向量自回归模型讲义
第8章V AR模型与协整
1980年Sims提出向量自回归模型(vector autoregressive model)。这种模型采用多方程联立的形式,它不以经济理论为基础,在模型的每一个方程中,内生变量对模型的全部内生变量的滞后值进行回归,从而估计全部内生变量的动态关系。
8.1向量自回归(V AR)模型定义
8.1.1 模型定义
V AR模型是自回归模型的联立形式,所以称向量自回归模型。假设y1t,y2t之间存在关系,如果分别建立两个自回归模型
y1, t= f (y1, t-1, y1, t-2, …)
y2, t= f (y2, t-1, y2, t-2, …)
则无法捕捉两个变量之间的关系。如果采用联立的形式,就可以建立起两个变量之间的关系。V AR模型的结构与两个参数有关。一个是所含变量个数N,一个是最大滞后阶数k。
以两个变量y1t,y2t滞后1期的V AR模型为例,
y 1, t = c 1 + π11.1 y 1, t -1 + π12.1 y 2, t -1 + u 1 t y 2, t = c 2 + π21.1 y 1, t -1 + π22.1 y 2, t -1 + u 2 t (8.1)
其中u 1 t , u 2 t ~ IID (0, σ 2), Cov(u 1 t , u 2 t ) = 0。写成矩阵形式是, ??????t t y y 21=12c c ??????+??????1.221
.211.121.11ππππ??????--1,21,1t t y y +??
?
???t t u u 21 (8.2)
设,
Y t =??????t t y y 21, c =12c c ??????
, ∏1 =??????1.221.211.121.11ππππ, u t =???
???t t u u 21,
则, Y t = c + ∏1 Y t -1 + u t (8.3)
那么,含有N 个变量滞后k 期的V AR 模型表示如下:
Y t = c + ∏1 Y t -1 + ∏2 Y t -2 + … + ∏k Y t -k + u t ,
u t ~ IID (0, Ω) (8.4)
其中,
Y t = (y 1, t y 2, t … y N , t )'
c = (c 1 c 2 … c N )' ∏j =
????
??
????????j NN j
N j
N j N j
j j N j
j ..2.1.2.22.21.1.12.11πππππππππΛ
M O M
M ΛΛ, j = 1, 2, …, k
u t = (u 1 t u 2,t … u N t )',
Y t为N?1阶时间序列列向量。C为N?1阶常数项列向量。∏1, … , ∏k均为N?N阶参数矩阵,u t~ IID (0, Ω) 是N?1阶随机误差列向量,其中每一个元素都是非自相关的,但这些元素,即不同方程对应的随机误差项之间可能存在相关。
因V AR模型中每个方程的右侧只含有内生变量的滞后项,他们与u t是渐近不相关的,所以可以用OLS法依次估计每一个方程,得到的参数估计量都具有一致性。
估计V AR的EViews 4.1操作:
打开工作文件,点击Quick键, 选Estimate V AR功能。作相应选项后,即可得到V AR的表格式输出方式。在VAR模型估计结果窗口点击View 选representation功能可得到V AR 的代数式输出结果。
8.1.2 V AR模型的特点是:
(1)不以严格的经济理论为依据。在建模过程中只需明确两件事:①共有哪些变量是相互有关系的,把有关系的变量包括在V AR模型中;②确定滞后期k。使模型能反映出变量间
相互影响的绝大部分。
(2)V AR模型对参数不施加零约束。(对无显着性的参数估计值并不从模型中剔除,不分析回归参数的经济意义。)
(3)V AR模型的解释变量中不包括任何当期变量,所有与联立方程模型有关的问题在V AR模型中都不存在(主要是参数估计量的非一致性问题)。
