Stata: VAR (向量自回归) 模型
作者:许梦洁 (编译) (知乎 | 简书 | 码云)
Stata连享会 「Stata 现场班报名中……」
Source: David Schenck → Vector autoregressions in Stata
文章目录
- Stata连享会 [「Stata 现场班报名中……」](https://gitee.com/arlionn/stata_training/blob/master/README.md)
- 1. 引言
- 2. 数据和估计
- 3. 评价 VAR 结果:格兰杰因果检验
- 4. 评价 VAR 模型结果:脉冲响应分析
- 5. 结论
- 关于我们
- 联系我们
- 往期精彩推文
1. 引言
在单变量回归中,一个平稳的时间序列 y t y_t yt 经常被模型化为 AR 过程:
y t = α 0 + α 1 y t − 1 + α 2 y t − 2 + ⋯ + α k y t − k + ϵ t y_t=\alpha_0+\alpha_1 y_{t-1}+\alpha_2 y_{t-2}+\dots +\alpha_k y_{t-k}+\epsilon_t yt=α0+α1yt−1+α2yt−2+⋯+αkyt−k+ϵt
当我们分析多个时间序列时,一个对 AR 模型自然的拓展就是 VAR 模型, 在这个模型中一组向量里的每个时间序列被模型化为决定于自己的滞后项以及这组向量里所有其他变量的滞后项。两阶 VAR 模型如下式:
y t = α 0 + α 1 y t − 1 + α 2 x t − 1 + ϵ 1 t x t = β 0 + β 1 y t − 1 + β 2 x t − 1 + ϵ 2 t y_t = \alpha_0+\alpha_1 y_{t-1}+\alpha_2 x_{t-1}+\epsilon_{1t} \\ x_t = \beta_0+\beta_1 y_{t-1}+\beta_2 x_{t-1}+\epsilon_{2t} yt=α0+α1yt−1+α2xt−1+ϵ1txt=β0+β1yt−1+β2xt−1+ϵ2t
经济学家通常使用这种形式的模型分析宏观数据、做出因果推断并提供政策建议。
在这篇推文中,我会用美国失业率、通胀率以及名义利率估计一个三变量 VAR 模型。这个 VAR 模型类似于宏观经济中做货币政策分析的模型。这篇文章的主要关注点在于该模型的基本估计和估计结果评估,数据和 do 文件在文末提供。背景知识和理论细节可以在这篇文章中获得。
2. 数据和估计
当使用 VAR 模型进行估计时,我们需要做两个决定。第一个是需要选择将那些变量放入 VAR 模型中,这个决定一般取决于研究问题和相关文献。第二个决定是需要选择滞后阶数。决定了滞后阶数后,就可以开始估计。得到估计结果后,需要对结果进行评估分析看其是否符合模型设定。
本文使用 1995-2005 年间美国失业率、CPI和短期名义利率的季度观测值对模型进行估计,数据来源于联邦经济数据库。在 stata
数据集中,inflation为CPI,unrate 为失业率,ffr则表示利率。因此,本文估计的 VAR 模型为:
[ i n f l a t i o n t u n r a t e t f f r t ] = a 0 + A 1 [ i n f l a t i o n t − 1 u n r a t e t − 1 f f r t − 1 ] + ⋯ + A k [ i n f l a t i o n t − k u n r a t e t − k f f r t − k ] + [ ϵ 1 , t ϵ 2 , t ϵ 3 , t ] \begin{bmatrix} inflation_{ t }\\ unrate_{ t }\\ ffr_{ t } \end{bmatrix}=a_{ 0 }+A_{ 1 }\begin{bmatrix} inflation_{ t -1}\\ unrate_{ t -1}\\ ffr_{ t -1} \end{bmatrix}+\cdots +A_{ k }\begin{bmatrix} inflation_{ t -k}\\ unrate_{ t -k}\\ ffr_{ t -k} \end{bmatrix}+\begin{bmatrix} \epsilon_{ 1,t }\\ \epsilon_{ 2,t }\\ \epsilon_{ 3,t } \end{bmatrix} ⎣⎡inflationtunratetffrt⎦⎤=a0+A1⎣⎡inflationt−1unratet−1ffrt−1⎦⎤+⋯+Ak⎣⎡inflationt−kunratet−kffrt−k⎦⎤+⎣⎡ϵ1,tϵ2,tϵ3,t⎦⎤
a 0 a_0 a0是由截距项组成的向量, A 1 A_1 A1 到 A K A_K AK 均为 3 × 3 3\times 3 3×3 的系数矩阵。包含这些变量的 VAR 模型或相近的模型变体经常出现在货币政策分析中。
下一步是决定一个合理的滞后阶数,我使用 varsoc
命令执行滞后结束选择测试。
