应用VAR模型时的15个注意点
VAR模型的适用范围：用于时间序列的情况
VAR模型的适用范围：用于时间序列的情况VAR模型的适用范围:用于时间序列的情况下各个变量之间的相互关系，对于随机扰动变量系统进行动态分析。
一个VAR(p)模型的数学形式为: 这里是一个k维的内生变量，是一个d维的外生变量。
，…，和B是待估计的系数矩阵。
扰动向量。
他们之间相互可以使同期的关系，但不与自己的滞后值相关及不与等式右边的变量相关。
等式的右边是内生变量的滞后值，减少了出现同期性的可能。
由最小二乘法得到一致的估计。
此时即使扰动项与同期性相关， OLS依然有效，原因是所有的方程式有相同的回归量，与GLS是等同的。
实际上，由于任何序列相关都可以通过增加更多的滞后项而被调整，所有扰动项序列不相关的假设并不严格。
VAR模型稳定的条件:对于VAR(1)，Yt = c + 1 Yt-1 + ut 模型稳定的条件是特征方程 |1- I |=0的根都在单位圆以内，或相反的特征方程|I–L1|= 0的根都要在单位圆以外。
对于k>1的VAR(k)模型可以通过矩阵变换改写成分块矩阵的VAR(1)模型形式。
Yt = C + A Yt -1 + Ut模型稳定的条件是特征方程 |A-I| =0的根都在单位圆以内，或其相反的特征方程 |I-LA|=0的全部根都在单位圆以外。
VAR模型应用的顺序:在使用VAR模型的过程中，遵循这样的步骤:1、对解释变量的回归参数做相关的检验统计量。
2、分解解释变量的方差，方差分解的目的是找出每一个解释变量的方差中，其他解释变量所占解释比例。
3做脉冲响应函数，脉冲响应函数解释了变量是如何对各种冲击做出反映的。
为了构建方差分解和脉冲响应函数，理论上，解释变量应该按照对被解释变量的重要性来排列。
文中采用了双变量滞后k期的VAR模型,来研究FDI和经济增长各个效应之间的动态关系,形式如下:方程变量的解释:是2×1阶列向量;表示d×1阶确定项向量(d表示确定性变量个数);用来描述常数项Ц;时间趋势项t;季节虚拟变量(如果需要和其他一些有必要设置的虚拟变量;, …均为2×2阶参数矩阵;Ф是确定性变量;的2×d阶系数矩阵;[ ]是2×1阶随机误差列向量;在模型中，每一个元素都是非自相关的,但是不同的方程对应的随机变量之间可能存在相关性。
var定义变量的使用细节
var定义变量的使⽤细节js中定义⼀个变量可以加关键词var也可以不加，规则是这样的：1. 在全局范围内⽤不⽤var都可以，变量都是全局的2. 在局部范围内⽐如函数中，⽤不⽤var是不⼀样的，⽤var定义出来的是局部变量，不⽤var定义出来的是全局变量。
总结出来就是这样的：不⽤var定义出来的是全局变量，⽤var在全局范围内定义出来的也是全局变量，但是⽤var在局部范围内定义出来的是局部变量。
同时还有⼀个要注意，js在执⾏之前也是会进⾏语法分析的，⽐如下⾯的这个例⼦：var i = 0;alert(i);function test() {alert(i);var i = 1;alert(i);}test();⼀般可能会认为第⼆个alert应该是0，但实际上这个却是undefined，因为在使⽤i之前，程序认为本函数内要定义⼀个局部变量i（不会认为是全局变量i），但是局部变量i还未进⾏初始化，因此第⼆个alert会是undefined。
总结出来是这样的，⽤var和function进⾏定义，程序是会进⾏预处理的。
⽐如：test();function test() {alert(“good”);}⼀般会认为最开始使⽤不了test⽅法的，但是程序会先定义test⽅法的。
原⽂如下：都不记得是什么时候看的JScript的语法教程了，⾥⾯说在声明变量时忽略var关键字是完全合法的。
当时也因为觉得JavaScript是loosely-typed的语⾔，所以var可能真的就是个摆设。
但是事实常常⼜证明想当然的结果是不可靠的。
