最全的模型理論基礎(chǔ)及其實現(xiàn)演示文稿

最全的模型理論基礎(chǔ)及其實現(xiàn)演示文稿目前一頁\總數(shù)三十七頁\編于二十一點（優(yōu)選）最全的模型理論基礎(chǔ)及其實現(xiàn)目前二頁\總數(shù)三十七頁\編于二十一點克里斯托弗?西姆斯目前三頁\總數(shù)三十七頁\編于二十一點

3.VAR模型的檢驗

2.VAR的建立與識別

4.脈沖響應(yīng)函數(shù)

5.方差分解

6.協(xié)整檢驗

1.向量自回歸理論向量自回歸理論導(dǎo)入Granger因果檢驗及滯后階數(shù)p的確定脈沖響應(yīng)函數(shù)的基本思想及其Eiews實現(xiàn)VAR的表示與建立以及SVAR的識別方差分解及Eivews實現(xiàn)Johansen檢驗與VEC模型目前四頁\總數(shù)三十七頁\編于二十一點一、向量自回歸理論傳統(tǒng)的計量經(jīng)濟方法（如聯(lián)立方程模型等結(jié)構(gòu)性方法）是以經(jīng)濟理論為基礎(chǔ)來描述變量關(guān)系的模型。遺憾的是，經(jīng)濟理論通常并不足以對變量之間的動態(tài)聯(lián)系提供一個嚴(yán)密的說明，而且內(nèi)生變量既可以出現(xiàn)在方程的左端又可以出現(xiàn)在方程的右端使得估計和推斷變得更加復(fù)雜。為了解決這些問題而出現(xiàn)了一種用非結(jié)構(gòu)性方法來建立各變量之間關(guān)系的模型。目前五頁\總數(shù)三十七頁\編于二十一點一、向量自回歸模型

向量自回歸(Vecotratuo-regression)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)生變量的滯后值來構(gòu)造模型，從而將單變量自回歸模型推廣到多元時間序列變量組成的“向量”自回歸模型。目前六頁\總數(shù)三十七頁\編于二十一點一、向量自回歸理論

1980年西姆斯（Ch-restopher?Sims）將VAR模型引入到經(jīng)濟學(xué)中，推動了經(jīng)濟系統(tǒng)動態(tài)性分析的廣泛應(yīng)用，他本人也因此而榮獲2011年諾貝爾經(jīng)濟學(xué)獎。目前七頁\總數(shù)三十七頁\編于二十一點二、VAR模型的表示與建立1、VAR模型的一般表示：

滯后階數(shù)為p的VAR模型表達式為Yt=A1Yt-1+A2Yt-2+…+ApYt-p+BXt+μt

其中，Yt為k維內(nèi)生變量向量；Xt為d維外生變量向量;μt是k維誤差向量,A1，A2，…，Ap，B是待估系數(shù)矩陣。目前八頁\總數(shù)三十七頁\編于二十一點滯后階數(shù)為p的VAR模型表達式還可以表述為：即上式稱為非限制性向量自回歸（UnrestrictedVAR）模型，是滯后算子L的k*k的參數(shù)矩陣。當(dāng)行列式det[A(L)]的根都在單位圓外時，不含外生變量的非限制性向量自回歸模型才滿足平穩(wěn)性條件。目前九頁\總數(shù)三十七頁\編于二十一點2、結(jié)構(gòu)VAR模型（SVAR）結(jié)構(gòu)VAR是指在模型中加入了內(nèi)生變量的當(dāng)期值，即解釋變量中含有當(dāng)期變量，這是與VAR模型的不同之處。下面以兩變量SVAR模型為例進行說明。

xt=b10+b12zt+γ11xt-1+γ12zt-1+μxt

zt=b20+b21xt+γ21xt-1+γ22zt-1+μzt這是滯后階數(shù)p=1的SVAR模型。其中，xt和zt均是平穩(wěn)隨機過程；隨機誤差項μxt和μzt是白噪聲序列，并且它們之間不相關(guān)。系數(shù)b12表示變量的zt的變化對變量xt的影響；γ21表示xt-1的變化對zt的滯后影響。該模型同樣可以用如下向量形式表達，即

