SVAR模型制作過程

1、.設(shè)置月度數(shù)據(jù)MONTHLY>start date： 2008M01>end date 2018M08一，數(shù)據(jù)的季節(jié)調(diào)整（利用 x-12 進(jìn)行季節(jié)性調(diào)整）由于在建模時(shí)所選取的是宏觀經(jīng)濟(jì)的月度數(shù)據(jù)，而月度數(shù)據(jù)容易受到季節(jié)因素的影響，從而掩蓋經(jīng)濟(jì)運(yùn)行的客觀規(guī)律，因此我們采用Census X13 （功能時(shí)最強(qiáng)大的）調(diào)整方法對各個(gè)變量數(shù)據(jù)進(jìn)行季節(jié)性調(diào)整。分別記做CPI、FOOD 、HOUSE、M2 、VMI 。時(shí)間序列按照時(shí)間次序排列的隨機(jī)變量序列， 任何時(shí)間序列經(jīng)過合理的函數(shù)變換后都可以被認(rèn)為由幾個(gè)部分疊加而成。 三個(gè)部分 ：趨勢部分 （ T）， 季節(jié)部分（S）和隨機(jī)噪聲部分（ I）。

2、常見的時(shí)間序列都是等間隔排列的。時(shí)間序列調(diào)整各部分構(gòu)成的基本模型Xt= T t+ + T t + I t 對任何時(shí)刻有 ， E（ It ）2=0 ， Var （It） = 加法模型t= Ttt* It 對任何時(shí)刻有 ， E（ It） =1t2加法模型X*T，Var（ I） = （ 1）判定一個(gè)數(shù)據(jù)序列究竟適合乘法模型還是加法模型，可考察其趨勢變化持性及季節(jié)變化的波動幅度。（ 2）所謂季節(jié)調(diào)整就是按照上述兩種模型將經(jīng)濟(jì)時(shí)間序列進(jìn)行分解，去掉季節(jié)項(xiàng)的序列成為調(diào)過序列。對于時(shí)間序列而言是否存在整體趨勢？如果是 ，趨勢是顯示持續(xù)存在還是顯示將隨時(shí)間而消逝 ？對于時(shí)間序列而言是否顯示季節(jié)性變化？如果是

3、，那么這種季節(jié)的波動是隨時(shí)間而加劇還是持續(xù)穩(wěn)定存在？.專業(yè)專注.對于時(shí)間序列的分解模型主要有加法模型和乘法模型。加法模型適用于T、 S、C 相互獨(dú)立的情形。乘法模型適用于T、 S、 C 相關(guān)的情形 。 由于時(shí)間序列分解的四大要素一般都存在相互影響 ，因此大多數(shù)的經(jīng)濟(jì)數(shù)據(jù)都采用乘法模型進(jìn)行季節(jié)性分解。第一步 ：雙擊進(jìn)行季節(jié)性調(diào)整的變量組CPI，proc >Seasonal Adjustment>x-12.專業(yè)專注.第二步 ：用 Eviews 軟件進(jìn)行季節(jié)調(diào)整的操作步驟：1， 準(zhǔn)備一個(gè)用于調(diào)整的時(shí)間序列（ GDP）（ 注意 ：序列需同口徑（當(dāng)月或當(dāng)季）、 不變價(jià) 、足夠長 ）2， 在