看看下⾯这⼏个例⼦的结果就知道问题了：No.1<script language="javascript">var var00 = 0;document.write(var00 + '<br>');var var01 = 1;function foo(){document.write(var01);var var01 = 1;}foo();</script>No.2<script language="javascript">var00 = 0;document.write(var00 + '<br>');var01 = 1;function foo(){document.write(var01);var01 = 1;}foo();</script>No.3<script language="javascript">var00 = 0;document.write(var00 + '<br>');var01 = 1;function foo(){document.write(var01);var var01 = 1;}foo();</script>这三个例⼦的执⾏结果分别是：Results#region ResultsNo.1undefinedNo.21No.3undefined#endregion原来JavaScript的变量也是有作⽤域的，只是它⾮常的笼统，就分为全局变量和函数变量。
金融风险管理中VaR模型的应用
金融风险管理中VaR模型的应用摘要：随着全球金融化趋势日渐明显，全球经济发展速度不断加快，金融市场的不确定性大幅度提高，高效管理金融风险迫在眉睫。
与此同时，VaR模型优势特征明显，已被频繁应用到金融领域，成为新经济形势下金融风险测量的关键性模型。
因此，本文在分析VaR模型的基础上从不同角度入手客观探讨了其在金融风险管理过程中的应用，将金融风险最小化的同时最大化提升经济效益。
关键词：VaR模型；金融风险管理；应用我国金融领域高速发展的同时金融风险也日趋严重，金融风险具有其客观性，在金融大环境下，高效管控金融风险是金融机构与企业运营发展中面临的重要任务，也是社会大众关注的重要方面。
在多方面因素影响下，VaR模型应运而生的同时有效发展，在度量金融风险等方面有着重要作用，要全面、深入剖析金融风险管理具体情况，通过多样化路径科学运用VaR模型，最大化发挥优势作用，优化投资策略制定、资金配置等环节，从源头上降低金融风险发生系数，在实现经济效益目标中增强市场核心竞争力。
1VaR模型VaR模型就是在资产组合既定条件下，在未来一定时间内，任一金融工具、金融品种的市场价格波动之后潜在的最大损失，是当下比较流行的风险量化技术，通常情况下，中文译为在险价值、风险价值。
VaR模型是数学、经济学两大领域有机融合下的产物，也是JP摩根公司用来准确计量市场风险的产物，也就是说，VaR模型最初只是应用在市场风险度量方面，随着其持续发展，已被广泛应用到金融风险管理的多个方面。
在新形势下，经济学领域中数学学科的应用日趋日渐深入以及扩大，VaR模型可以说是数学在经济领域成功应用的客观折射。
与此同时，VaR模型和传统风险度量模式有着根本上区别，是一种以统计分析为基础的风险量化技术，优势特征鲜明，能够有效弥补传统风险度量模式实际应用中呈现的缺陷。
在VaR模型产生以及作用下，人们的投资、经营、管理等观念发生了质的变化，常将VaR模型应用到开展的投资活动中，准确度量投资对象风险，在深化把握风险大小、自身风险承受能力等基础上制定可行性较高的投资方案、投资策略，确保投资更加科学、有效，防止因盲目投资造成严重的经济损失。
var理论基础
var理论基础1. 风险值（VaR）概念风险值概念指在一段时期内，一定置信水平下，当市场发生最坏状况时，投资组合的最大可能损失金额。
在正常市场条件下，对于给定的置信水平(或比率) 1-α%，其对应的临界值(或分位数)即为该项金融资产或投资组合在统计上的最大可能损失金额，称为风险值(VaR)。
α%是最坏情况发生的概率。
设定最坏情况发生的概率越小，VaR 就越大。
VaR 值是一个与其置信水平有关的相对概念。
风险值的评估期间通常为一天，而置信水平为95% ，评估期间的长度与风险值的大小有密切的关系，通常来说，评估期间越长，风险值就越大。
2.VaR度量方法比较1）协方差矩阵法协方差矩阵法度量风险值（VaR）的前提条件是假设风险因子的变化服从多元正态分布，而真正要估计就是波动率（方差）和相关系数。