(4)V AR模型的另一个特点是有相当多的参数需要估计。比如一个V AR模型含有三个变量,最大滞后期k = 3,则有k N2 = 3 32 = 27个参数需要估计。当样本容量较小时,多数参数的估计量误差较大。
(5)无约束V AR模型的应用之一是预测。由于在V AR模型中每个方程的右侧都不含有当期变量,这种模型用于样本外一期预测的优点是不必对解释变量在预测期内的取值做任何预测。
(6)用V AR模型做样本外近期预测非常准确。做样本外长期预测时,则只能预测出变动的趋势,而对短期波动预测不理想。
西姆斯(Sims)认为V AR模型中的全部变
量都是内生变量。近年来也有学者认为具有单向因果关系的变量,也可以作为外生变量加入V AR模型。
附录:(file:B8c1)
VAR模型静态预测的EViews操作:点击Procs选Make Model功能。点击Solve。在出现的对话框的Solution option(求解选择)中选择Static solution(静态解)。
VAR模型动态预测的EViews操作:点击Procs选Make Model功能(工作文件中如果已经有Model,则直接双击Model)。点击Solve。在出现的对话框的Solution option(求解选择)中选择Dynamic solution(静态解)。
注意:Model窗口中的第一行,“ASSIGN @ALL F”表示模拟结果保存在原序列名后加F 的新序列中,以免原序列中的数据被覆盖掉。
静态预测的效果非常好。动态预测的表现是前若干期预测值很接近真值,以后则只能准确预测变化的总趋势,而对动态的变化特征预测效果较差。综上所述,用V AR做样本外动态预测1,2期则预测效果肯定是非常好的。
8.2V AR模型稳定的条件
V AR模型稳定的充分与必要条件是∏1(见(8.3) 式)的所有特征值都要在单位圆以内(在以横轴为实数轴,纵轴为虚数轴的坐标体系中,以原点为圆心,半径为1的圆称为单位圆),或特征值的模都要小于1。
1.先回顾单方程情形。以AR(2)过程
y t = φ1 y t-1 + φ2 y t-2 +u t(8.11)
为例。改写为
(1- φ1 L - φ2 L2) y t = Φ(L) y t =u t(8.12)
y t稳定的条件是Φ(L) = 0 的根必须在单位圆以外。
2.对于V AR模型,也用特征方程判别稳定性。以(8.3) 式,Y t = c + ∏1 Y t-1 + u t,为例,改写为
(I - ∏1 L) Y t = c + u t(8.13)
保持V AR模型稳定的条件是| I - ∏1L | = 0的根都在单位圆以外。| I–∏1L| = 0在此称作相反的特征方程(reverse characteristic function)。(第2章称特征方程)
例8.1 以二变量(N = 2),k = 1的V AR 模型
??????t t y y 21=??
????8/54/12/18/5??????--1,21,1t t y y +??
?
???t t u u 21 (8.14)
其中∏1 =??
?
???8/54/12/18/5为例分析稳定性。相反的特征方程是 | I - ∏1L | =
??
?
???-??????L L L L )8/5()4/1()2/1()8/5(1001=
= (1- (5/8) L )2 - 1/8 L 2
= (1-0.978 L ) (1-0.27 L ) = 0 (8.15)
求解得
L 1 = 1/0.978 = 1.022, L 2 = 1/0.27 = 3.690 因为L 1,L 2都大于1,所以对应的V AR 模型
是稳定的。
3.V AR 模型稳定的另一种判别条件是,特征方程 | ∏1 - λ I | = 0的根都在单位圆以内。特征方程 | ∏1 - λ I | = 0的根就是∏1的特征值。 例8.2 仍以V AR 模型(8.14) 为例,特征方程表达如下:
| ∏1 - λ I | = ??
????-??????λλ008/54/12/18/5=
??