4、Eviews 中建立工作文件，導(dǎo)入序列數(shù)據(jù)3， 序列圖形分析（ 1 ） 觀察序列中的是否有季節(jié)性（ 2 ） 是否有離群值或問題值（3 ）序列的趨勢變動（是加法還是乘法模型 ）（ 加法模型主要適用于呈線性增長的數(shù)據(jù)序列，或者是圍繞某一個(gè)中指波動的數(shù)據(jù)序列，如 pmi數(shù)據(jù)序列 ）（ 乘法模型主要適用于呈指數(shù)級數(shù)增長的序列，如 GDP、工業(yè)增加值 ，投資數(shù)據(jù)的名義值 、實(shí)際值及物價(jià)的指數(shù)序列等。）（對數(shù)加法模型主要適用于同比增速呈線性增長的數(shù)據(jù)序列，如 GDP、.專業(yè)專注.工業(yè)、投資及 cpi 的同比增速數(shù)據(jù) ；偽加法模型則主要是對某些非負(fù)時(shí)間序列進(jìn)行季節(jié)調(diào)整 ，他們具有這樣的性質(zhì)：在每一年中的相同

5、月份出現(xiàn)接近與0 的正值 ，在這些月份含有接近于0 的季節(jié)因子 ，受這些小因子的影響，季節(jié)調(diào)整結(jié)果將出現(xiàn)偏差。在一年的特定時(shí)期 ，農(nóng)產(chǎn)品產(chǎn)量就是這樣的數(shù)據(jù)序列）Cpi， vmi 為對數(shù)加法模型 ，（4 ）必要時(shí)還要分析譜圖和自相關(guān)、偏相關(guān)圖4， 季節(jié)調(diào)整參數(shù)設(shè)定（1 ）季節(jié)調(diào)整選擇項(xiàng)（模型分解方法 、季節(jié)慮子 、調(diào)整后的序列變量名）a 勾選 x11method中的 multiplicative， seasonalfilter中的 autox12 defaultb Componentseriestosave 選擇finalseasonalfactor （ _SF）Trend Filter選擇 A

6、uto（X12 fefat ）（2 ）ARIMA模型參數(shù) （序列是否需要做轉(zhuǎn)換、 ARIMA說明 ）（ 主要是做預(yù)測用 ）（ 3 ） 交易節(jié)假日設(shè)定 （西方模式 ，不適合中國模式 ）（ 4 ） 離群值設(shè)定（ 5） 模型診斷 （選上 ）5， 執(zhí)行季節(jié)調(diào)整6， 查看季節(jié)調(diào)整后的結(jié)果7， 分析季節(jié)調(diào)整的結(jié)果診斷報(bào)告主要查看M1-M11 、以及 Q 統(tǒng)計(jì)量有沒有通過檢驗(yàn).專業(yè)專注.如果診斷報(bào)告不好，返回第 4 步8， 導(dǎo)出數(shù)據(jù) ，在 EXCEL中計(jì)算環(huán)比增長率在建立SVAR 模型時(shí) ，需要考慮變量序列的平穩(wěn)性，這就要求在建模前需要對變量進(jìn)行平穩(wěn)性檢驗(yàn)，如果變量序列是平穩(wěn)的，那么可以直接進(jìn)行SVAR 模

7、型的構(gòu)建 ，但是如果變量為非平穩(wěn)序列那么需要對變量序列進(jìn)行平穩(wěn)性處理，常用的方法是做差分和取對數(shù)，如若變量序列滿足同階單整，則可以進(jìn)行協(xié)整檢驗(yàn)，如若各個(gè)變量序列滿足協(xié)整檢驗(yàn)，具有長期的均衡關(guān)系，則可以建立SVAR 模型 。PROC>Seasonal Adjustment>Census X12Sensonaladjustment(季節(jié)調(diào)整選擇設(shè)定)， ARMIAOption ， TradingDay/Holiday（交易日 、節(jié)假日設(shè)定 ）， Outliers （離群值設(shè)定 ）， diagnostics （診斷 ）。做的比較粗糙一點(diǎn)：（ 1）打開變量列 ， proc>x-13&

