向量自回归VAR模型.pptVIP

如果我们能够找到这样的 ，则有 。这样，就可以分析VAR模型中的变量在受到1个单位的 的冲击后的动态路径了，这就是正交IRF。 从上面的分析不难看到，关键是要将相关的扰动项向量分解成不相关的扰动项向量。到目前为止有以下几种常用的分解方法。 1) 三角分解 的冲击对 的影响，就可以通过正交IRF计算，即： 2）乔莱斯基分解 设 表示一个对角矩阵，对角线 位置的元素等于 的标准差。这样，就可以将模型 重新写成： 其中： 。 3) 广义IRF 上文已经介绍过，正交IRF的一个主要问题是其对VAR模型中变量排序比较敏感。为了克服这一问题，Pesaran and Shin (1998)在一篇快讯文章中（Economics Letters）提出了一种新方法，用以构建随机冲击项的一系列正交集。该方法称为广义IRF。这种方法不需要将所有冲击项都正交化，并且不受 VAR模型中变量的排序影响。 4)User Specified IRF 有些软件，如EViews，还为实践者提供了自行设立脉冲响应的选项。你需要在相应的编辑窗口给出用来保存脉冲响应函数的矩阵或者是向量。但是要注意，如果VAR模型有n个内生变量，那么脉冲响应函数的矩阵必须具有n行、1或n列，这样，每一列便对应一个脉冲函数向量。 8.5 VAR模型和方差分解 所谓方差分解，就是指我们希望知道一个冲击要素 的方差能由其他随机扰动项解释多少。通过获得这个信息，我们可以获知每个特定的冲击因素对于 的相对重要性。 未来h期预测所对应的均方差： 未来h期预测对应的均方差的表达式为 因此，第j个正交冲击项对未来h期预测的均方差的贡献为 方差分解的结果有时候对VAR模型中变量的排序很敏感。然而，正如Enders(2004, p.280)所指出的，无论是正交脉冲响应还是方差分解，在研究经济变量之间的互动关系时还是非常有帮助的。特别是，当VAR系统中各个等式中的随机扰动项彼此之间的相关性比较小时，脉冲响应和方差分解受变量排序的影响就非常小了。 在一个极端情况下，VAR系统中的各个扰动项彼此正交，互不相关，那么矩阵 应该是对角矩阵。在这种情况下，依据模型（8.68）可以知道，矩阵A必定是一个单位矩阵，从而 。这时，模型（8.84）中的第j个方差贡献就变成了： 或者写成更简单的形式： 这样，对 未来h期的预测方差归结到 的贡献，或者说归结到 的贡献，即方差分解，可以计算为： 表8-5 VAR模型方差分析结果 * * * * 8.2 VAR模型的估计与相关检验 8.2 VAR模型的估计与相关检验 8.2.1 VAR模型的估计方法 虽然VAR模型系统比一维模型看上去复杂得多，但是用来估计VAR的方法却并不一定很繁难。常见的估计方法包括最大似然估计（Maximum Likelihood Estimator，MLE）和常见的最小二乘估计（OLS）。在特定条件下，MLE与OLS估计获得的系数是完全相同的。 估计方法 （8.45） （2）OLS估计 如果熟悉OLS估计的系数矩阵表达式，很容易看出，模型(8.45)就等于OLS估计的系数矩阵。将 的第j行明确地写出来，则为： （8.46） 可以看出，模型(8.46)对应的正是利用OLS方法， 对 进行回归得到的系数估计值。 8.2.2 VAR模型的设定 1).使用平稳变量还是非平稳变量 Sims, Stock, 和 Watson (1990)提出，非平稳序列仍然可以放在VAR模型中，通过估计结果分析经济、金融含义。 但是，如果利用VAR模型分析实际问题时，使用非平稳序列变量，却会带来统计推断方面的麻烦，因为标准的统计检验和统