????--λλ
8/54/12/18/5= 0
即
(5/8 - λ)2– 1/8 = (5/8 - λ)2–2)8/1(
= (0.978 - λ) (0.271 - λ) = 0 (8.16)
得λ1 = 0.9786, λ2 = 0.2714。λ1,λ2是特征方程| ∏1 - λI | = 0的根,是参数矩阵∏1的特征值。因为λ1 = 0.978, λ2 = 0.271,都小于1,该V AR 模型是稳定的。
注意:
(1)因为L1=1/0.978 =1/λ1, L2 =1/0.27=1/λ2,所以特征方程与相反的特征方程的根互为倒数,L = 1/λ。
(2)在单方程模型中,通常用相反的特征方程Φ(L) = 0的根描述模型的稳定性,即单变量过程稳定的条件是(相反的)特征方程Φ(L) = 0的根都要在单位圆以外;而在V AR模型中通常用特征方程| ∏1 - λI| = 0的根描述模型的稳定性。V AR模型稳定的条件是,特征方程| ∏1 - λI | = 0的根都要在单位圆以内,或相反的特征方程| I–L ∏1| = 0的根都要在单位圆以外。
4.对于k>1的k阶V AR模型可以通过友矩阵变换(companion form),改写成1阶分块矩阵的V AR模型形式。然后利用其特征方程
的根判别稳定性。具体变换过程如下。 给出k 阶V AR 模型,
Y t = c + ∏1 Y t -1 + ∏2 Y t -2 + … + ∏k Y t-k + u t
(8.17)
再配上如下等式, Y t -1 = Y t -1 Y t -2 = Y t -2 …
Y t -k +1 = Y t - k +1
把以上k 个等式写成分块矩阵形式,
1
121?+---????????????????NK k t t t t Y Y Y Y M =
1
NK ???
??????????????c M 000+
NK NK k k ?-????????????????000
000000I
I I ΠΠΠΠΛΛΛO ΛΛΛΛΛ12
1
1
321?----????????
????????NK k t t t t Y Y Y Y M +
1
?????????
????????NK t 000M u
(8.18)
其中每一个元素都表示一个向量或矩阵。令
Y t = (Y t -1 Y t -2 … Y t-k +1) 'NK ?1 C = (c 0 0 … 0) 'NK ?1 A =
NK
NK k k ?-????????????????00
000000I
I I ΠΠΠΠΛ
ΛΛO ΛΛΛΛΛ12
1
U t = (u t 0 0 … 0) ' NK ?1
上式可写为
Y t = C + A Y t -1 + U t (8.19)
注意,用友矩阵变换的矩阵(向量)用正黑体字母表示。k 阶V AR 模型用友矩阵表示成了1阶分块矩阵的V AR 模型。 例如,2变量2阶V AR 模型的友矩阵变换形式是
??
????-1t t Y Y =0c ??????
+??????0I
21
∏∏??
?
???--2
1t t Y Y +???
???0t
u (8.20) 其中等式的每一个元素(项)都表示一个4?1
阶向量或4?4阶矩阵。 例如,2变量3阶V AR 模型的友矩阵变换形式是
????
??????--21t t t Y Y Y =00c ??
????????
+
????
??????00
00
ΙΙ321
∏∏∏????
??????---321t t t Y Y Y +
????
?
?????00t u (8.21)
其中等式的每一个元素(项)都表示一个6?1
阶向量或6?6阶矩阵。
V AR 模型的稳定性要求A 的全部特征值,即特征方程 | A - λ I | = 0的全部根必须在单位圆以内或者相反的特征方程 | I - L A | = 0的全部根必须在单位圆以外。
注意:特征方程中的A 是Nk ?Nk 阶的。特征方程中的I 也是Nk ?Nk 阶的。
以2阶V AR 模型的友矩阵变换为例,
| I - A L | =
L
??
?
??
?-??????000I I I 21∏∏=
I
I I L L
L ---21∏∏
= | I - ∏1 L - ∏2 L 2 | = 0 (8.22)
的全部根必须在单位圆以外。
以3阶V AR 模型的友矩阵变换为例,
| I - A L | =
L
????
?