B0yt=Γ0+Γ1yt-1+μt目前十頁\總數(shù)三十七頁\編于二十一點（一）變量選取根據(jù)宏觀經(jīng)濟理論,消費(C)、投資(I)和出口(X)是影響經(jīng)濟的三駕馬車,對經(jīng)濟增長有舉足輕重的影響。所用年度數(shù)據(jù)均取自歷年《海南統(tǒng)計年鑒》,每個變量樣本時間跨度為1987-2010年,樣本容量為24。目前十一頁\總數(shù)三十七頁\編于二十一點（二）數(shù)據(jù)預(yù)處理數(shù)據(jù)預(yù)處理包括三個步驟:(1)凡以美元為單位的數(shù)據(jù)全部按當(dāng)年的平均匯率折算為人民幣;(2)所有數(shù)據(jù)均按GDP平減指數(shù)(1987=100)進行平減,以消除價格波動因素影響并獲取實際值;(3)由于數(shù)據(jù)的自然對數(shù)變換不改變原有的協(xié)整關(guān)系,并能使其趨勢線性化,消除時間序列中存在的異方差現(xiàn)象,所以對所有數(shù)據(jù)取其自然對數(shù)值,以增強數(shù)據(jù)線性化趨勢、消除異方差,同時便于考察各變量對GDP的敏感性。目前十二頁\總數(shù)三十七頁\編于二十一點3、VAR模型的建立選擇“Quick”|“EstimateVAR…”選項，將會彈出下圖所示的對話框。在“VARType”中有兩個選項：“UnrestrictedVAR”建立的是無約束的向量自回歸模型，即VAR模型的簡化式；“VectorErrorCorrection”建立的是誤差修正模型。“EstimationSample”的編輯框中輸入的是樣本區(qū)間，當(dāng)工作文件建立好后，系統(tǒng)會自動給出樣本區(qū)間?！癊ndogenousVariables”中輸入的是內(nèi)生變量?！癊xogenousVariables”中輸入的是外生變量，系統(tǒng)默認(rèn)情況下將常數(shù)項c作為外生變量。“LagIntervalsforEndogenous”中指定滯后區(qū)間目前十三頁\總數(shù)三十七頁\編于二十一點三、VAR模型的檢驗VAR模型的滯后結(jié)構(gòu)檢驗（1）AR根的圖與表

如果VAR模型所有根模的倒數(shù)都小于1，即都在單位圓內(nèi)，則該模型是穩(wěn)定的；如果VAR模型所有根模的倒數(shù)都大于1，即都在單位圓外，則該模型是不穩(wěn)定的。如果被估計的VAR模型不穩(wěn)定，則得到的結(jié)果有些是無效的。（如脈沖響應(yīng)函數(shù)的標(biāo)準(zhǔn)誤差）在VAR對象的工具欄中選擇“View”|“LagStructure”|“ARRootsTable/ARRootsGraph”選項，得到AR根的表和圖。目前十四頁\總數(shù)三十七頁\編于二十一點三、VAR模型的檢驗?zāi)壳笆屙揬總數(shù)三十七頁\編于二十一點（2）Granger因果檢驗

