SVAR模型制作过程.pptxVIP

设置月度数据 MONTHLYstart date：2008M01end date 2018M08 一，数据的季节调整（利用 x-12 进行季节性调整） 由于在建模时所选取的是宏观经济的月度数据，而月度数据容易受到季节因素的影 响，从而掩盖经济运行的客观规律，因此我们采用 Census X13（功能时最强大的） 调整方法对各个变量数据进行季节性调整。分别记做 CPI’、FOOD’、HOUSE’、M2’、 VMI’。 时间序列按照时间次序排列的随机变量序列，任何时间序列经过合理的函数变 换后都可以被认为由几个部分叠加而成。三个部分：趋势部分（T），季节部分（S） 和随机噪声部分（I）。常见的时间序列都是等间隔排列的。 时间序列调整各部分构成的基本模型 Xt= Tt++ Tt+ It 对任何时刻有，E（It）=0，Var（It）=σ2 加法模型 Xt= Tt *Tt* It 对任何时刻有，E（It）=1，Var（It）=σ2 加法模型;第二步： 用 Eviews 软件进行季节调整的操作步骤： 1， 准备一个用于调整的时间序列（GDP）（注意：序列需同口径（当月或当季）、 不变价、足够长） 2， 在 Eviews 中建立工作文件，导入序列数据 3， 序列图形分析 观察序列中的是否有季节性 是否有离群值或问题值 序列的趋势变动（是加法还是乘法模型）（加法模型主要适用于呈线性 增长的数据序列，或者是围绕某一个中指波动的数据序列，如 pmi 数 据序列）（乘法模型主要适用于呈指数级数增长的序列，如 GDP、工业 增加值，投资数据的名义值、实际值及物价的指数序列等。）（对数加 法模型主要适用于同比增速呈线性增长的数据序列，如 GDP、工业、 投资及 cpi 的同比增速数据；伪加法模型则主要是对某些非负时间序列 进行季节调整，他们具有这样的性质：在每一年中的相同月份出现接 近与 0 的正值，在这些月份含有接近于 0 的季节因子，受这些小因子 的影响，季节调整结果将出现偏差。在一年的特定时期，农产品产量 就是这样的数据序列） Cpi，vmi 为对数加法模型， 必要时还要分析谱图和自相关、偏相关图 4， 季节调整参数设定 （1） 季节调整选择项（模型分解方法、季节虑子、调整后的序列变量名） a．勾选 x11 method 中的 multiplicative，seasonal filter 中的 auto x12 default b．Component series to save 选择 final seasonal factor（_SF）Trend Filter 选择 Auto （X12 fefat）;3;4;2， 的稳定性检验（AR 根小于 1，在单位圆内才能满足脉冲分析及方差分解 所需条件）。 VIEWSlag structureAR ROOTS TABLE/ GRAPH 3,Granger 检验 VIEWSlag structurePairwise Granger Causality Tests;进一步表明可以利用同期的影响来构建SVAR 模型。 (5)在已构建的 VAR 模型上构建 SVAR 模型 第一步：实施约束 识别条件为 k（k-1）/2 个，识别约束条件可以是短期约束条件，也可以长期约束条 件。 短期约束意味着脉冲响应函数随着时间的变化将会消失，（对 D0 进行影响） 而长期约束意味着对响应变量未来的值有一个长期的影响。（更像是累计影响如;7;Svar OPTIONS 的对话框中，击中MATRIX 按钮和 short-run pattern ，并在相应 的编辑框中填入模板矩阵的名字。;9