. varsoc inflation unrate ffr, maxlag(8)Selection-order criteriaSample: 41 - 236 Number of obs = 196+---------------------------------------------------------------------------+|lag | LL LR df p FPE AIC HQIC SBIC ||----+----------------------------------------------------------------------|| 0 | -1242.78 66.5778 12.712 12.7323 12.7622 || 1 | -433.701 1618.2 9 0.000 .018956 4.54796 4.62922 4.74867 || 2 | -366.662 134.08 9 0.000 .010485 3.95574 4.09793 4.30696* || 3 | -351.034 31.257 9 0.000 .009801 3.8881 4.09123 4.38985 || 4 | -337.734 26.6 9 0.002 .009383 3.84422 4.1083 4.4965 || 5 | -319.353 36.763 9 0.000 .008531 3.7485 4.07351 4.5513 || 6 | -296.967 44.77* 9 0.000 .007447* 3.61191* 3.99787* 4.56524 || 7 | -292.066 9.8034 9 0.367 .007773 3.65373 4.10063 4.75759 || 8 | -286.45 11.232 9 0.260 .008057 3.68826 4.1961 4.94265 |+---------------------------------------------------------------------------+Endogenous: inflation unrate ffrExogenous: _cons
varsoc
展示了之后滞后阶数选择检验的主要结果,检验的细节可以通过 help varsoc
得到。似然比和 AIC 都推荐选择六阶滞后,因此本文选择六阶滞后。
有了变量和滞后阶数,需要估计系数矩阵和误差项的协方差矩阵。系数估计可以通过对 VAR 模型中的每个等式做 OLS 回归得到,误差项的协方差矩阵则需要根据样本残差的协方差矩阵进行估计。var
命令可以同时实现这两个矩阵的估计,其结果中系数矩阵会默认给出,误差项的协方差矩阵则可以 e(Sigma) 中找到:
. var inflation unrate ffr, lags(1/6) dfk smallVector autoregressionSample: 39 - 236 Number of obs = 198
Log likelihood = -298.8751 AIC = 3.594698
FPE = .0073199 HQIC = 3.97786
Det(Sigma_ml) = .0041085 SBIC = 4.541321Equation Parms RMSE R-sq F P > F
----------------------------------------------------------------
inflation 19 .430015 0.9773 427.7745 0.0000
unrate 19 .252309 0.9719 343.796 0.0000
ffr 19 .795236 0.9481 181.8093 0.0000
----------------------------------------------------------------------------------------------------------------------------------------------| Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
inflation |inflation |L1. | 1.37357 .0741615 18.52 0.000 1.227227 1.519913L2. | -.383699 .1172164 -3.27 0.001 -.6150029 -.1523952L3. | .2219455 .1107262 2.00 0.047 .0034489 .440442L4. | -.6102823 .1105383 -5.52 0.000 -.8284081 -.3921565L5. | .6247347 .1158098 5.39 0.000 .3962065 .8532629L6. | -.2352624 .0719141 -3.27 0.001 -.3771708 -.093354|unrate |L1. | -.4638928 .1386526 -3.35 0.001 -.7374967 -.1902889L2. | .6567903 .2370568 2.77 0.006 .1890049 1.124576L3. | -.271786 .2472491 -1.10 0.273 -.759684 .2161119L4. | -.4545188 .2473079 -1.84 0.068 -.9425328 .0334952L5. | .6755548 .2387697 2.83 0.005 .2043893 1.14672L6. | -.1905395 .136066 -1.40 0.163 -.4590393 .0779602|ffr |L1. | .1135627 .0439648 2.58 0.011 .0268066 .2003187L2. | -.1155366 .0607816 -1.90 0.059 -.2354774 .0044041L3. | .0356931 .0628766 0.57 0.571 -.0883817 .1597678L4. | -.0928074 .0620882 -1.49 0.137 -.2153263 .0297116L5. | .0285487 .0605736 0.47 0.638 -.0909816 .1480789L6. | .0309895 .0436299 0.71 0.478 -.0551055 .1170846|_cons | .3255765 .1730832 1.88 0.062 -.0159696 .6671226
-------------+----------------------------------------------------------------
unrate |inflation |L1. | .0903987 .0435139 2.08 0.039 .0045326 .1762649L2. | -.1647856 .0687761 -2.40 0.018 -.3005019 -.0290693L3. | .0502256 .064968 0.77 0.440 -.0779761 .1784273L4. | .0919702 .0648577 1.42 0.158 -.036014 .2199543L5. | -.0091229 .0679508 -0.13 0.893 -.1432106 .1249648L6. | -.0475726 .0421952 -1.13 0.261 -.1308366 .0356914|unrate |L1. | 1.511349 .0813537 18.58 0.000 1.350814 1.671885L2. | -.5591657 .1390918 -4.02 0.000 -.8336363 -.2846951L3. | -.0744788 .1450721 -0.51 0.608 -.3607503 .2117927L4. | -.1116169 .1451066 -0.77 0.443 -.3979565 .1747227L5. | .3628351 .1400968 2.59 0.010 .0863813 .639289L6. | -.1895388 .079836 -2.37 0.019 -.3470796 -.031998|ffr |L1. | -.022236 .0257961 -0.86 0.390 -.0731396 .0286677L2. | .0623818 .0356633 1.75 0.082 -.0079928 .1327564L3. | -.0355659 .0368925 -0.96 0.336 -.1083661 .0372343L4. | .0184223 .0364299 0.51 0.614 -.0534651 .0903096L5. | .0077111 .0355412 0.22 0.828 -.0624226 .0778449L6. | -.0097089 .0255996 -0.38 0.705 -.0602247 .040807|_cons | .187617 .1015557 1.85 0.066 -.0127834 .3880173
-------------+----------------------------------------------------------------
ffr |inflation |L1. | .1425755 .1371485 1.04 0.300 -.1280603 .4132114L2. | .1461452 .2167708 0.67 0.501 -.2816098 .5739003L3. | -.0988776 .2047683 -0.48 0.630 -.502948 .3051928L4. | -.4035444 .2044208 -1.97 0.050 -.8069291 -.0001598L5. | .5118482 .2141696 2.39 0.018 .0892262 .9344702L6. | -.1468158 .1329922 -1.10 0.271 -.40925 .1156184|unrate |L1. | -1.411603 .2564132 -5.51 0.000 -1.917585 -.9056216L2. | 1.525265 .4383941 3.48 0.001 .660179 2.39035L3. | -.6439154 .4572429 -1.41 0.161 -1.546195 .2583646L4. | .8175053 .4573517 1.79 0.076 -.0849893 1.72L5. | -.344484 .4415619 -0.78 0.436 -1.21582 .5268524L6. | .0366413 .2516297 0.15 0.884 -.459901 .5331835|ffr |L1. | 1.003236 .0813051 12.34 0.000 .8427961 1.163676L2. | -.4497879 .1124048 -4.00 0.000 -.6715968 -.2279789L3. | .4273715 .1162791 3.68 0.000 .1979173 .6568256L4. | -.0775962 .114821 -0.68 0.500 -.3041731 .1489807L5. | .259904 .1120201 2.32 0.021 .0388542 .4809538L6. | -.2866806 .0806857 -3.55 0.000 -.445898 -.1274631|_cons | .2580589 .3200865 0.81 0.421 -.3735695 .8896873
------------------------------------------------------------------------------. matlist e(Sigma)| inflation unrate ffr
-------------+---------------------------------inflation | .1849129unrate | -.0064425 .0636598ffr | .0788766 -.09169 .6324
var
命令的报告结果以矩阵形式报告,每个方程以其因变量的名字命名,因此会报告三个方程:通胀方程、失业率方程以及利率方程。 e(Sigma) 中则保存 VAR 模型估计残差的协方差矩阵。注意各个方程的残差相关。
如你所见,估计系数表格非常长。即使不考虑常数项,一个有 n n n 个变量和 k k k 阶滞后的 VAR 模型中也会有 k n 2 kn^2 kn2 个系数。我们的 3 变量,6 阶滞后的 VAR 则有将近 60 个系数,但是我们却仅有 198 个观测。 选项 dfk
和 small
将对默认情形下报告的大样本统计量进行小样本调整。虽然结果会报告系数、标准误、 t t t 统计量、 p p p统计量等,但是并不能给我们直观的信息含量,因此很多论文甚至都不会报告这些系数表格,但是他们会报告一些更有信息量的统计量。接下来的两部分将会介绍两个 VAR 结果分析中常用的统计手段:格兰杰因果检验和脉冲响应函数。
3. 评价 VAR 结果:格兰杰因果检验
如果给定 y t y_t yt 的滞后阶数, x t x_t xt的滞后滞后项在以 y t y_t yt 为因变量的方程中联合统计显著,则称 x t x_t xt 是 y t y_t yt 的格兰杰原因 。例如,如果利率滞后项对失业率是联合显著的,则可以称利率是失业率的格兰杰原因。vargranger
命令可以进行格兰杰因果检验。
. quietly var inflation unrate ffr, lags(1/6) dfk small. vargrangerGranger causality Wald tests+------------------------------------------------------------------------+| Equation Excluded | F df df_r Prob > F ||--------------------------------------+---------------------------------|| inflation unrate | 3.5594 6 179 0.0024 || inflation ffr | 1.6612 6 179 0.1330 || inflation ALL | 4.6433 12 179 0.0000 ||--------------------------------------+---------------------------------|| unrate inflation | 2.0466 6 179 0.0618 || unrate ffr | 1.2751 6 179 0.2709 || unrate ALL | 3.3316 12 179 0.0002 ||--------------------------------------+---------------------------------|| ffr inflation | 3.6745 6 179 0.0018 || ffr unrate | 7.7692 6 179 0.0000 || ffr ALL | 5.1996 12 179 0.0000 |+------------------------------------------------------------------------+
