《金融计量学（第二版）》Lecture 9向量自回归（VAR）模型01.pptVIP

关于VMA ，以下几点需要注意: 第一，因为矩阵F是由VAR模型中的系数组成的，所以， 是这些系数的非线性函数。 第二，在VMA模型中，方程右侧只有向量白噪音过程（和均值 ）出现。这可以理解为，当滞后项 经过反复迭代之后都从VAR(p)中被替换掉了。 9.2 VAR模型的估计与相关检验 9.2 VAR模型的估计与相关检验 9.2.1 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 （9.45） （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(9.45)就等于OLS估计的系数矩阵。将 的第j行明确地写出来，则为： （9.46） 可以看出，模型(9.46)对应的正是利用OLS方法， 对 进行回归得到的系数估计值。 9.2.2 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。 * * 金融计量学 * 第9章 向量自回归(VAR)模型 9.1 向量自回归模型介绍 9.2 VAR模型的估计与相关检验 9.3 格兰杰因果关系 9.4 向量自回归模型与脉冲相应分析 9.5 VAR模型与方差分解 9.1 向量自回归模型介绍 9.1.1 VAR模型的基本概念 9.1.2 VAR模型的平稳性条件 为了深入地理解VAR模型的平稳性条件，为了考虑含有2个变量的简单VAR（1）模型： 在上面给出的例子中，很明显第一个等式的自回归系数是1( )，但是整个VAR(1)系统是平稳的！所以，整个VAR模型系统的平稳与否，千万不能单凭某一个等式中的自回归系数判断，而是要考虑整个系统的平稳性条件。这是因为，在只考虑单个等式中的某个自回归系数时，却忽略了 和 之间的互动关系，整个VAR模型是一个互动的动态系统！ 9.1.3 VAR(p)模型与VAR(1)的转化 9.1.4 向量自协方差和向量自相关函数 用自协方差除以方差矩阵对应的对角线元素，就可以获得向量自相关函数VACF。 9.1.5 VAR模型与VMA模型的转化 VMA过程，就是用向量形式表示的移动平均过程，在这样的移动平均过程中，随机扰动项以向量白噪音的形式出现。所以，一个VMA(q)过程的定义为： 其中， 表示常数向量， 表示系数矩阵， 仍然表示向量白噪音。  1）VAR(1)模型的转化 2）VAR(p) 模型的转化 * *