?????-??????????00
00000000Ι
ΙI I I 32
1∏∏∏
=
I
I I I I L L L
L L -----00321∏∏∏
= | I - ∏1 L - ∏2 L 2 - ∏3 L 3 | = 0 (8.23)
的全部根必须在单位圆以外。
因此,对于k 阶V AR 模型的友矩阵变换
形式,特征方程是,
| I - ∏1 L - ∏2 L 2 - … - ∏k L k | = 0 (8.24)
附录:
求VAR 模型特征根的EViews 4.1操作:在VAR 模型估计结果窗口点击View 选 Lag
Structrure, AR Roots Table 功能,即可得到VAR模型的全部特征根。若选Lag Structrure, AR Roots Graph 功能,即可得到单位圆曲线以及VAR模型全部特征根的位置图。
Inverse Roots of AR Characteristic Polynomial
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-1.5-1.0-0.50.00.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-1.5-1.0-0.50.00.5 1.0 1.5
8.3 V AR模型的稳定性(stability)特征现在讨论V AR模型的稳定性特征。稳定性是指当把一个脉动冲击施加在V AR模型中某一个方程的新息(innovation)过程上时,随着时间的推移,这个冲击会逐渐地消失。如果是不消失,则系统是不稳定的。
下面分析一阶V AR模型
Y t = c + ∏1 Y t -1 + u t (8.29)
为例。当t = 1时,有
Y 1 = c + ∏1 Y 0 + u 1 (8.30)
当t = 2时,采用迭代方式计算,
Y 2 = c + ∏1 Y 1 + u 2 = c + ∏1 (c + ∏1 Y 0 + u 1) + u 2 = (I + ∏1) c + ∏12 Y 0 + ∏1 u 1 + u 2 (8.31) 当t = 3时,进一步迭代, Y 3 = c + ∏1 Y 2 + u 3
= c + ∏1 [(I + ∏1) c + ∏12 Y 0 + ∏1 u 1 + u 2] + u 3 = (I +∏1 +∏12) c +∏13 Y 0 +∏12 u 1 +∏1 u 2 +u 3 (8.32)
… …
对于t 期,按上述形式推导
Y t =(I +∏1 +∏12
+…+∏1t -1
)c +∏1t
Y 0+∑-=1
1t i i
Πu t -i
(8.33)
由上式可知,∏10 = I 。通过上述变换,把
Y t 表示成了漂移项向量μ、初始值向量Y 0和新息向量u t 的函数。可见系统是否稳定可以通过观察漂移项向量c 、初始值向量Y 0和新息向量u t 经受冲击后的表现。
假定模型是稳定的,将有如下3个结论。 (1)假设t = 1时,对c 施加一个单位的冲击,那么到t 期的影响是
(I + ∏1 + ∏12 + … + ∏1t -1)
当t →∞ 时,此影响是一个有限值,(I - ∏1) -1。 (2)假设在初始值Y 0上施加一个单位的冲击。到t 期的影响是 ∏1t 。随着t →∞,∏1t → 0,影响消失(因为对于平稳的V AR 模型,∏1中的元素小于1,所以随着t →∞,取t 次方后,∏1t → 0)。
(3)从∑-=1
1t i i
Πu t -i 项可以看出,白噪声中的冲击离t
期越远,影响力就越小。∑-=1
1
t i i
Π= (I - ∏1) -1,
称作长期乘子矩阵,是对∑-=1
1
t i i
Πu t -i 求期望得到
的。
对单一方程的分析知道,含有单位根的自回归过程对新息中的脉动冲击有长久的记忆能力。同理,含有单位根的V AR 模型也是非平稳过程。当新息中存在脉动冲击时,V AR 模型中内生变量的响应不会随时间的推移而消失。 平稳变量构成的一定是稳定(stability )的模