像之前一样,方程之间通过被解释变量进行区分。对于每个方程,vargranger
都可以先单独检验每个变量在 VAR 模型中的因果关系,然后检验所有变量整体的格兰杰因果关系。在对失业率方程进行的格兰杰因果检验中,如上表所示,“ffr excluded” 检验的原假设是所有利率及其滞后项的系数在对失业率的预测中均为 0 ,备择假设是至少有一个不为 0 。 p p p 值为 0.27 并未落在 5% 显著性水平的拒绝域内,因此我们不能拒绝利率不会影响失业率的原假设,也就是说我们的数据和模型不支持利率是失业率的格兰杰原因的假设。相反地,在利率方程中,通胀和失业率的滞后项都是统计显著的,因此可以说通胀和失业率是利率的格兰杰原因。
每个方程中“all excluded” 行都剔除了全部的滞后项,在方程中只留了自相关系数,这是一个对方程中其他所有滞后项的统计显著性的检验,它可以被当做是一个纯粹的自回归模型设定(原假设)和 VAR 模型设定(备择假设)之间的检验。
你可以通过对每个方程跑 OLS 回归然后使用 test
命令检验相应的原假设来得到与格兰杰因果检验相同的结果,其结果与 vargranger
命令得到的结果应该是匹配的:
. quietly regress unrate l(1/6).unrate l(1/6).ffr l(1/6).inflation. test l1.inflation=l2.inflation=l3.inflation
> =l4.inflation=l5.inflation=l6.inflation=0( 1) L.inflation - L2.inflation = 0( 2) L.inflation - L3.inflation = 0( 3) L.inflation - L4.inflation = 0( 4) L.inflation - L5.inflation = 0( 5) L.inflation - L6.inflation = 0( 6) L.inflation = 0F( 6, 179) = 2.05Prob > F = 0.0618. test l1.ffr=l2.ffr=l3.ffr=l4.ffr=l5.ffr=l6.ffr=0( 1) L.ffr - L2.ffr = 0( 2) L.ffr - L3.ffr = 0( 3) L.ffr - L4.ffr = 0( 4) L.ffr - L5.ffr = 0( 5) L.ffr - L6.ffr = 0( 6) L.ffr = 0F( 6, 179) = 1.28Prob > F = 0.2709
4. 评价 VAR 模型结果:脉冲响应分析
评价 VAR 模型结果的第二个统计手段是对系统施加一些外生冲击,然后看这些冲击对于内生变量的影响。但是需要记住系统的每个方程的冲击之间并不是相互独立的,因此就我们现有模型而言,当我们讨论一个对通胀的冲击时,其结果常常是模糊的,因为这个冲击也会同时影响该方程中利率和失业率及其滞后项。
. matlist e(Sigma)| inflation unrate ffr
-------------+---------------------------------inflation | .1849129unrate | -.0064425 .0636598ffr | .0788766 -.09169 .6324
解决这个问题的一个方法是假设存在一个结构性冲击向量 u t u_t ut ,定义其其分量相互独立,并且这个冲击向量与原来的冲击之间存在如下关系:
ϵ t = A u t E ( u t u t ′ ) = I \epsilon_t=A u_t \\ E(u_t u'_t) =I ϵt=AutE(utut′)=I
如果我们定义误差项的协方差矩阵为 Σ \Sigma Σ ,则矩阵 A 与 Σ \Sigma Σ 之间的关系为:
Σ = E ( ϵ t ϵ t ′ ) = E ( A u t u t ′ A ′ ) = A E ( u t u t ′ ) A ′ = A A ′ \Sigma = E(\epsilon_t \epsilon'_t)=E(A u_t u'_t A')=AE(u_t u'_t )A'=AA' Σ=E(ϵtϵt′)=E(Autut′A′)=AE(utut′)A′=AA′
因为我们有从样本估计出的协方差矩阵 Σ ^ \hat{\Sigma} Σ^ ,我们于是可以由以上等式构造出 A ^ \hat{A} A^ :
(1) Σ ^ = A ^ A ′ ^ \hat{\Sigma} = \hat{A} \hat{A'} \tag{1} Σ^=A^A′^(1)
很多 A A A 矩阵都满足方程 (1) 。一种可能的方法是假设 A A A 是一个下三角矩阵,则 A A A 即可以通过对 Σ \Sigma Σ 进行 Cholesky 分解得到。这种分解方法非常常见,因此使用 var
命令时可以直接指定使用 Cholesky 分解。
对矩阵 A A A 做出下三角的假设在 VAR 模型的变量的顺序做出了要求,因为不同的顺序将会得到不同的 A A A 。变量顺序的经济学含义是对任意一个方程,其因变量都会被顺序在其之前变量的冲击影响,而不会被顺序在其之后的变量影响。对于这篇推文,我会对我们所用变量的顺序做出如下的设定:通胀冲击可以同期影响所有三个变量;失业率冲击只会同期影响利率,但不会影响通胀;利率冲击顺序在最后,因此既不会同期影响失业率,也不会同期影响通胀。
