CH向量自回归模型.ppt

时间序列分析 VAR模型 向量自回归模型VAR 定义 稳定条件 预测 定义：p-阶向量自回归模型（p-阶向量自回归过程） 对一个n维时间序列{ Yt }，t?T，T={1，2，…}来说，如果 其中E(?t)=0 E(?t ?’t )= 并且不同时刻?t相互独立同分布，服从正态分布 则该式为p-阶向量自回归模型，满足该模型的随机过程为p-阶向量自回归过程，记为VAR（p）。这种形式称为标准的VAR模型。 或简化式。 例1 VAR(1) 展开 标准VAR模型的特点 （1）每个分量都是内生变量 （2）每个方程的解释变量都相同，是所有内生变量的滞后变量 （3）Yt 的动态结构由它的p阶滞后就可以刻画出来，p时刻之前的变量对Yt 无影响。 4）回忆联立方程，VAR模型是联立方程的简化形式。并且该联立方程组不包括外生变量。 VAR来源 以货币需求模型为例 根据货币需求理论，货币需求函数是： 但是研究发现残差存在自相关，于是模型变成 VAR模型来源 增加滞后长度，去掉对系数的约束，得到自回归分布滞后模型 再放宽内生变量的约束，所有变量都是内生的 结构VAR模型 例2：结构向量自回归模型 方程中包括同期解释变量 其中 是独立同分布向量白噪声过程 其方差协方差阵为 例2：结构VAR与标准VAR 标准化，或简化式 ?2t=e2t 向量自回归模型稳定条件 把模型用滞后算子的形式写出，特征方程为： 如果特征方程的根在单位圆外，则VAR（p）模型是稳定的。 例3 判断下面的随机过程是否是平稳的 解特征方程，得z1=-4.877，z2=1.961, 所以该模型是稳定的 VAR模型定阶 AIC(Akaike赤池)和SC(Schwarz施瓦兹)准则 AIC(p)=lndet( )+ BIC(p)=lndet( )+ n是向量维数，T样本长度，p滞后长度，ln表示自然对数，det表示对矩阵求行列式， 是当滞后长度为p时，残差向量白噪声协方差阵的估计。 定阶 与单变量模型相同选择滞后长度存在以下缺陷： 1）选择不同的准则具有主观任意性。不同准则会得到不同的滞后长度. 2）实际序列可能不是有限维的随机过程, 但是对平稳时间序列用有限滞后长度的VAR模型来建模可以得到令人满意的结果，但实际上很多时间序列是不平稳的。对于不平稳的时间序列VAR模型不能很好的近似不平稳的所有性质. 3）即使数列为平稳的,如果实际的滞后长度大于Q，那我们就得不到正确的滞后长度。 估计VAR模型 当滞后长度p确定以后，VAR（p）模型的未知参数为 估计方法：每个方程用OLS法估计，可以得到的一致估计量 预测 预测公式 预测－VAR(1) 样本长度为T，对T+1，T+2，…进行预测 预测的均方差阵 VAR(1) Mi=?1i 预测区间 95％置信区间 预测总结 预测有许多前提假设： 假设是平稳过程；假设正态分布；是VAR（1）过程；并且参数是估计的不是已知的。 所以需要检验这些假设是否正确。一个方法是把预测值与实际值比较。 如果预测值都包含在相应的置信区间内。从预测角度不能否认模型的正确性。 时间序列分析 GRANGER因果检验，INNOVATION ACCOUNTING Granger 因果检验 简单说，对服从平稳随机过程的两个变量，变量y2是变量y1的Granger意义上的原因，如果利用y1和y2的过去和现在的所有值预测y1比不用y2的过去和现在的所有值预测，取得y1的预测值更精确，那么存在着从y2到y1的因果关系。 日常生活中的原因包含预测和控制，原因可以控制结果的产生，而Granger 因果只有预测一层含义，不能控制结果 例如：天气预报；现值理论；远期利率 GRANGER因果检验 Granger 因果检验不是检验两者在经济上的因果关系。准确的说是检验变量y2对变量y1是否有预测作用，下面提到因果都是在Granger 意义上使用。 尽管如此，Granger 因果仍然是有用的，通过了Granger 因果检验+其他证据，仍然可以证明经济上因果关系的成立与否。不满足Granger 因果，则一定不存在经济上的因果关系。 GRANGER因果检验 检验Y2是否不是Y1的Granger原因 （1）估计下面的回归方程, 第一个无约束， ?1t=c1+?1?1t-1 +?2?1t-2+…+?p?1t-p +?1?2t-1 +?2?2t-2+…+?p?2t-p +?1t （2）估计下面的回归方程第二个有约束，