型,但稳定的模型不一定由平稳变量构成。也可能由非平稳(nonstationary )变量(存在协整关系)构成。
8.4 V AR 模型滞后期k 的选择
建立V AR 模型除了要满足平稳性条件外,还应该正确确定滞后期k 。如果滞后期太少,误差项的自相关会很严重,并导致参数的非一致性估计。正如在第4章介绍ADF 检验的原理一样,在V AR 模型中适当加大k 值(增加滞后变量个数),可以消除误差项中存在的自相关。但从另一方面看,k 值又不宜过大。k 值过大会导致自由度减小,直接影响模型参数估计量的有效性。下面介绍几种选择k 值的方法。 1)用LR 统计量选择k 值。LR (似然比)统计量定义为,
LR = - 2 (log L (k ) - log L (k +1) ) ~)(22N χ (8.34)
其中log L (k ) 和log L (k +1) 分别是V AR(k ) 和
V AR(k +1) 模型的极大似然估计值。k 表示V AR 模型中滞后变量的最大滞后期。LR 统计
量渐近服从)(22
N χ分布。显然当V AR 模型滞后
期的增加不会给极大似然函数值带来显着性增
大时,即LR 统计量的值小于临界值时,新增加的滞后变量对V AR 模型毫无意义。应该注意,当样本容量与被估参数个数相比不够充分大时,LR 的有限样本分布与LR 渐近分布存在很大差异。
2) 用赤池(Akaike )信息准则 (AIC ) 选择k 值。
AIC = log
????
? ?
?∑
=T u T
t t 1
2?+T
k 2 (8.34)
其中t
u ?表示残差,T 表示样本容量,k 表示最大滞后期。选择k 值的原则是在增加k 值的过程中使AIC 的值达到最小。 EViews 3.0的计算公式是
AIC = -2??? ??T L log +T
k
2 3)用施瓦茨(Schwartz )准则 (SC ) 选择k
值。
SC = log
????
? ?
?∑
=T u T
t t 1
2?+T
klogT (8.35)
其中t
u ?表示残差,T 表示样本容量,k 表示最大滞后期。选择最佳k 值的原则是在增加k 值的
过程中使SC 值达到最小。 EViews 3.0的计算公式是
SC =-2??
? ?
?T L log +T T
log k
例8.3 以第8章案例为例,k =1、2、3、4
时的logL 、Akaike AIC 和Schwarz SC 的值见下表。
V AR(1) V AR(2) V AR(3) V AR(4)
logL 184.6 198.9 200.0 207.8 -2 (log L (k ) - log L (k +1) ) 28.6
2.2 15.6 ← χ2(9) =
16.9
Akaike AIC -7.84 -8.27 -8.09 -8.23 Schwarz SC -7.36
-7.41 -6.85 -6.6
建立滞后2期的V AR 模型是可以的。
附录:
考察VAR模型最大滞后期的EViews 4.1操作:在VAR模型估计结果窗口点击View 选Lag Structrure, Lag Lengyh Criteria 功能,即可得到5个评价统计量的值。
8.5 V AR模型的脉冲响应函数
由于V AR模型参数的OLS估计量只具有一致性,单个参数估计值的经济解释是很困难的。要想对一个V AR模型做出分析,通常是观察系统的脉冲响应函数
(1)脉冲响应函数。
脉冲响应函数描述一个内生变量对误差冲击的反应。具体地说,它描述的是在随机误差项上施加一个标准差大小的冲击后对内生变量的当期值和未来值所带来的影响。
对于如下V AR模型,y1, t表示GDP,y2, t表示货币供应量,
y1, t = c1 + π11.1 y1, t-1 + π12.1 y2, t-1 + u1 t
y2, t = c2 + π21.1 y1, t-1 + π22.1 y2, t-1 + u2 t
(8.36)
