過引入這種醉漢與狗之間距離的 “ 相對平穩(wěn) ” 對模型進(jìn)行調(diào) 整,可以排除單位根帶來的隨機(jī)性趨勢,即所稱的誤差修正模型。在進(jìn)行時間系列分析時, 傳統(tǒng)上要求所用的時間系列必須是平穩(wěn)的, 即沒有 隨機(jī)趨勢或確定趨勢,否則會產(chǎn)生 “ 偽回歸 ” 問題。但是,在現(xiàn)實經(jīng)濟(jì)中的時間系 列通常是非平穩(wěn)的, 我們可以對它進(jìn)行差分把它變平穩(wěn), 但這樣會讓我們失去總 量的長期信息, 而這些信息對分析問題來說又是必要的, 所以用協(xié)整來解決此問 題。(二操作步驟(1導(dǎo)入數(shù)據(jù)。方法同平穩(wěn)性檢驗的步驟 (1(2。(

5、2選擇需要進(jìn)行協(xié)整檢驗的相關(guān)變量 Open as Group 。(3點擊 View ,選擇 Cointegration Test ,默認(rèn)值,最后點擊“確定” 。 (4查看結(jié)果。查看至少存在幾個的協(xié)整關(guān)系,并保證其 Prob 值小于 0.05(或者 0.1 ,然后才 可進(jìn)行 Granger 因果關(guān)系檢驗。三、 Granger 因果關(guān)系檢驗(一背景知識協(xié)整檢驗說明變量之間存在長期均衡關(guān)系 , 但是否構(gòu)成因果關(guān)系 , 還需要進(jìn) 一步檢驗。如果變量 X 有助于預(yù)測 Y , 即根據(jù) Y 的過去值對 Y 進(jìn)行回歸時 , 如果 再加上 X 的過去值 , 能夠顯著地增強(qiáng)回歸的解釋能力 , 則稱 X 是 Y 的

6、 Granger 原因 , 否則稱為非 Granger 原因。其檢驗?zāi)Ｐ蜑?比較 F 統(tǒng)計量與臨界值的大小即可得檢驗結(jié)果。如果 F 大于臨界值就拒絕零 假設(shè) H0:x 是 y 的 Granger 原因 , 若 F 小于臨界值 , 則不能拒絕零假設(shè) :這就意味著 x 不 是 y 的“ Granger 原因” 。(二操作步驟(1導(dǎo)入數(shù)據(jù)。方法同平穩(wěn)性檢驗的步驟 (1(2。(2選擇需要進(jìn)行協(xié)整檢驗的相關(guān)變量 Open as Group 。(3點擊 View ,選擇 Gander Causality ,默認(rèn)值,最后點擊“確定” 。 (4查看結(jié)果。如果 Prob 的值大于 0.05(或者 0.1 ,則說

7、明其兩者之間存在因果關(guān)系,否 則則不存在因果關(guān)系。四、 VAR 模型(一背景知識向量自回歸模型簡稱 VAR 模型,是一種常用的計量經(jīng)濟(jì)模型, 1980年由克 里斯托弗 西姆斯(Christopher Sims 提出。 VAR 模型是用模型中所有當(dāng)期變量 對所有變量的若干滯后變量進(jìn)行回歸。 VAR 模型用來估計聯(lián)合內(nèi)生變量的動態(tài) 關(guān)系,而不帶有任何事先約束條件。它是 AR 模型的推廣,此模型目前已得到廣 泛應(yīng)用。向量自回歸 (VAR是基于數(shù)據(jù)的統(tǒng)計性質(zhì)建立模型, VAR 模型把系統(tǒng)中每一 個內(nèi)生變量作為系統(tǒng)中所有內(nèi)生變量的滯后值的函數(shù)來構(gòu)造模型, 從而將單變量 自回歸模型推廣到由多元時間序列變量組成的 “ 向量 ” 自回歸模型。 VAR 模型是 處理多個相關(guān)經(jīng)濟(jì)指標(biāo)的分析與預(yù)測最容易操作的模型之一, 并且在一定的條件 下,多元 MA 和 ARMA 模型也可轉(zhuǎn)化成 VAR 模型。(二操作步驟(1導(dǎo)入數(shù)據(jù)。方法同平穩(wěn)性檢驗的步驟 (1(2。(2選擇需要進(jìn)行協(xié)整檢驗的相關(guān)變量 Open as VAR 默認(rèn)確定。(3 結(jié)果分析。 11 (4 ViewLag StructureAR Roots Graph確定。 結(jié)果分析：如果 VAR 模型的單位根全部落在單位圓內(nèi)，則說明