实验十一向量自回归模型(VAR模型)分析.ppt

* (三) VAR模型的检验 前面已经提到，VAR模型是缺乏理论依据的。在VAR模型中，很难逐一解释各个变量系数的意义，特别是在很多情况下，解释变量系数会随滞后期数的变化而改变符号，同时模型内部不同方程之间也存在联系，因此很难判断当某个变量发生变化时，其他变量的未来值会有什么样的变化。 为弥补上述VAR模型的缺陷，发挥VAR模型的作用，应用中一般做如下的检验： * 1、对某变量全部滞后项系数的联合检验 在VAR模型中，单个变量系数的意义是很难确认的，但有时我们会对如下的问题感兴趣：即对于模型内的某一方程，某变量的全部滞后值是否对被解释变量有显著的解释作用。 我们可以发现，如果VAR模型仅包含两个方程，这实际上就是因果检验：如果该变量的所有滞后值对被解释变量有显著的解释作用，则就说该变量是被解释变量的“格兰杰原因”，反之则不是。 * 因果检验 因果关系检验主要有两种：格兰杰（Granger）因果检验和希姆斯（Sims）检验 一、格兰杰因果检验 该理论的基本思想是：变量x和y，如果x的变化引起了y的变化，x的变化应当发生在y的变化之前。即如果说“x是引起y变化的原因”，则必须满足两个条件： * 第一，x应该有助于预测y，即在y关于y的过去值的回归中，添加x的过去值作为独立变量应当显著的增加回归的解释能力。 第二，y不应当有助于预测x，其原因是如果x有助于预测y，y也有助于预测x，则很可能存在一个或几个其他的变量，它们既是引起x变化的原因，也是引起y变化的原因。 * 要检验这两个条件是否成立，我们需要检验一个变量对预测另一个变量没有帮助的原假设。首先，检验“x不是引起y变化的原因”的原假设，对下列两个回归模型进行估计： 无假设条件回归： 有假设条件回归： （11.21） （11.22） * 然后用各回归的残差平方和计算F统计值，检验系数β1，β2，…，βm是否同时显著的不为0。如果是这样，我们就拒绝“x不是引起y变化的原因”的原假设。 * 其中F统计值的构成为： （11.23） 其中 和 分别为有限制条件回归和无限制条件回归的残差平方和；N是观察个数；K是无限制条件回归参数个数；q是参数限制个数。该统计量服从F(q, N-K)分布。 * 显然，如果F统计值大于临界值，我们就拒绝原假设，得到x是引起y变化的原因。反之，接受原假设。 接下来，检验“y不是引起x变化的原因”的原假设，做同样的回归估计，但是交换x与y，检验y的滞后项是否显著的不为0。 要得到x是引起y变化的原因的结论，我们必须拒绝原假设“x不是引起y变化的原因”，同时接受原假设“y不是引起x变化的原因”。 * 需要注意的是，格兰杰因果检验的结果对式（11.21）中滞后项数m是非常敏感的，m值不同，得到的结果也有可能不同。为保证结果的正确性，一般来说，最好多试验几个不同的m值，以保证结果不受m选择的影响。还要注意这个因果关系检验的一个不足之处是第三个变量z也可能是引起y变化的原因，而且同时又与x相关。 * 2、脉冲响应 脉冲响应度量的是被解释变量对单位冲击的响应。例如假定某误差项仅在第t期发生突变，而后各期重新恢复平静，脉冲响应测量的是各期（t,t+1,t+2…）的被解释变量对该冲击的反应。 通过测量脉冲响应，我们能够清楚地看到某一时期的冲击对未来各期被解释变量的影响。在实际中，对于拥有多个方程、滞后项数较多的VAR模型，一般采用的是将VAR模型转变为VMA（vector moving average,向量移动平均）模型，并得出脉冲响应函数 。 * 实例——VAR模型在金融数据中的运用 VAR模型的一个经典应用是检验货币政策的有效性。即研究货币供应量与产出、物价水平之间的关系。下面，我们就在Eviews软件中利用VAR模型对我国货币政策的有效性进行检验。 我们的样本取我国1994年第一季度到2004年第二季度的季度数据，变量包括狭义货币供应量M1,商品零售物价指数P,以及代表产出水平的国内生产总值GDP。 所有的数据我们都取它们的增长率，以保证序列的平稳性。 * 图 6-24 VAR模型设定 * 图6-25 VAR模型估计结果 * 图6-26 VAR脉冲响应设定 * * * * 实验十一 协整与向量自回归模型 * 协整 0、问题的提出 经典回归模型（classical regression model）是建立在稳定数据变量基础上的，对于非稳定变量，不能使用经典回归模型，否则会出现虚假回归等诸多问题。 由于许多经济变量是非稳定的，这就给经典的回归分析方法带来了很大限制。 但是，如果变量之间有着长期的稳定关系，即它们之间是协整的（cointegration)，则是可以使用经典回归模型方法建