Granger因果檢驗主要是用來檢驗內(nèi)生變量是否可以作為外生變量對待。原假設(shè)是H0：變量x不能Granger引起變量y備擇假設(shè)是H1：變量x能Granger引起變量y三、VAR模型的檢驗?zāi)壳笆揬總數(shù)三十七頁\編于二十一點在EViews軟件操作中，選擇VAR對象工具欄中的“View”|“LagStructure”|“GrangerCausality/BlockExogeneityTests”選項，可得到檢驗結(jié)果。三、VAR模型的檢驗?zāi)壳笆唔揬總數(shù)三十七頁\編于二十一點（2）Granger因果檢驗右圖的檢驗結(jié)果為：在5%的顯著性水平下，變量log(ex)能Granger引起變量log(ms)，即拒絕原假設(shè)；但變量log(ms)不能Granger引起變量log(ex)。三、VAR模型的檢驗?zāi)壳笆隧揬總數(shù)三十七頁\編于二十一點（3）滯后排除檢驗滯后排除檢驗（LagExclusion

Tests）是對VAR模型中的每一階數(shù)的滯后進行排除檢驗。如右圖所示。第一列是滯后階數(shù)，第二至五列是方程的χ2統(tǒng)計量，最后一列是聯(lián)合的χ2統(tǒng)計量。三、VAR模型的檢驗?zāi)壳笆彭揬總數(shù)三十七頁\編于二十一點（4）滯后階數(shù)標(biāo)準(zhǔn)滯后長度標(biāo)準(zhǔn)（LagLengthCriteria）是計算出各種標(biāo)準(zhǔn)，選擇無約束VAR模型的滯后階數(shù)，可以填入確切的最大的滯后階數(shù)來檢驗。表中將顯示出直至最大滯后階數(shù)的各種信息標(biāo)準(zhǔn)（如果在VAR模型中沒有外生變量，滯后從1開始，否則從0開始）。表中用“*”表示從每一列標(biāo)準(zhǔn)中選的滯后階數(shù)。選擇VAR對象工具欄中的“View”|“LagStructure”|“LagLengthCriteria”選項，在彈出的對話框中輸入最大滯后階數(shù)，然后單擊“OK”按鈕即可得到檢驗結(jié)果。三、VAR模型的檢驗?zāi)壳岸揬總數(shù)三十七頁\編于二十一點四、脈沖響應(yīng)函數(shù)在實際應(yīng)用中，由于VAR模型是一種非理論性的模型，它無需對變量作任何先驗性約束，因此在分析VAR模型時，往往不分析一個變量的變化對另一個變量的影響如何，而是分析當(dāng)一個誤差項發(fā)生變化，或者說模型受到某種沖擊時對系統(tǒng)的動態(tài)影響，這種分析方法稱為脈沖響應(yīng)函數(shù)分析方法(impulseresponsefunction,IRF)。目前二十一頁\總數(shù)三十七頁\編于二十一點“DisplayInformation”中輸入沖擊變量（Impulses）和脈沖響應(yīng)變量（Responses）。這里可以輸入內(nèi)生變量的名稱，也可以輸入變量的序號。