在模型(8.36)中,如果误差u1t 和u2t不相
关,就很容易解释。u1t是y1, t的误差项;u2t是y2, t的误差项。脉冲响应函数衡量当期u1t 和u2t 一个标准差的冲击分别对GDP和货币存量的当前值和未来值的影响。
对于每一个V AR模型都可以表示成为一个无限阶的向量MA(∞)过程。具体方法是对于任何一个V AR(k)模型都可以通过友矩阵变换改写成一个V AR(1)模型(见8.1.2节)。
Y t = A1 Y t -1 + U t
(I - L A 1) Y t = U t
Y t = (I - L A 1)-1 U t
= U t + A1U t-1 + A12 U t-2 + …+ A1s U t-s + …
这是一个无限阶的向量MA(∞)过程。或写成,Y t+s = U t+s + A1U t+s -1 + A12 U t+s -2 + …+ A1s U t + …
全部的移动平均参数矩阵用改用ψj, (j=1,…s)表示,
Y t+s =U t+s+ψ1U t+s -1 +ψ2U t+s-2 + …+ ψs U t + …
(8.37) 其中
ψ1 = A1, ψ2 = A12, …, ψ s = A1 s,
显然,由(8.37)式有下式成立,
向量自回归模型简介
一、Var模型的基本介绍 向量自回归模型(Vector Autoregressive Models,VAR)最早由Sims(1980)提出。他认为,如果模型设定和识别不准确,那么模型就不能准确地反应经济系统的动态特性,也不能很好地进行动态模拟和政策分析。因此,VAR模型通常使用最少的经济理论假设,以时间序列的统计特征为出发点,通常对经济系统进行冲击响应(Impulse-Response)分析来了解经济系统的动态特性和冲击传导机制。由于VAR模型侧重于描述经济的动态特性,因而它不仅可以验证各种经济理论假设,而且在政策模拟上具有优越性。 VAR模型主要用于替代联立方程结构模型,提高经济预测的准确性。用联立方程模型研究宏观经济问题,是当前世界各国经济学者的一种通用做法,它把理论分析和实际统计数据结合起来,利用现行回归或非线性回归分析方法,确定经济变量之间的结构关系,构成一个由若干方程组成的模型系统。联立方程模型适合于经济结构分析,但不适合于预测:联立方程模型的预测结果的精度不高,其主要原因是需要对外生变量本身进行预测。与联立方程模型不同,VAR模型相对简洁明了,特别适合于中短期预测。目前,VAR模型在宏观经济和商业金融预测等领域获得了广泛应用。 二、VAR模型的设定 VAR模型描述在同一样本期间内的n个变量(内生变量)可以作为它们过去值的线性函数。 一个VAR(p)模型可以写成为: 或: 其中:c是n × 1常数向量,A i是n × n矩阵,p是滞后阶数,A(L)是滞后多项式矩阵,L是滞后算子。是n × 1误差向量,满足: 1. —误差项的均值为0 2. Ω—误差项的协方差矩阵为Ω(一个n × 'n正定矩阵) 3.(对于所有不为0的p都满足)—误差项不存在自相关 虽然从模型形式上来看比较简单,但在利用VAR模型进行分析之前,对模型的设定还需要意以下两点: 一是变量的选择。理论上来讲,既然VAR模型把经济作为一个系统来研究,那么模型中
资料:向量自回归模型__详解
第十四章 向量自回归模型 本章导读:前一章介绍了时间序列回归,其基本知识为本章的学习奠定了基础。这一章将要介绍的是时间序列回归中最常用的向量自回归,它独有的建模优势赢得了人们的广泛喜爱。 14.1 VAR 模型的背景及数学表达式 VAR 模型主要应用于宏观经济学。在VAR 模型产生之初,很多研究者(例如Sims ,1980 和Litterman ,1976;1986)就认为,VAR 在预测方面要强于结构方程模型。VAR 模型产生的原因在于20世纪60年代一大堆的结构方程并不能让人得到理想的结果,而VAR 模型的预测却比结构方程更胜一筹,主要原因在于大型结构方程的方法论存在着更根本的问题,并且结构方程受到最具挑战性的批判来自卢卡斯批判,卢卡斯指出,结构方程组中的“决策规则”参数,在经济政策改变时无法保持稳定,即使这些规则本身也是正确的。