在正态分布的假设下，风险值存在公式解，可轻易比较不同评估期间与不同置信水平下风险值的高低。
统计上用的是参数估计技术。
不同情形下有两类方法：直接估算法和逼近法。
直接估算法：在投资组合为风险因子的线性函数、且风险因子的变化服从多元正态分布的条件下（如，投资组合收益率服从多元正态），可以直接估算出投资组合的风险值。
单一资产情形时，只要估计资产收益率的方差，投资组合情形下，就要估计和分解资产收益率之间的协方差矩阵。
逼近法：在投资组合与其包含的风险资产因子为非线性关系时，如著名的Black-Scholes （1973））期权定价公式描述的期权价格与其标的物价格之间的关系等。
就可以利用Taylor 展开式来近似这种非线性函数关系，并利用Taylor展开来估算风险值。
一阶Taylor展开为Delta-Normal逼近法；二阶Taylor展开为Delta-Gamma逼近法。
用协方差矩阵法度量风险值（VaR）时，关键是要估计方差或估计和分解资产收益率之间的协方差阵。
也就是说估算风险值首先是要估算资产收益的波动性。
2）历史模拟法历史模拟法的基本假设是资产收益的过去变化状况会在未来完全重现。
var方法在中国商业银行风险管理中的应用
文章标题：var方法在我国商业银行风险管理中的应用一、引言在当今金融市场的不确定性和风险不断增加的背景下，风险管理成为金融机构的一项重要工作。
特别是对于我国的商业银行来说，有效的风险管理更是至关重要。
在这种情况下，价值-at-risk（VaR）方法成为了一种广泛应用的风险管理工具。
本文将探讨VaR方法在我国商业银行风险管理中的应用情况，并就其中的关键问题进行深入分析和讨论。
二、VaR方法概述VaR方法是一种衡量风险的标准，它能够在一定置信水平下，测量资产组合的最大可能损失额。
VaR方法适用于各种金融工具和市场，包括股票、债券、外汇和衍生品等。
我国商业银行广泛应用VaR方法，以此来控制和评估自身的风险暴露。
三、VaR方法在我国商业银行的应用情况1. 应用范围的扩大近年来，我国商业银行对于VaR方法的应用范围有了显著的扩大。
在过去，VaR方法主要局限于股票和固定收益证券的风险管理，但是如今，随着金融市场产品的不断创新和多样化，商业银行已将VaR方法应用到了更多的金融工具中，包括衍生品、外汇和期货等。
2. 数据质量的改善在过去，我国商业银行在应用VaR方法时面临着数据质量不高的问题。
但是随着信息技术的不断发展和金融监管的不断加强，商业银行已经能够更加准确地获取和处理相关数据，从而提高了VaR方法的应用效果。
3. 风险管理意识的提升商业银行对于风险管理意识的提升也推动了VaR方法在我国的广泛应用。
在面临着来自金融市场的各种挑战和风险时，商业银行开始更加重视风险管理工具的有效性和可靠性，VaR方法因此成为了风险管理的重要工具之一。
四、VaR方法在我国商业银行风险管理中的挑战和问题1. 风险模型的选择在实际应用中，商业银行需要面对不同的风险模型选择问题。
不同的风险模型可能导致不同的风险评估结果，因此如何选择合适的风险模型成为了一个关键的问题。
2. 风险管理技术的提升尽管我国商业银行已经开始广泛应用VaR方法，但是在风险管理技术的提升方面仍然存在一定挑战。
应用VAR模型时的15个注意点（笔记）
应用VAR模型时的15个注意点（笔记）应用VAR模型时的15个注意点(笔记)向量自回归（VAR,Vector Auto regression）常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响。
VAR方法通过把系统中每一个内生变量,作为系统中所有内生变量的滞后值的函数来构造模型，从而回避了结构化模型的要求。
Engle和Granger （1987a）指出两个或多个非平稳时间序列的线性组合可能是平稳的。
假如这样一种平稳的或的线性组合存在，这些非平稳（有单位根）时间序列之间被认为是具有协整关系的。
这种平稳的线性组合被称为协整方程且可被解释为变量之间的长期均衡关系。