在“Periods”中輸入顯示的最長時期?！癆ccumlatedResponses”為累積響應(yīng)。對于穩(wěn)定的VAR模型，脈沖響應(yīng)函數(shù)應(yīng)趨于0，累積響應(yīng)趨于非0常數(shù)。四、脈沖響應(yīng)函數(shù)目前二十二頁\總數(shù)三十七頁\編于二十一點五、方差分解方差分解(variancedecomposition)是通過分析每一個結(jié)構(gòu)沖擊對內(nèi)生變量變化（通常用方差來衡量）的貢獻度，進一步評價不同結(jié)構(gòu)沖擊的重要性。因此，方差分解給出對VAR模型中的變量產(chǎn)生影響的每個隨機擾動的相對重要性的信息。目前二十三頁\總數(shù)三十七頁\編于二十一點在EViews軟件操作中，選擇VAR對象工具欄中的“View”|“ImpulseResponse…”選項，或者直接點擊VAR對象工具欄中的“Impulse”功能鍵即可得到脈沖響應(yīng)函數(shù)的設(shè)定對話框。在脈沖響應(yīng)函數(shù)的設(shè)定對話框中有兩個選項卡：一個是“Display”，一個是“ImpulseDefinition”。系統(tǒng)默認(rèn)下打開的是“Display”選項卡。其中，“DisplayFormat”包含三種顯示形式，“Table”表格形式，“MultipleGraphs”多個圖形式，“CombinedGraphs”組合圖形式。系統(tǒng)默認(rèn)下是“MultipleGraphs”選項。五、方差分解目前二十四頁\總數(shù)三十七頁\編于二十一點方差分解的基本思想是，把系統(tǒng)中的全部內(nèi)生變量(k)個的波動按其成因分解為與各個方程新息相關(guān)聯(lián)的k個組成部分，從而得到新息對模型內(nèi)生變量的相對重要程度。五、方差分解在EViews軟件操作中，選擇VAR對象工具欄中的“View”|“VarianceDecomposition…”選項，彈出對話框。其部分內(nèi)容設(shè)定與脈沖響應(yīng)函數(shù)相同。當(dāng)改變VAR模型中的變量順序時，基于Cholesky因子的方差分解會有改變。目前二十五頁\總數(shù)三十七頁\編于二十一點六、協(xié)整檢驗假定一些經(jīng)濟指標(biāo)被某經(jīng)濟系統(tǒng)聯(lián)系在一起，那么多長遠(yuǎn)看來這些變量應(yīng)該具有均衡關(guān)系，這是建立和檢驗?zāi)Ｐ偷幕境霭l(fā)點。在短期內(nèi)，因為季節(jié)影響或隨機干擾，這些變量有可能偏離均值。如果這種偏離是暫時的，那么隨著時間推移將會回到均衡狀態(tài)；如果這種偏離是持久的，就不能說這些變量之間存在均衡關(guān)系。1987年Engle和Granger提出的協(xié)整理論及其方法，為非平穩(wěn)序列的建模提供了另一種途徑。雖然一些經(jīng)濟變量的本身是非平穩(wěn)序列，但是，它們的線性組合卻有可能是平穩(wěn)序列。這種平穩(wěn)的線性組合被稱為協(xié)整方程且可被解釋為變量之間的長期穩(wěn)定的均衡關(guān)系。目前二十六頁\總數(shù)三十七頁\編于二十一點協(xié)整檢驗從檢驗的對象上可以分為兩種：一種是基于回歸殘差的協(xié)整檢驗，如DF檢驗和ADF檢驗等；另一種是基于回歸系數(shù)的協(xié)整檢驗，如Johansen檢驗。Johansen在1988年及在1990年與Juselius一起提出的一種以VAR模型為基礎(chǔ)的檢驗回歸系數(shù)的方法，是一種進行多變量協(xié)整檢驗的較好方法，因此，有時也稱為JJ檢驗。將Yt的協(xié)整檢驗變成對矩陣Π的分析問題，這就是JJ檢驗的基本原理。因為矩陣Π的秩等于它的非零特征根的個數(shù)，因此可以通過對非零特征根個數(shù)的檢驗來檢驗協(xié)整關(guān)系和協(xié)整向量的秩。六、協(xié)整檢驗?zāi)壳岸唔揬總數(shù)三十七頁\編于二十一點在EViews軟件操作中，選擇VAR對象工具欄中的“View”|“CointegrationTest…”選項，打開右圖所示的協(xié)整檢驗設(shè)定對話框。協(xié)整檢驗僅對已知非平穩(wěn)的序列有效，所以需要首先對VAR模型中的每一個序列進行單位根檢驗。六、協(xié)整檢驗?zāi)壳岸隧揬總數(shù)三十七頁\編于二十一點在“Deterministictrendassumptionoftest”中確定協(xié)整方程的類型。根據(jù)協(xié)整方程中是否包含截距項和趨勢項，將其分為五類：第一類，序列Yt沒有確定趨勢，協(xié)整方程沒有截距項；第二類，序列Yt沒有確定趨勢，協(xié)整方程有截距項；第三類，序列Yt有確定的線性趨勢，協(xié)整方程只有截距項；第四類，序列Yt有確定的線性趨勢，協(xié)整方程有確定的線性趨勢；第五類，序列Yt有二次趨勢，協(xié)整方程只有線性趨勢。六、協(xié)整檢驗?zāi)壳岸彭揬總數(shù)三十七頁\編于二十一點在“Exogvariables”中輸入外生變量xt。如果沒有外生變量，此編輯框可為空。在“Lagintervals”中設(shè)定滯后區(qū)間，這里的數(shù)字要起止點成對輸入，如“12”。需要注意的是：滯后設(shè)定是指在輔助回歸中的一階差分的滯后項，而不是指原序列。最右側(cè)的數(shù)值為VAR模型滯后階數(shù)p-1，即協(xié)整檢驗的滯后階數(shù)等于VAR模型滯后階數(shù)減去1。在“CriticalValues”中可設(shè)定檢驗的顯著性水平。系統(tǒng)默認(rèn)下是0.05。用戶可以根據(jù)實際檢驗需要設(shè)定為0.01或0.10。