因此宏观经济建模的方程组在范式上显然具有根本缺陷。VAR 模型的研究用微观化基础重新表述宏观经济模型的基本方程,与此同时,对经济变量之间的相互关系要求也并不是很高。 我们知道经济理论往往是不能为经济变量之间的动态关系提供一个严格的定义,这使得在解释变量过程中出现一个问题,那就是内生变量究竟是出现在方程的哪边。这个问题使得估计和推理变得复杂和晦涩。为了解决这一问题,向量自回归的方法出现了,它是由sim 于1980年提出来的,自回归模型采用的是多方程联立的形式,它并不以经济理论为基础,在模型的每一个方程中,内生变量对模型的全部内生变量的滞后项进行回归,从而估计全部内生变量的动态关系。 向量自回归通常用来预测相互联系的时间序列系统以及分析随机扰动项对变量系统的动态影响。向量自回归的原理在于把每个内生变量作为系统中所有内生变量滞后值的函数来构造模型,从而避开了结构建模方法中需要对系统每个内生变量关于所有内生变量滞后值的建模问题。一般的VAR(P)模型的数学表达式是。 11011{,}t t p t p t t q t q t y v A y A y B x B x B x t μ----=++???++++???++∈-∞+∞ (14.1) 其中1t t Kt y y y =??????()表示K ×1阶随机向量, 1A 到p A 表示K ×K 阶的参数矩阵, t x 表示M ×1阶外生变量向量, 1B 到q B 是K ×M 阶待估系数矩阵, 并且假定t μ是白噪声序列;即, ()0,t E μ= '(),t t E μμ=∑并且'()0,t s E μμ=)t s ≠(。 在实际应用过程之中,由于滞后期p 和q 足够大,因此它能够完整的反映所构造模型的 全部动态关系信息。但这有一个严重的缺陷在于,如果滞后期越长,那么所要估计的参数就会变得越多,自由度就会减少。因此需要在自由度与滞后期之间找出一种均衡状态。一般的准则就是取许瓦咨准则(SC )和池此信息准则(AIC)两者统计量最小时的滞后期,其统计量见式(14-2)与式(14-3)。 2/2/AIC l n k n =-+ (14.2)
向量自回归模型讲义
第8章V AR模型与协整 1980年Sims提出向量自回归模型(vector autoregressive model)。这种模型采用多方程联立的形式,它不以经济理论为基础,在模型的每一个方程中,内生变量对模型的全部内生变量的滞后值进行回归,从而估计全部内生变量的动态关系。 8.1向量自回归(V AR)模型定义 8.1.1 模型定义 V AR模型是自回归模型的联立形式,所以称向量自回归模型。假设y1t,y2t之间存在关系,如果分别建立两个自回归模型 y1, t= f (y1, t-1, y1, t-2, …) y2, t= f (y2, t-1, y2, t-2, …) 则无法捕捉两个变量之间的关系。如果采用联立的形式,就可以建立起两个变量之间的关系。V AR模型的结构与两个参数有关。一个是所含变量个数N,一个是最大滞后阶数k。 以两个变量y1t,y2t滞后1期的V AR模型为例,
y 1, t = c 1 + π11.1 y 1, t -1 + π12.1 y 2, t -1 + u 1 t y 2, t = c 2 + π21.1 y 1, t -1 + π22.1 y 2, t -1 + u 2 t (8.1) 其中u 1 t , u 2 t ~ IID (0, σ 2), Cov(u 1 t , u 2 t ) = 0。写成矩阵形式是, ??????t t y y 21=12c c ??????+??????1.221 .211.121.11ππππ??????