有了 A A A ,我们就可以制造方程间相互独立的冲击并且在 VAR 模型中观察这些冲击对变量施加的影响了。我们可以通过 irf create
命令建立脉冲响应方程,然后使用 irf graph
命令对脉冲响应结果画图。
. quietly var inflation unrate ffr, lags(1/6) dfk small. irf create var1, step(20) set(myirf) replace
(file myirf.irf now active)
(file myirf.irf updated). irf graph oirf, impulse(inflation unrate ffr) ///response(inflation unrate ffr) ///yline(0,lcolor(black)) ///xlabel(0(4)20) ///byopts(yrescale)
在跑出 VAR 之后,irf create
命令会创建一个 .irf 文件来保存 VAR 模型的结果。多个不同的 VAR 结果会被分别保存在不同的文件找那个,因此我们需要给每个 VAR 命名,在我们的例子中我们命名为 var1 。 set( ) 选项给 .irf’ 文件命名并将该文件设置为“活动的”。 .irf’ 文件将在之后的分析中使用。 step(20) 选项则指定 irf create
命令去获得 20 期的脉冲响应结果。
irf graph
命令根据 .irf’ 文件中的某些统计量画图。在该文件中的众多统计量中,我们对正交脉冲响应方程最感兴趣,因此我们在 irf graph
命令后指定 oirf。impulse( ) 和 response( ) 选项则分别指定对以哪些方程为自变量的方程造成冲击,以及对哪些变量需要绘图,这里我们将对所有变量进行冲击并绘图,脉冲响应图如下:
脉冲响应图每行放置同一冲击的影响,每列放置同一受冲击影响的变量。每张图的横轴是 VAR 的时间轴,在这里时间单位为季度,因此这里显示的是冲击在未来 20 个季度之内的影响。纵轴为 VAR 模型中的变量,由于数据中每个变量都使用百分比来衡量,因此在所有面板中纵轴表示的都是百分比的变化。
第一行表示的是一个单位的利率冲击对系统的影响。对利率的影响是持续的,并且在冲击开始后的 12 个季度内都保持在较高的水平;通胀在 8 个季度后有轻微下降,但是该冲击对通胀的影响在任意时间段内都是不显著的;失业率在12个月后有轻微下降,在下降之前最高会有 0.2% 的增加。
第二行则给出了通胀冲击对系统的影响。一个未预期到的通胀冲击将给失业率和利率带来持续正的影响,并且该冲击的影响在冲击发生 5 年后依然显著。
最后,第三行展示了失业率冲击对系统的影响。失业率冲击将会导致通胀率在冲击发生后一年内下降约 0.5 个百分点,利率则在同样时间段内下降约 1 个百分点。
这里使用的 VAR 和顺序都很清楚。所有的推断都基于 A A A 矩阵,也就是 VAR 模型中变量的顺序。不同的顺序会产生不同的 A A A 矩阵,从而得到不同的脉冲响应结果。此外,除了简单地指定变量顺序外,还有别的识别策略,我将在知乎的推文中讨论。
5. 结论
在这篇推文中,我们估计了一个 VAR 模型并讨论了该模型中两个常见的统计工具:格兰杰因果检验和脉冲响应分析。在我们的下一篇推文中,我们会对脉冲响应方程进行更深的讨论并给出对 VAR 模型进行结构推断的其他方法。
关于我们
- 【Stata 连享会(公众号:StataChina)】由中山大学连玉君老师团队创办,旨在定期与大家分享 Stata 应用的各种经验和技巧。
- 公众号推文同步发布于 CSDN-Stata连享会 、简书-Stata连享会 和 知乎-连玉君Stata专栏。可以在上述网站中搜索关键词
Stata
或Stata连享会
后关注我们。 - 点击推文底部【阅读原文】可以查看推文中的链接并下载相关资料。
- Stata连享会 精彩推文1 || 精彩推文2
联系我们
- 欢迎赐稿: 欢迎将您的文章或笔记投稿至
Stata连享会(公众号: StataChina)
,我们会保留您的署名;录用稿件达五篇
以上,即可免费获得 Stata 现场培训 (初级或高级选其一) 资格。 - 意见和资料: 欢迎您的宝贵意见,您也可以来信索取推文中提及的程序和数据。
- 招募英才: 欢迎加入我们的团队,一起学习 Stata。合作编辑或撰写稿件五篇以上,即可免费获得 Stata 现场培训 (初级或高级选其一) 资格。
- 联系邮件: StataChina@163.com
往期精彩推文
- Stata连享会推文列表1
- Stata连享会推文列表2
- Stata连享会 精彩推文1 || 精彩推文2
Stata: VAR (向量自回归) 模型相关推荐
- 多元时间序列回归模型_多元时间序列分析和预测:将向量自回归(VAR)模型应用于实际的多元数据集...
多元时间序列回归模型 Multivariate Time Series Analysis 多元时间序列分析 A univariate time series data contains only on ...