8、gt;method>x-11>additive(加法 )（ 2）Output>seasonallyadjusted一，對各變量序列的平穩(wěn)性檢驗(yàn)（ ADF 檢驗(yàn) ）原因 :模型要求所需的變量數(shù)據(jù)為平穩(wěn)序列。（ 1）單位根檢驗(yàn)單位根檢驗(yàn)是檢驗(yàn)數(shù)據(jù)的平穩(wěn)性，或是說單整階數(shù)。引用高人的回答：滯后階數(shù)的問題。最佳滯后階數(shù)主要根據(jù)AIC SC 準(zhǔn)則判定 ，當(dāng)你選擇好檢驗(yàn)方式，確定好常數(shù)項(xiàng)、趨勢項(xiàng)選擇后 ，在 lagged differences欄里可以從0 開始嘗試 ，最大可以嘗試到 7。 你一個(gè)個(gè)打開去觀察，看哪個(gè)滯后階數(shù)使得結(jié)論最下方一欄中的AIC 和 SC 值最小 ，那么該滯后階數(shù)

9、則為最佳滯后階數(shù)。單位根是否應(yīng)該包括常數(shù)項(xiàng)和趨勢項(xiàng)可以通.專業(yè)專注.過觀察序列圖確定，通過Quick-graph-line操作觀察你的數(shù)據(jù)，若數(shù)據(jù)隨時(shí)間變化有明顯的上升或下降趨勢，則有趨勢項(xiàng) ，若圍繞0 值上下波動 ，則沒有趨勢項(xiàng) ；其二 ，關(guān)于是否包括常數(shù)項(xiàng)有兩種觀點(diǎn)，一種是其截距為非零值，則取常數(shù)項(xiàng) ，另一種是序列均值不為零則取常數(shù)項(xiàng)。使得 t 大于 1%， 5% ， 10% 條件小的值步驟 ：第一 ：利用圖形確定常數(shù)項(xiàng)和趨勢項(xiàng)Quick>series statistic>unit root test其中 ：檢驗(yàn)對象Level （水平序列 ）， 1stdifference （一

10、階差分序列）， 2st difference （二階差分序列）檢驗(yàn)附加項(xiàng)Intercept （常數(shù)項(xiàng) ，漂移項(xiàng) ）， trendandintercept （趨勢項(xiàng)和漂移項(xiàng)）， none （無附加項(xiàng) ）Lag length（之后長度 ）lagged differencesAutomatic selection（系統(tǒng)自動選擇之后長度）AICSIC 等。User specified（用戶自己選擇 ）第二 ，確定滯后項(xiàng)方法一是在User specified （用戶自選模式 ）中選擇從0 開始慢慢增加 ，看下面的AIC與 sic 的大小 ，最后 AIC 與 sic 最小時(shí) ，就是滯后項(xiàng)數(shù)。方法二是在Au

11、tomaticselection中選擇AIC 模式 ，可以把最大滯后項(xiàng)數(shù)選大一點(diǎn)（7.專業(yè)專注.或者以上 ），軟件會自動選擇AIC 最小時(shí)的項(xiàng) ，即為滯后項(xiàng) 。 D（ x（ -1 ） 為滯后1項(xiàng)。（ 3）Johansen 檢驗(yàn)（視單整情況而定）Johansen 檢驗(yàn)的關(guān)鍵是有同階單整可以進(jìn)行協(xié)整檢驗(yàn)。非同階單整可不需要進(jìn)行Johansen 檢驗(yàn) 。協(xié)整檢驗(yàn)是兩個(gè)或多個(gè)變量之間具有長期的穩(wěn)定關(guān)系。但變量協(xié)整的必要條件是他們之間時(shí)同階單整，也就是說在進(jìn)行協(xié)整檢驗(yàn)之前進(jìn)行單位根檢驗(yàn)。根據(jù) SIMS （ 1990 ）的研究結(jié)果 ，只有在變量序列之間存在長期的均衡關(guān)系即協(xié)整關(guān)系時(shí) ， VAR 模型才能避

