向量自回归.pptVIP

故： i ,j = 1 , 2,…,k 如果 大时，意味着第j个变量对第i个变量的影响大，相反地， 小时，可以认为第j个变量对第i个变量的影响小。 § 4.2 如何由EViews计算方差分解 为了得到VAR的方差分解，从VAR的工具栏中选View/Variance decompo- sition项。提供和上面的脉冲响应函数一样的信息。注意，因为非正交的因子分解所产生的分解不具有较好的性质，所以所选的因子分解仅限于正交的因子分解。 Table形式分别显示对每个内生变量的方差分解。与脉冲响应函数一样，如果改变VAR中变量的顺序，基于Cholesky 因子的方差分解能有明显的改变。例如：在VAR次序排列中的第一个变量的第一期分解完全依赖于它自己的扰动项。 第二列S.E.是每个预测水平上的变量的预测误差。出现这种预测误差的原因是：VAR中的各个内生变量的扰动项的现在值和将来值的变化。其余列显示了每个变量扰动项所引起的预测方差所占的百分数，每行加起来是100。 我们考虑例1中机械行业 (y1)、家电行业 (y2) 、建材行业 (y3) 、汽车行业(y4) ，各下游行业需求冲击对钢材需求(y5)的方差贡献率，其经济意义为： 较大时，意味着第 j 个行业需求冲击对钢材需求的影响大； 相反地， 较小时，可以认为第 j 个行业需求冲击对钢材需求的影响小。 下面分别给出各下游行业销售收入的变化对钢材销售收入的方差分解图。图中横轴表示滞后期间数（单位：月度），纵轴表示该行业需求对钢材需求的贡献率（单位：百分数）。 向量自回归 联立方程组的结构性方法是用经济理论来建立变量之间关系的模型。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。并且，内生变量既可以出现在等式的左端又可以出现在等式的右端使得估计和推断更加复杂。 为解决这些问题产生了一种用非结构性方法来建立各个变量之间关系的模型，就是这一章所讲述的向量自回归模型（Vector Auto regression, VAR）以及向量误差修正模型（Vector Error Correction, VEC）的估计与分析。同时也给出一些检验几个非稳定变量之间协整关系的工具。 §1 向量自回归理论 向量自回归（VAR）常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响。 VAR方法通过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，从而回避了结构化模型的需要。一个VAR(p) 模型的数学形式是： (1) 这里 yt 是一个k 维的内生变量，xt 是一个 d 维的外生变量。A1,… ,Ap 和B是待估计的系数矩阵。?t 是扰动向量，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等式右边的变量相关。 VAR模型的矩阵表示 一个例子，假设工业产量（IP）和货币供应量（M1）联合地由一个双变量的VAR模型决定，并且让常数为唯一的外生变量。内生变量滞后二阶的VAR(2)模型是： 2) 其中，aij , bij , ci 是待估计的参数。也可表示成： §2 估计VAR模型及估计输出 §2.1 建立VAR模型 为了详细说明一个向量自回归模型，必须创建一个VAR对象，选择Quick/Estimate VAR…或者选择Objects/New object/VAR或者在命令窗口中键入VAR。下面的对话框便会出现： 在对话框内添入适当的信息。 1. 选择说明类型 选择无约束向量自回归（ Unrestricted VAR ）或者向量误差修正（ Vector Error Correction ）。前面例子中的VAR是无约束VAR，会在下面详细解释VEC 模型。 2. 设置样本区间 3. 设置变量 在相应的编辑栏中输入适当的内生及外