向量自回归模型的方差分解分析.docxVIP

向量自回归模型的方差分解分析

一、引言：从“变量联动”到“贡献度量化”的分析跨越

在宏观经济政策制定会议室里，我曾目睹这样的场景：几位经济学家围着一份季度数据报告争论不休——有人认为消费增长放缓是当前GDP下行的主因，有人坚持是投资波动在主导，还有人提出外部贸易冲击的影响不可忽视。类似的场景在金融机构的策略研讨会上更常见：基金经理们盯着股价波动图，争论究竟是市场情绪、资金面还是公司基本面在驱动某只股票的涨跌。这些争论的核心，本质上是在追问“不同变量对目标变量波动的贡献度有多大”。

向量自回归模型（VectorAutoregression,VAR）的出现，为这类问题提供了系统化的分析工具。而在VAR模型的“工具箱”里，方差分解（VarianceDecomposition）堪称最直观的“贡献度测量仪”。它不像脉冲响应函数（ImpulseResponseFunction）那样侧重“冲击的动态路径”，而是直接回答“某个变量的波动中，有多少比例来自自身冲击，又有多少比例来自其他变量的冲击”。这种从“描述影响”到“量化贡献”的跨越，让方差分解在实证分析中扮演着不可替代的角色。

二、理解VAR模型：方差分解的“土壤”

要真正掌握方差分解，必须先理解其“生长”的基础——VAR模型。这就像要读懂一幅画，得先了解画布的材质和底色。

2.1VAR模型的基本设定：多变量的“自说自话”与“互相影响”

VAR模型的核心思想是“用所有变量的滞后值来解释当前值”。假设我们有k个变量组成的向量(Y_t=(y_{1t},y_{2t},…,y_{kt})’)，则p阶VAR模型（VAR(p)）的数学表达式为：

(Y_t=c+1Y{t-1}+2Y{t-2}+…+pY{t-p}+_t)

这里的(c)是常数项向量，(_i)是k×k的系数矩阵，(_t)是误差项向量（通常假设为白噪声，协方差矩阵为()）。这个看似简单的公式，实则蕴含了多变量系统的动态关系：每个变量的当前值不仅取决于自身的历史，还取决于其他变量的历史。比如在包含GDP、利率、通胀率的VAR模型中，当前GDP不仅受过去GDP的影响，还受过去利率和通胀率的影响。

2.2VAR模型的估计与稳定性：方差分解的前提条件

我在刚接触VAR模型时犯过一个低级错误：直接用普通最小二乘法（OLS）估计完系数，就急着做方差分解，结果被导师反问“模型稳定吗？”。后来才明白，VAR模型的稳定性是后续分析的重要前提。稳定性可以通过特征根检验来判断——所有特征根的模都小于1时，模型才是稳定的。这就像建房子，地基不稳的话，再漂亮的装修都是徒劳。

此外，滞后期p的选择也至关重要。滞后期太短，可能遗漏重要的滞后影响；太长，又会消耗过多自由度，降低估计效率。实际操作中，常用AIC、BIC等信息准则来确定最优滞后期。我曾在分析某行业指数与宏观变量的关系时，一开始随意选了3期滞后，结果方差分解显示“行业指数自身贡献度”异常低，后来通过BIC准则调整为5期滞后，结果才更符合经济直觉。

三、方差分解的原理：从“冲击”到“贡献”的数学之旅

理解了VAR模型的框架，我们可以沿着“冲击→响应→分解”的逻辑链，揭开方差分解的神秘面纱。

3.1预测误差方差：方差分解的“测量对象”

方差分解的核心是“预测误差方差”。假设我们要用VAR模型预测(Y_t)在未来h期的值(Y_{t+h})，预测误差可以表示为各期冲击的线性组合。例如，1期预测误差就是当期的冲击(_t)；2期预测误差则是(_t+1{t+1})（其中(_1)是移动平均系数矩阵）。随着预测期数h增加，误差的方差会逐渐稳定，此时方差分解关注的是：这个稳定的方差中，各个变量冲击的贡献比例是多少？

用更直白的话说，假设我们要预测下个月的GDP增速，预测结果和实际值之间的差异（误差）可能来自本月的GDP自身冲击、利率冲击、通胀率冲击等。方差分解就是要算出，这些不同来源的冲击对总误差方差的“贡献率”。

3.2正交化处理：解决冲击的“重叠干扰”

这里有个关键问题：VAR模型的误差项(_t)可能存在同期相关性（即()不是对角矩阵）。如果两个变量的冲击在同一时期相关，那么它们对预测误差的贡献会重叠，无法直接分解。这就像两个手电筒同时照射一个物体，影子重叠时很难区分哪个光源的贡献更大。

为解决这个问题，常用的方法是对误差项进行正交化处理。最经典的是Cholesky分解，通过构造一个下三角矩阵P，使得(=PP’)。这样，新的冲击向量(u_t=P^{-1}_t)就是正交的（协方差矩阵为单位矩阵）。正交化后的冲击可以视为“独立的冲击源”，从而能够分解各自的贡献。

当然，Cholesky分解的结果依赖于变量的排