12、免出現(xiàn)錯誤識別，才能通過最小二乘法得到一致估計(jì)。（ 4）建立 VAR 模型 （不斷重復(fù)直至模型通過三項(xiàng)檢驗(yàn)：穩(wěn)定性 ，滯后階數(shù)正確 ，外生變量與內(nèi)生變量明晰）第一步估計(jì)var 模型 ， Objects>New object/Var選擇 VAR type為： unrestrictedEndogenous Variables :內(nèi)生變量 (d(vmi_d11) 差分 )（有內(nèi)生變量為1 ，有外生變量為 0）Exogenous Variables：外生變量估計(jì)系數(shù)的標(biāo)準(zhǔn)差（圓括號中 ）及 t- 統(tǒng)計(jì)量 （方括號中 ）d(cpi_d11) d(food_d11) house_d11 d(m1_d

13、11) d(vmi_d11)不斷改變 Endogenous Variables中（ 1，？）？ =1,2,3 比較結(jié)果最下面的AIC 與 SC DE 值越小越好 ，最后確定VAR 模型的滯后階數(shù)。（注意 ：1 ，其實(shí)在初始設(shè)置VAR 模型的時(shí)候可以任意設(shè)置為（ 1，？）（ 后面檢驗(yàn)的時(shí)候才會確認(rèn)？的滯后階數(shù)是什么）。（ 1,1）自己.專業(yè)專注.2 ，默認(rèn)為全體變量為內(nèi)生變量（后面檢驗(yàn)的時(shí)候可以確定哪些是外生變量 ）。第二步檢驗(yàn)所估計(jì)的VAR 模型（三個(gè)檢驗(yàn) ）1 ， VAR 的滯后階數(shù)檢驗(yàn)在 VAR 工作表中VIEWS>lag structure>lag length criter

14、ia (填寫最大階數(shù) )軟件將會用 “*”給出某個(gè) AIC 或者 SC準(zhǔn)則的最小值。（ 滯后階數(shù)越小越好）。2 ， 的穩(wěn)定性檢驗(yàn)（AR 根小于1 ，在單位圓內(nèi)才能滿足脈沖分析及方差分解所需條件 ）。VIEWS>lag structure>AR ROOTS TABLE/ GRAPH3,Granger檢驗(yàn)VIEWS>lag structure>Pairwise Granger Causality Tests.專業(yè)專注.3 ， 建立的簡約式VAR （？）？ 為滯后階數(shù)的模型輸出樣式VIEW>REPRESPENTATION（ 5）在構(gòu)建成功 VAR 模型后 ，為了驗(yàn)證擾動

15、項(xiàng)之間是否存在同期相關(guān)關(guān)系，可用殘差的同期相關(guān)矩陣來描述 ，可以利用這個(gè)模型進(jìn)行預(yù)測即下一步的分析，為了驗(yàn)證擾動項(xiàng)之間是否存在同期相關(guān)關(guān)系，可以利用殘差的同期相關(guān)矩陣來描述。在構(gòu)建的 VAR 窗口中 ： VIEWS>Residuals>correlation matrix.專業(yè)專注.進(jìn)一步表明可以利用同期的影響來構(gòu)建SVAR 模型 。(5)在已構(gòu)建的VAR 模型上構(gòu)建SVAR 模型第一步 ：實(shí)施約束識別條件為k（ k-1 ） /2 個(gè)，識別約束條件可以是短期約束條件，也可以長期約束條件。短期約束意味著脈沖響應(yīng)函數(shù)隨著時(shí)間的變化將會消失，（對 D0進(jìn)行影響 ）而長期約束意味著對響應(yīng)變

