5.4格兰杰因果关系检验讲义.pptVIP

§5.4 格兰杰因果关系检验 一、时间序列自回归模型 二、时间序列向量自回归模型 三、格兰杰因果关系检验 一、时间序列自回归模型 随机时间序列模型 两类时间序列模型 时间序列结构模型：通过协整分析，建立反映不同时间序列之间结构关系的模型，揭示了不同时间序列在每个时点上都存在的结构关系。 随机时间序列模型：揭示时间序列不同时点观测值之间的关系，也称为无条件预测模型。 随机性时间序列模型包括：AR(p)、MA(q)、ARMA(p,q)。 随机性时间序列模型并不属于现代计量经济学。 随机时间序列模型的适用性 用于无条件预测 结构模型用于预测的条件：建立正确的结构模型，给定外生变量的预测值。 无条件预测模型的优点。 结构模型的简化形式 结构模型经常可以通过约化和简化，变换为随机时间序列模型。 时间序列自回归模型 自回归模型是指仅用它的过去值及随机扰动项所建立起来的模型。其一般形式为 1阶自回归模型AR(1) 模型取线性形式 时序变量取1阶滞后期 随机扰动项为白噪声 p阶自回归模型AR(p) 模型取线性形式 时序变量取p阶滞后期 随机扰动项为白噪声 自回归移动平均模型ARMA(p,q) 模型取线性形式 时序变量取p阶滞后期 随机扰动项为一个q阶的移动平均过程 AR(p)模型的平稳性条件 随机时间序列模型的平稳性，可通过它所生成的随机时间序列的平稳性来判断。 如果一个p阶自回归模型AR(p)生成的时间序列是平稳的，就说该AR(p)模型是平稳的； 否则，就说该AR(p)模型是非平稳的。 考虑p阶自回归模型AR(p) 容易得到如下平稳性条件 自回归模型的识别和估计 对于一个平稳的随机时间序列，如何识别它是否遵循一纯AR过程，所使用的工具主要是时间序列的自相关函数（autocorrelation function，ACF）及偏自相关函数（partial autocorrelation function，PACF）。 如果经识别为一纯AR过程，可以采用普通最小二乘等方法估计其参数。 二、时间序列向量自回归模型 向量自回归模型 将单个时间序列自回归模型扩展到多个时间序列，即构成向量自回归模型（ Vector Auto-Regression，VAR） 。 VAR模型的估计 每个方程可看作独立的方程，常用的OLS法可用于逐一估计每个方程。 模型最优滞后阶数的确定 一方面想使滞后阶数足够大，以便能充分的利用所构造模型的变量信息。 另一方面，滞后阶数不能过大，因为滞后阶数越大需要估计的参数也就越多，模型的自由度就减少，而通常数据有限，可能不足于估计模型。 常用准则：LR统计量、AIC 、SC VAR的发展 发生于20世纪70年代，以卢卡斯（E.Lucas）、萨金特（J.Sargent）、西姆斯（A.Sims）等为代表的对经典计量经济学的批判，其后果之一是导致计量经济学模型由经济理论导向转向数据关系导向。 西姆斯（1980）等人将VAR模型引入宏观经济分析中，使之成为现代时间序列分析的主要模型之一。 VAR的发展 在经济预测领域，特别是宏观经济预测领域，经典的计量经济学结构模型（包括联立方程结构模型）几乎为向量自回归模型所替代。 原因在于经典的计量经济学结构模型是以理论为导向而构建的，特别是凯恩斯宏观经济理论，而经济理论并不能为现实的经济活动中变量之间的关系提供严格的解释。 VAR模型是一种非结构化模型。 主要通过实际经济数据而非经济理论来确定经济系统的动态结构； 在建模过程中只需明确两个量。一是所含变量个数k，即需要把哪些变量包括在VAR模型中；一是自回归的最大滞后阶数p，使模型能反映出变量间相互影响的关系并使得模型的随机误差项是白噪声。 不存在识别问题和内生解释变量问题，每个方程可看作独立的方程进行估计。 VAR模型应用上的局限性 首先，VAR类模型主要应用于经济预测，对于经济结构分析和政策评价等应用领域，它的应用存在方法论障碍； 其次，即使在经济预测方面，它的应用也是有条件的。关键在于宏观经济运行中是否存在结构约束。 应用VAR模型，更多地是将它作为一个动态平衡系统，分析该系统受到某种冲击时系统中各个变量的动态变化，以及每一个冲击对内生变量变化的贡献度，即脉冲响应分析和方差分解分析。 结构向量自回归模型 （Structural Vector Auto-Regression，SVAR） 西姆斯（1986）以及布兰查德（Q.J.Blanchard）和匡赫（D.Quah）（1989） 变量之间的当期关系揭示了变量之间的相互影响，实际上是对VAR模型施加了基于经济理论的限制性条件，从而识别变量之间的结构关系。 经典联立方程模型的识别理论和估计理论完全适用于SVAR模型中每个方程。 3、例题演示 检验1981~2