VAR模型对于相互联系的时间序列变量系统是有效的预测模型，同时，向量自回归模型也被频繁地用于分析不同类型的随机误差项对系统变量的动态影响。
如果变量之间不仅存在滞后影响，而不存在同期影响关系，则适合建立VAR模型，因为VAR模型实际上是把当期关系隐含到了随机扰动项之中。
注意点：1、单位根检验是序列的平稳性检验，如果不检验序列的平稳性直接OLS容易导致伪回归。
2、当检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验，但要做格兰杰检验的前提是数据必须是平稳的，否则不能做。
3、当检验的数据是非平稳（即存在单位根），并且各个序列是同阶单整（协整检验的前提），想进一步确定变量之间是否存在协整关系，可以进行协整检验，协整检验主要有EG两步法和JJ检验A、EG两步法是基于回归残差的检验，可以通过建立OLS模型检验其残差平稳性B、JJ检验是基于回归系数的检验，前提是建立VAR模型（即模型符合ADL模式）4、当变量之间存在协整关系时，可以建立ECM进一步考察短期关系，Eviews这里还提供了一个Wald－Granger检验，但此时的格兰杰已经不是因果关系检验，而是变量外生性检验，请注意识别。
5、格兰杰检验只能用于平稳序列！这是格兰杰检验的前提，而其因果关系并非我们通常理解的因与果的关系，而是说x的前期变化能有效地解释y的变化，所以称其为“格兰杰原因”。
全面风险管理VaR计算方法知识点梳理
全面风险管理VaR计算方法知识点梳理：VaR的含义——⼀个特定时期内，⼀定置信区间下的最⼤损失。
例如，某⼀天某交易在95%置信⽔平下，最⼤损失40万美元。
这里的40万就是该交易在当天的VaR。
VaR的计算⽅法1．历史模拟法历史模拟法——根据历史数据直接预测将来可能发⽣的情形。
这种⽅法的出发点是，将历史记录看作未来情况的路径之⼀，通过对不同路径的比较，得出所需结果。
第⼀，将最后⼀个数据当作是当前值，⽽将这500天的数据看做是未来1天的500种可能路径，依次求出每天的变化率与当前值的乘积，作为未来⼀天变化的可能值第⼆，根据表中计算得到的数据，求出组合的价值。
如果所求的VaR是99%置信度下，损失不超过某数值。
则可以将最坏的五种情形列出，VaR就是第五个值。
如果是N天的持续期，则在此基础上乘以T1、Excele历史模拟法单资产步骤: 选定当日资产价格，按照公式一次计算依次求出每天的变化率与当前值的乘积，（结果见J列）。
结果VaR（1,95%）值是选取的模拟结果按照从小到大排序第25个值，用的公式为：small(选中J列，25)2、Excele历史模拟法双资产步骤：假定A、B两资产投资额分别为5000和2000. 选定A、B 的当前资产价格，资产模拟结果（I列）公式为：依次为5000*A历史资产价格/11022.06+2000*B 历史资产价格/5179 ；再用small 公式（选中I列，25）补充：老师又计算资产组合的变化率，用公式：（模拟结果值-7000）/7000；VaR（1,95%）：再用small 公式选出我们预估的变化率。
再用公式7000*（1+变化率）。
2．蒙特卡洛模拟法蒙特卡洛模拟法——假设资产价格的变动服从某种随机过程，利用计算机模拟，在目标时间范围内产⽣随机价格的路径，并⼀次构建资产报酬分布，进⽽推算VaR。
映射与投资组合的VaR3. Excele蒙特卡洛单资产步骤:原理是运用公式：St=St-1+ St-1*(μΔt+δ*ε)补充说明：老师的excel结果是按照课件案例做法做的部分步骤。
VaR方法原理及应用
V a R方法原理及应用-CAL-FENGHAI.-(YICAI)-Company One1ＶａＲ方法原理及应用随着经济全球化及投资自由化的日益加剧，金融市场风险导致各金融机构之间的竞争从原来的资源竞争逐渐转变为内部管理、业务创新、企业文化等方面的竞争，使金融机构的风险管理成为现代金融企业管理的基础和发展的基石。
在这样的背景下，国外各金融机构格外注重金融风险的测定和管理。
VaR 方法就是近年来在国外发展起来并被广泛应用的测度风险的一种重要的方法。