--1,21,1t t y y +?? ? ???t t u u 21 (8.2) 设, Y t =??????t t y y 21, c =12c c ?????? , ∏1 =??????1.221.211.121.11ππππ, u t =??? ???t t u u 21, 则, Y t = c + ∏1 Y t -1 + u t (8.3) 那么,含有N 个变量滞后k 期的V AR 模型表示如下: Y t = c + ∏1 Y t -1 + ∏2 Y t -2 + … + ∏k Y t -k + u t , u t ~ IID (0, Ω) (8.4) 其中, Y t = (y 1, t y 2, t … y N , t )' c = (c 1 c 2 … c N )' ∏j = ???? ?? ????????j NN j N j N j N j j j N j j ..2.1.2.22.21.1.12.11πππππππππΛ M O M M ΛΛ, j = 1, 2, …, k u t = (u 1 t u 2,t … u N t )',
向量自回归与ARCH、GARCH模型
向量自回归 预测是计量经济分析的重要部分,宽泛的说,依据时间序列数据进行经济预测的方法有五种:(1)指数平滑法;(2)单一方程回归模型;(3)联立方程回归模型;(4)单整自回归移动平均模型;(5)向量自回归模型(V AR ,vector autoregression )。 一、V AR 的估计 V AR 方法论同时考虑几个内生变量,它看起来类似于联立方程模型。但是,在V AR 模型中,每一个内生变量都是由它的滞后或过去值以及模型中所有其他内生变量的滞后或过去值来解释。通常模型中没有任何外生变量。在联立方程模型中,我们把一些变量看作内生的,而另一些变量看作外生的或预定的,在估计这些模型之前,必须肯定方程组中的方程是可识别的,而为达到识别的目的,常常要假定某些预定变量仅出现在某些方程之中,这些决定往往是主观的,因此这种方法受到C.A.西姆斯(Christopher Sims )的严厉批评,他认为如果在一组变量中有真实的联立性,这些变量就应该平等对待,而不应事先区分内生和外生变量,以此思路,其推出了V AR 模型。 例我们想考虑中国的货币(M1)与利率(R )的关系。如果通过格兰杰因果关系检验,我们无法拒绝两者之间有双向因果关系的假设,即M1 影响R ,而R 反过来又影响M1,这种情形是应用V AR 的理想情形。假定每个方程都含有M1 和R 的k 个滞后值作为回归元,每个方程都可以用OLS 去估计,实际模型如下: 11111k k t j t j j t j t j j M M R u αβγ--===+++∑∑
2111k k t j t j j t j t j j R M R u αθλ--=='=+++∑∑ 其中u 是随机误差项,在V AR 术语中称为脉冲值(impulses )。在估计以上方程时,必须先决定最大滞后长度,这是一个经验问题,包括过多的滞后项将消耗自由度,而且会引入多重共线性的可能性,而包含过少的滞后值将导致设定误差,解决这个问题的方法之一就是使用赤池、施瓦茨或汉南—奎因准则中的某一个准则,并选择准则最低值的模型,因此,这个过程中试错法就不可避免。 值得注意的是,向量自回归模型中同时引入同一变量的几个滞后项,可能因多重共线性而使每个估计系数在统计上都不显著,但基于F 检验它们可能是联合显著的。 二、V AR 建模的一些问题 V AR 的倡导者强调此法有如下的优点:(1)方法简单,无需决定哪些变量是内生的,哪些变量是外生的,V AR 中的全部变量都是内生的。(2)估计简单:常用的OLS 法可以用于逐个估计每一个方程。 (3)在许多案例中,此方法得到的预测优于用更复杂的联立方程模型得到的预测。 但V AR 建模的批评者指出如下的一些问题: 1、不同于联立方程模型,V AR 利用较少的先验信息,所有是缺乏理论支撑的,因为在联立方程中排除或包含某些变量,对模型的识别起到关键性作用。 2、由于重点放到预测,V AR 模型不适合用于政策分析。 3、实际上,对V AR 建模最大的挑战在于选择适当滞后长度。假