16、量未來的值有一個(gè)長期的影響。（ 更像是累計(jì)影響如不能同時(shí)施加長期與短期約束。短期約束是基于A-B 型 SVAR 模型 （Ae t =Bu t ） ,長期約束基于脈沖響應(yīng)的累積響應(yīng)函數(shù)。（1）短期約束可識別條件 ： AB 型 SVAR 模型至少需要2k2 -k(k+1)/2個(gè)約束可識別條件一般假設(shè)結(jié)構(gòu)新息ut 有單位方差 ，因此通常對矩陣B 的約束為對.專業(yè)專注.角陣 （約束個(gè)數(shù)為k2-k ）或者單位矩陣（約束個(gè)數(shù)為K2）， 以致獲得沖擊的標(biāo)準(zhǔn)偏差A(yù) 矩陣主對角元素一般設(shè)為1（約束個(gè)數(shù)為 k）在矩陣 B 為單位陣情況下 ，對 A 矩陣的約束相當(dāng)于對C0 矩陣施加約束 ，即對變量間同期相關(guān)關(guān)系的約

17、束， 如有三個(gè)內(nèi)生變量稅收（ 1）， 政府支出（ 2）， 產(chǎn)出 （3 ）， 根據(jù)經(jīng)濟(jì)理論當(dāng)期產(chǎn)出不會影響當(dāng)期政府支出，即矩陣C中 C23=0 ，在約束時(shí)當(dāng) B 為單位陣時(shí) ，直接寫成 a23=0約束矩陣中未知元素定義為NA（2）長期約束建立包括長期響應(yīng)矩陣模塊 ，約束處填寫0 ，比如第2 個(gè)內(nèi)生變量對第1 個(gè)結(jié)構(gòu)沖擊的長期影響為0 ，則長期響應(yīng)矩陣模塊中第2行第 1 列約束為0，其他類同 ，無約束的填寫NA施加在當(dāng)期的約束就是短期約束，（3 ）為了簡便起見應(yīng)按如下進(jìn)行SVAR 短期約束條件的設(shè)立1 ， AB 型 SVAR 模型至少需要2k 2-k （ k+1 ） /2 個(gè)約束 （ AB 型的特

18、點(diǎn)是 ，可以明確建立系統(tǒng)內(nèi)各個(gè)內(nèi)生變量的當(dāng)期結(jié)構(gòu)關(guān)系，并且可以直觀地分析標(biāo)準(zhǔn)正交隨機(jī)擾動項(xiàng)對系統(tǒng)產(chǎn)生沖擊后的影響情況 ，即 et 就是所謂的 “標(biāo)準(zhǔn)正交隨機(jī)擾動項(xiàng)”，因?yàn)樗慕M成元素之間互相正交（即互相獨(dú)立 ）， 并且其方差 - 協(xié)方差為單位陣 ）2， 若約束矩陣 B 為單位陣 ，此時(shí)約束個(gè)數(shù)為 K2 個(gè)3， 若約束矩陣 A 為主對角元素為 1，約束個(gè)數(shù)為 K.專業(yè)專注.4 ， 再加上經(jīng)濟(jì)原理上，使得在矩陣A 中至少增加2k 2-k （ k+1 ） /2- （k2+k ）個(gè) 0 約束5 ， 構(gòu)造的約束按照C12 =0 或者 C21 =0 來進(jìn)行 。注意 ：1， EVIEWS 在計(jì)算過程中同時(shí)限

19、定了矩陣A 必須為單位矩陣，對于 n 變量的 SVAR，這實(shí)質(zhì)上又給出了n2 個(gè)限制條件 。所以 ，當(dāng)在 EVIEWS 中設(shè)立長期約束條件時(shí)，實(shí)際上對矩陣C 的約束條件 ，只要有 2n 2-n （n+1 ）/2-n 2= n 2 -n （ n+1 ） /2-n 2 個(gè)就滿足了SVAR 模型的可識別條件。2， 長期約束 ，實(shí)質(zhì)上就是要限定短期條件下的矩陣A 和 B 與長期條件下的矩陣 C 之間的關(guān)系 。3， 在長期約束中通過對矩陣C 中的元素加以限制，然后利用這些限制條件以及 C 與矩陣 A,B 的關(guān)系估計(jì)出矩陣A 與 B 的系數(shù) 。 因此，在給定一個(gè)限制約束條件的矩陣C 后， EViews 內(nèi)