一、VaR的基本原理VaR,在险价值或风险价值是指市场正常波动下，某一金融资产或证券组合的最大可能损失。
更确切地说是在一定概率水平（置信度）下，某一金融资产或证券组合在未来特定时期内的最大可能损失。
用公式表示为：Prob(ΔPΔP：某一金融资产在一定持有期Δt的价值损失额。
VaR：置信水平σ下的风险价值——可能的最大损失。
σ：给定的概率——置信水平。
这一方法由JP摩根公司首次提出，以其对风险测度的科学、实用、准确和综合的特点受到包括监管部门在内的国际金融界的普遍欢迎，迅速发展成为风险管理的一种标准，并且与压力测试、情景分析和返回检验等一系列方法形成了风险管理的VaR体系。
VaR方法主要是对历史数据进行模拟运算，求出在不同置信度下的VaR值，为此需要建立一个假设交易组合值变化的分布。
该假设是以每日观察到的市场重要指标或其他组合有影响的市场因素（市场风险因素）的变化率为基础的，据此算出来的公司某日VaR值与当日组合可能的损失值相对应。
选择的置信水平应该反映金融资产管理者的风险厌恶程度，可以根据不同的投资者对风险的厌恶程度和对风险的承受能力来确定。
置信水平过低，损失超过VaR 值的极端事件发生的概率过高，使得VaR值失去意义；置信水平过高，超过VaR值的极端事件发生的概率可以降低，但统计样本中反映极端事件的数据也越来越少，这就使VaR值估计的准确性下降，现实中置信水平一般选择在95％到99％之间。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
应用VAR模型时的15个注意点(笔记)向量自回归（VAR,Vector Auto regression）常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响。
VAR方法通过把系统中每一个内生变量,作为系统中所有内生变量的滞后值的函数来构造模型，从而回避了结构化模型的要求。
Engle和Granger（1987a）指出两个或多个非平稳时间序列的线性组合可能是平稳的。
假如这样一种平稳的或的线性组合存在，这些非平稳（有单位根）时间序列之间被认为是具有协整关系的。
这种平稳的线性组合被称为协整方程且可被解释为变量之间的长期均衡关系。
VAR模型对于相互联系的时间序列变量系统是有效的预测模型，同时，向量自回归模型也被频繁地用于分析不同类型的随机误差项对系统变量的动态影响。
如果变量之间不仅存在滞后影响，而不存在同期影响关系，则适合建立VAR模型，因为VAR模型实际上是把当期关系隐含到了随机扰动项之中。
注意点：1、单位根检验是序列的平稳性检验，如果不检验序列的平稳性直接OLS容易导致伪回归。
2、当检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验，但要做格兰杰检验的前提是数据必须是平稳的，否则不能做。
3、当检验的数据是非平稳（即存在单位根），并且各个序列是同阶单整（协整检验的前提），想进一步确定变量之间是否存在协整关系，可以进行协整检验，协整检验主要有EG两步法和JJ检验A、EG两步法是基于回归残差的检验，可以通过建立OLS模型检验其残差平稳性B、JJ检验是基于回归系数的检验，前提是建立VAR模型（即模型符合ADL 模式）4、当变量之间存在协整关系时，可以建立ECM进一步考察短期关系，Eviews 这里还提供了一个Wald－Granger检验，但此时的格兰杰已经不是因果关系检验，而是变量外生性检验，请注意识别。
5、格兰杰检验只能用于平稳序列！这是格兰杰检验的前提，而其因果关系并非我们通常理解的因与果的关系，而是说x的前期变化能有效地解释y的变化，所以称其为“格兰杰原因”。
6、非平稳序列很可能出现伪回归，协整的意义就是检验它们的回归方程所描述的因果关系是否是伪回归，即检验变量之间是否存在稳定的关系。
所以，非平稳序列的因果关系检验就是协整检验。
7、平稳性检验有3个作用：1）检验平稳性，若平稳，做格兰杰检验，非平稳，作协正检验。
2）协整检验中要用到每个序列的单整阶数。
3）判断时间学列的数据生成过程。
