经济计量模型分析及预测.pptVIP

四、VAR（13）：脉冲相应分析 脉冲相应函数用于衡量来自随机扰动项（新息innovation）的一个标准差冲击对内生变量当前和未来取值的影响。 例如下面的两变量VAR(1)模型中，如果 发生变化，不仅当前的X值立即改变，还会通过当前的X值影响到变量X和Y今后的取值。脉冲相应函数试图描述这些影响的轨迹，显示任意一个变量的扰动如何通过模型影响所有其它变量，最终又反馈到自身的过程。 改变VAR模型中的方程顺序可能会导致脉冲相应的很大不同。 四、VAR（14）：脉冲相应分析 还是基于前面的例子进行分析 第一步：在工作文件窗口打开已保存的VAR对象 第二步：在新出现窗口工具栏中选择impulse按钮，出现脉冲相应函数定义对话框，如右下图。 第三步，选择display和impulse definition中的选项。 Display format是选择结果的显示模式：表table，显示相应函数的系数值；组图multiple graph，表示绘制每个脉冲相应函数图；合成图combined graph，表示将来自同一信息的脉冲相应函数图合并显示。 Response standard errors是脉冲相应标准误的选项。 Display information是显示信息的设置。包括输入产生冲击的变量（impulses）和希望观察其脉冲相应的变量（responses）。 Periods要求用户定义相应函数的追踪期数。 四、VAR（15）：脉冲相应分析 Impulse definition下的选项 Residual-one unit：设置脉冲为残差的一个单位的冲击。这个选项忽略了VAR模型残差的单位度量和相关性，所以不需要转换矩阵的选择 Residual-one std. Dev：设置脉冲为残差的一个标准误差的冲击。这个选项忽略了VAR模型残差的相关性。 Cholesky：用残差协方差矩阵的cholesky因子的逆来正交化脉冲。这个选项为VAR模型的变量强加一个次序，并将所有影响变量的公共因素归结到在VAR模型中第一次出现的变量上。因此，如果改变变量的次序，将会明显地改变相应结果。可在cholesky ordering中重新定义变量的次序。Dof adjusted表示进行了小样本的自由度修正；no dof adjusted表示没有修正 四、VAR（16）：脉冲相应分析 相应分析结果见右图： 每个图表示某一个变量对来自不同标准差信息的相应。 四、VAR（17）：方差分解 考虑VAR模型时，可以采用方差分解法研究模型的动态特征。其主要思想是，把系统中每个内生变量（共m个）的波动（k步预测均方误差）按其成因分解为与各方程新息相关联的m个组成部分，从而了解各新息对模型内生变量的相对重要性。 举例：对所建立的VAR模型进行方差分解分析 四、VAR（18）：方差分解 表格输出结果 第一列是预测期 第二列是各期预测标准误 后三列均为百分数，分别表示以DL_C、DL_I、DL_IAV为因变量的方程新息对各期预测误差的贡献度，每行结果相加是100。 结果分析：来自第三个方程新息的影响逐渐在增大。 四、VAR（19）：方差分解 合成图输出结果 * 二、ARMA模型（27）：实例一 以出口ex为例 (1,1)的模型估计结果见右图。这里参数t检验显著性水平的要求并不像回归方程中那么严格，更多的是考虑模型的整体拟合效果。调整后的决定系数、AIC和SC准则都是选择模型的重要标准。另外，表中最下方给出的是滞后多项式的倒数根，只有这些值在单位圆内时，过程才是平稳的。从右图中可以发现该过程并不平稳。 二、ARMA模型（28）：实例一 (2,1)的模型估计结果 见右图。发现该过程 也不平稳。 二、ARMA模型（29）：实例二 以序列x为例。见右图， 可见序列平稳，没有季 节性。(p,q)的组合应该 为(3,1)或(4,0)。 二、ARMA模型（30）：实例二 (p,q)为(3,1)的模型估计 见结果右图。可见模型 满足ARMA过程的可逆 条件。另外还要进行残 差序列的白噪声检验。 二、ARMA模型（31）：实例二 白噪声检验方法：在方程输出窗口菜单操作，如下图。其中最大滞后期m的选取 方法如下：若观测量多，则m可取[n/10]；若观测量较小，则m一般取[n/4]。 对于我们考虑的这个序列，m＝【104、10】=10。对应的相伴概率为0.385。因 此，残差序列相互独立，检验通过。 二、ARMA模型（32）：实例二 预测：注意预测序列的命名和预测区间的修改。 预测结果显示如下：左下图是forecast graph；右下图是forecast evaluate 注意sample的修改 二、ARMA模型（33）：实例二 而对比预测值和真实值 二、ARMA模型（34）：实例二