六、協(xié)整檢驗?zāi)壳叭揬總數(shù)三十七頁\編于二十一點協(xié)整檢驗的結(jié)果第一部分給出了協(xié)整關(guān)系的數(shù)量，并以兩種檢驗統(tǒng)計量的形式顯示：第一種結(jié)果是所謂的跡統(tǒng)計量，列在第一個表格中；第二種檢驗結(jié)果是最大特征值統(tǒng)計量，列在第二個表格中。對于每一個檢驗結(jié)果，第一列顯示了在原假設(shè)成立條件下的協(xié)整關(guān)系數(shù)；第二列是矩陣Π按由大到小排序的特征值；第三列是跡檢驗統(tǒng)計量或最大特征值統(tǒng)計量；第四列是在5%的顯著水平下的臨界值；最后一列是根據(jù)Mackinnon-Haug-Michelis(1999)提出的臨界值所得到的P值。六、協(xié)整檢驗?zāi)壳叭豁揬總數(shù)三十七頁\編于二十一點七、向量誤差修正模型（VEC）傳統(tǒng)的經(jīng)濟模型通常表述的是變量之間的一種“長期均衡”關(guān)系，而實際經(jīng)濟數(shù)據(jù)卻是由“非均衡過程”生成的。因此，建模時需要用數(shù)據(jù)的動態(tài)非均衡過程來逼近經(jīng)濟理論的長期均衡過程。Engle和Granger將協(xié)整與誤差修正模型結(jié)合起來，建立了微量誤差修正模型。只要變量之間存在協(xié)整關(guān)系，可以由自回歸分布滯后模型導(dǎo)出誤差修正模型（ECM）。而在VAR模型中的每個方程都是一個自回歸分布滯后模型，因此，可以認(rèn)為VEC模型是含有協(xié)整約束的VAR模型，多應(yīng)用于具有協(xié)整關(guān)系的非平穩(wěn)時間序列建模。目前三十二頁\總數(shù)三十七頁\編于二十一點根據(jù)協(xié)整方程可得到如下表達式這樣得到的每一個方程都是誤差修正模型，ecmt-1='Yt-1是誤差修正項，可以反應(yīng)變量之間的長期均衡關(guān)系。七、向量誤差修正模型（VEC）目前三十三頁\總數(shù)三十七頁\編于二十一點系數(shù)向量可以反映變量間的均衡關(guān)系偏離長期均衡狀態(tài)時，將其調(diào)整到均衡狀態(tài)的調(diào)整速度。所有作為解釋變量差分項的系數(shù)反映了各變量的短期波動對被解釋變量的短期變化的影響。在回歸模型中，統(tǒng)計量不顯著的滯后差分項可以直接剔除。由于VEC模型是含有協(xié)整約束變量構(gòu)建的模型，所以在估計VEC模型前需進行Johan