ADF检验：1 view---unit root test,出现对话框，默认的选项为变量的原阶序列检验平稳性，确认后，若ADF检验的P值小于0.5，拒绝原假设，说明序列是平稳的，若P值大于0.5，接受原假设，说明序列是非平稳的；2 重复刚才的步骤，view---unit root test,出现对话框，选择1st difference,即对变量的一阶差分序列做平稳性检验，和第一步中的检验标准相同，若P值小于0.5，说明是一阶平稳，若P值大于0.5，则继续进行二阶差分序列的平稳性检验。
先做单位根检验，看变量序列是否平稳序列，若平稳，可构造回归模型等经典计量经济学模型；若非平稳，进行差分，当进行到第i次差分时序列平稳，则服从i阶单整（注意趋势、截距不同情况选择，根据P值和原假设判定）。
若所有检验序列均服从同阶单整，可构造VAR模型，做协整检验（注意滞后期的选择），判断模型内部变量间是否存在协整关系，即是否存在长期均衡关系。
如果有，则可以构造VEC模型或者进行Granger因果检验，检验变量之间“谁引起谁变化”，即因果关系。
第一，格兰杰因果检验是检验统计上的时间先后顺序，并不表示而这真正存在因果关系，是否呈因果关系需要根据理论、经验和模型来判定。
第二，格兰杰因果检验的变量应是平稳的，如果单位根检验发现两个变量是不稳定的，那么，不能直接进行格兰杰因果检验，所以，很多人对不平稳的变量进行格兰杰因果检验，这是错误的。
第三，协整结果仅表示变量间存在长期均衡关系，那么，到底是先做格兰杰还是先做协整呢？因为变量不平稳才需要协整，所以，首先因对变量进行差分，平稳后，可以用差分项进行格兰杰因果检验，来判定变量变化的先后时序，之后，进行协整，看变量是否存在长期均衡。
第四，长期均衡并不意味着分析的结束，还应考虑短期波动，要做误差修正检验。
8.单位根检验是检验数据的平稳性，或是说单整阶数。
9.协整是说两个或多个变量之间具有长期的稳定关系。
但变量间协整的必要条件是它们之间是同阶单整，也就是说在进行协整检验之前必须进行单位跟检验。
10.协整说的是变量之间存在长期的稳定关系，这只是从数量上得到的结论，但不能确定谁是因，谁是果。
而因果关系检验解决的就是这个问题。
单位根检验是检验时间序列是否平稳，协整是在时间序列平稳性的基础上做长期趋势的分析，而格兰杰检验一般是在建立误差修正模型的后，所建立的短期的因果关系。
故顺序自然是先做单位根检验，再过协整检验，最后是格兰杰因果检验。
单位根检验是对时间序列平稳性的检验，只有平稳的时间序列，才能进行计量分析，否则会出现伪回归现象；协整是考察两个或者多个变量之间的长期平稳关系，考察两者的协整检验通常采用恩格尔-格兰杰检验，两者以上则用Johansen检验；格兰杰因果检验是考察变量之间的因果关系，协整说明长期稳定关系不一定是因果关系，所以需要在通过格兰杰因果检验确定两者的因果关系。
顺序一般是单位根检验，通过后如果同阶单整，在进行协整，然后在进行因果检验。
要特别注意的是：只有同阶单整才能进行协整。
11.VAR建模时lag intervals for endogenous要填滞后期，但是此时你并不能判断哪个滞后时最优的，因此要试，选择不同的滞后期，至AIC或SC最小时，所对应着的滞后为最优滞后，此时做出来的VAR模型才较为可靠。
12.做协整检验前作VAR的原因是，协整检验是对滞后期和检验形式非常敏感的检验，首先需要确定最优滞后。
由于VAR是无约束的，而协整是有约束的，因此协整检验的最优滞后一般为VAR的最优滞后减去1，确定了最优滞后后，再去诊断检验形式，最终才能做协整。
13.当确定了协整的个数后，往下看，有个标准化的结果，这个结果就是协整方程，由于在结果中各变量均在方程一侧，因此如果系数为正，则说明是负向关系，反之亦然。
14.协整表示变量间的长期均衡关系，貌似与你的OLS不矛盾。