20、部算法會給出相應(yīng)的SVAR 模型 A 、B 矩陣中的系數(shù) ，而無論如何限制矩陣C， EViews 給出的結(jié)果中矩陣A總是單位矩陣。所以 ，當(dāng)在EViews 中設(shè)立長期約束條件時(shí)，實(shí)際上對矩陣 C 的約束條件 ，只要有 【2n 2 -n （ n+1 ） /2 】-n 2 =n 2 -n （n+1 ） /2 個(gè)就滿足了 SVAR 模型的可識別條件。4， 在進(jìn)行短期約束時(shí)，可以根據(jù)經(jīng)濟(jì)理論或者Granger 來得到約束條件。5， 構(gòu)架的短期約束以格蘭杰因果檢驗(yàn)為主6， 最好不要把B 矩陣設(shè)為單位陣7， 長期約束條件多用于貨幣政策的分析，情況較為復(fù)雜，在其他領(lǐng)域應(yīng)用較少 。.專業(yè)專注.8， Svar

21、模型根據(jù)其建模特點(diǎn)，主要分為 3 種類型 ：K 型， c 型和 AB 型，其中 AB 其中型是最通常的類型 ,而 K 型、 C 型都可視為 AB 型的特殊形式 。如果模型中的 A 矩陣為單位矩陣 ,則 AB 模型就轉(zhuǎn)化為 C 模型 ;如果 AB 模型中的 B 矩陣為單位矩陣 ,則模型就轉(zhuǎn)化為 K 模型 。9， 在 EVIEWS 中利用約束條件生成矩陣A 與 BObjects/new object/matrix-vector-coef填寫矩陣名稱A在命令面板中可以如下輸入：A(1,1)=1,A(1,2)=NA等，表示在 A 矩陣中第1 行第 2 列中設(shè)置為1 ，和在第 1行第 2列或者矩陣命令m

22、atrix （ 5,5） xdata 創(chuàng)建一個(gè)5*5 的矩陣 xdata 。第二步 ：估計(jì) SVAR從 VAR 對象窗口的菜單中選擇 procs>estimate structural factorizationSvar OPTIONS 的對話框中 ，擊中 MATRIX 按鈕和 short-runpattern，并在相應(yīng)的編輯框中填入模板矩陣的名字。.專業(yè)專注.e1=-c(1)*e2-c(2)*e3-c(3)*e4-c(4)*e5+1*u1e2=-c(5)*e1-c(6)*e4-c(7)*e5+1*u2e3=-c(8)*e1-c(9)*e4-c(10)*e5+1*u3e4=-c(11)*

23、e1-c(12)*e3+1*u4e5=-c(13)*e1-c(14)*e2-c(15)*e3+1*u5如上設(shè)置的短期約束條件（多增加兩個(gè)好一點(diǎn)）d(cpi_d11) d(food_d11) house_d11 d(m1_d11) d(vmi_d11)結(jié)果如圖所示約束條件如下：1：里面不包含M1 不影響當(dāng)期食物價(jià)格，c24M1 不影響當(dāng)期房屋價(jià)格C34第三步 ：分析A，脈沖響應(yīng)函數(shù)分析d(cpi_d11) d(food_d11) house_d11 d(m1_d11) d(vmi_d11).專業(yè)專注.主界面 view>impulse response。在impulses 產(chǎn)生沖擊的變量處填寫在response 處填寫觀測其脈沖響應(yīng)的變量圖片輸出 ，點(diǎn)擊輸出結(jié)果右鍵， SVAE保存后可輸出結(jié)果。B， 方差分解分析Var 界面 View>variance decompositionlibrary(ggplot2)#type <- c('A','B','C','D','E','F','G')#nums <- c(10,23,8,33,12,40,60)