- 【视频】向量自回归VAR数学原理及R软件经济数据脉冲响应分析实例
最近我们被客户要求撰写关于向量自回归VAR的研究报告,包括一些图形和统计输出. 向量自回归 (VAR) 是一种用于多变量时间序列分析的统计模型,尤其是在变量具有相互影响关系的时间序列中,本视频中我们介 ...
- Stata广义矩量法GMM面板向量自回归PVAR模型选择、估计、Granger因果检验分析投资、收入和消费数据
最近我们被客户要求撰写关于广义矩量法GMM的研究报告,包括一些图形和统计输出. 摘要 面板向量自回归(VAR)模型在应用研究中的应用越来越多.虽然专门用于估计时间序列VAR模型的程序通常作为标准功能包 ...
- adf检验代码 python_第22期:向量自回归(VAR)模型预测——Python实现
一.向量自回归模型简介 经典回归模型都存在一个强加单向关系的局限性,即被解释变量受到解释变量的影响,但反之不成立.然而,在许多情况下所有变量都相互影响.向量自回归(VAR)模型允许这类双向反馈关系,所 ...
- 决策树模型回归可视化分析_【时间序列分析】在论文中用向量自回归(VAR)模型时应注意哪些问题?...
在论文的写作中,向量自回归(VAR)模型是经常用的一个模型,同时它也是多维时间序列模型的最核心内容之一. 首先要清楚,VAR模型主要是考察多个变量之间的动态互动关系,从而解释各种经济冲击对经济变量形成 ...
- R语言实现向量自回归VAR模型
澳大利亚在2008 - 2009年全球金融危机期间发生了这种情况.政府发布了一揽子刺激计划,其中包括2008年12月的现金支付,恰逢圣诞节支出.因此,零售商报告销售强劲,经济受到刺激,收入增加了. 最 ...
- Matlab创建向量自回归(VAR)模型分析消费者价格指数 (CPI) 和失业率时间序列
最近我们被客户要求撰写关于向量自回归的研究报告,包括一些图形和统计输出. 描述 var对象指定了p阶平稳的多变量向量自回归模型(VAR(p))模型的函数形式并存储了参数值. varm 对象的关键组成部 ...
- delphi dll是否可用var参数_时间序列之向量自回归(VAR)学习重点
综合整理自:百度文库等 向量自回归介绍: 当我们对变量是否真是外生变量的情况不自信时,传递函数分析的自然扩展就是均等地对待每一个变量.在双变量情况下,我们可以令{yt}的时间路径受序列{zt}的当期或 ...
- R语言随机搜索变量选择SSVS估计贝叶斯向量自回归(BVAR)模型
介绍 最近我们被客户要求撰写关于向量自回归的研究报告,包括一些图形和统计输出.向量自回归(VAR)模型的一般缺点是,估计系数的数量与滞后的数量成比例地增加.因此,随着滞后次数的增加,每个参数可用的信息 ...
最新文章
- mysql+提升更新语句效率_MySQL加快批量更新 UPDATE优化
- CUDA函数库调用问题解决
- QT显示框架嵌入Vs控制台工程
- 装服务器显示磁盘脱机,服务器磁盘处于脱机
- LR为什么用极大似然估计,损失函数为什么是log损失函数(交叉熵)
- CSS 让数字滑动显示
- 【英语学习】【Level 07】U08 Old Stories L6 Looking back
- 用Delphi内联汇编获取机器码
- 现代通信原理A.3:随机信号的功率谱估计
- dumpDex脱壳教程
- 项目管理:项目质量管理
- [项目管理-6]:软硬件项目管理 - 项目沟通管理(渠道、方法)
- Git的下载安装教程
- mta android 网速监控,网速监控
- eBay Inc(EBAY)2020年第三季度收益电话会议记录
- 制动电阻 DF8B型机车电阻制动装置-奥创电子
- 虚幻4渲染编程(环境模拟篇)【第三卷:体积云天空模拟(3)---高层云】
- 李阳常用英语口语365句
- 苹果手机充电口接触不良怎么办_手机充电插口松动!声音变小!手机死机!怎么办?...
- Linux exec函数