（1）如检验不协整，说明没长期稳定关第，可以做VAR模型，但是模型建立后要做稳定性分析：做AR根的图表分析，如所有单位根小于1，说明VAR模型定，满足脉冲分析及方差分解所需条件之一模型的因果关系检验 2 不过注意在做因果检验前要先确定滞后长度，方法见高铁梅计量分析方法与建模第2版P302 只有满足因果关系，加上满足条件一：稳定性，则可进行脉冲及方差分解如不满足因果关系，则所有不满足因果关系的变量将视为外生变量，至此要重新构建VAR模型，新的VAR模型将要引入外生变量的VAR模型（2）VAR与VEC关系是：VEC是有协整约束（即有长期稳定关系）的VAR模型，多用于具有协整关系的非平稳时间序列建模高铁梅计理分析方法与建模第2版P29515．简单说VAR模型建立时第一步：不问序列如何均可建立初步的VAR模型（建立过程中数据可能前平稳序列，也可能是部分平稳，还可能是没协整关系的同阶不平稳序列，也可能是不同阶的不平稳序列，滞后阶数任意指定。
所有序列一般视为内生向量)，第二步：在建立的初步VAR后进行1 滞后阶数检验，以确定最终模型的滞后阶数2 在滞后阶数确定后进行因果关系检验，以确定哪些序列为外生变量至此重新构建VAR模型（此时滞后阶数已定，内外生变量已定），再进行AR根图表分析，如单位根均小于1，VAR构建完成可进行脉冲及方差分解如单位根有大于1的，考虑对原始序进行降阶处理（一阶单整序列处理方法：差分或取对数，二阶单整序列：理论上可以差分与取对数同时进行，但由于序列失去了经济含义，应放弃此处理，可考虑序列的趋势分解，如分解后仍然不能满足要求，可以罢工，不建立任何模型，休息或是打砸了电脑），处理过后对新的序列（包括最初的哪些平稳序列）不断重复第一步与第二步，直至满足稳定性为止第三步，建立最终的V AR后，可考虑SV AR模型如果变量不仅存在滞后影响，还存在同期影响关系，则建立V AR模型不太合适，这种情况下需要进行结构分析。
1，首先，如果变量都是平稳的，如增长率、cpi、实际汇率等少数变量则直接可以用V AR模型，格兰杰因果关系检验，脉冲响应、方差分解等2，70年代以前的建模都是以“序列平稳”为隐含假设的，70年代GRANGER提出“伪回归”问题，从此建模进入了“非平稳”与“协整”的时代，因此，现在对时间序列建模时不进行平稳性和非平稳序列协整性检验是不严格的；而且，如果序列非平稳或非协整，则建模的关键性检验——残差白噪声检验——可能是不能通过的。
（有的文章不进行平稳性和协整性检验有三种情况：一是按传统方法建模；二是突出文章的经济学意义而简化方法；三是建模成功与否靠残差检验一锤定音），也就是说V AR模型（含因果关系检验……）前提是平稳或协整。
3，早期的V AR是没有考虑平稳的问题，但是现在做V AR的步骤一般是这样的：第一步：单位根检验：UNIT ROOT TEST 对全部的变量进行单位根检验，早期用ARMA图看也可以，如果都平稳，不用做协整检验和模型平稳性检验，则回到1；第二步：协整检验：在两个变量的情况下，用Engle-Granger method和Johansen 或者Stock and Watson方法，但是在多个变量的情况下，最好不要用Engle-Granger 的方法，用Johansen方法，[回归出来的矩阵的rank, 如果满秩，则所有的变量都为稳定的序列，直接使用V AR，如果是0秩，则所有的序列都进行一阶差分之后V AR（前提应该是全部的序列都是I（1）），如果处于这两者的中间，那么就用error correction model（？）。
]第三步：滞后期确定：（操作见EVIEWS6.0中var模型下view-lag structure最后一列），多种准则比较选多数准则认同的最优滞后期，保证所有的残差都不存在自相关性，即white noise。
然后进行格兰杰因果关系检验，脉冲响应、方差分解……第四部：建立V AR模型：（因果关系检验），检验其平稳性（操作见EVIEWS6.0中var模型下view-lag structure第一列），平稳性检验通过（单位根r<1)，表明模型平稳，即脉冲响应（冲击）是收敛的（如果冲击是发散的，不符合实际经济系统，再分析则毫无经济意义），可做脉冲脉冲响应、方差分解等；如果没通过平稳性检验，则不能直接做脉冲响应和方差分解，可以以差分变量做V AR模型，再说脉冲响应和方差分解，也就是说只有平稳的V AR模型（非指序列平稳而是模型平稳，模型单位根小于1在单位圆内）才可以做脉冲响应、方差分解，V AR 模型不平稳使用差分变量后建V AR模型。