时间序列之向量自回归检验VAR(自相关性)(2)
一、基本概念
- 对于模型yt=b0+b1x1t+b2x2t+⋯+bkxkt+uty_{t}= b_{0} +b_{1}x_{1t}+b_{2}x_{2t}+\cdots+b_{k}x_{kt}+u_{t} yt=b0+b1x1t+b2x2t+⋯+bkxkt+ut如果随机误差项utu_{t}ut的各期望值之间存在着相关关系,即
Cov(ui,uj)=E(uiuj)不等于0(i不等于j)Cov(u_{i},u_{j})=E(u_{i}u_{j}) 不等于0 (i不等于j) Cov(ui,uj)=E(uiuj)不等于0(i不等于j)
这时,称随机误差项之间存在自相关性(autocorrelation)或序列相关。 - 随机误差项的自相关性可以有多种形式,详情见https://editor.csdn.net/md/?articleId=114406861。其中最常见的类型是随机误差项之间存在一阶自相关性或一阶自回归形式。
- 一阶自相关性或一阶自回归,记为AR(1),即随机误差项只与它的前一期值相关:Cov(ut,ut−1)=E(utut−1)=/=0(i不等于j)Cov(u_{t},u_{t-1})=E(u_{t}u_{t-1}) =/=0 (i不等于j) Cov(ut,ut−1)=E(utut−1)=/=0(i不等于j)
或者
ut=f(ut−1)=αut−1+vt(−1<α<1)u_{t}=f(u_{t-1})=\alpha u_{t-1}+v_{t} (-1<\alpha<1) ut=f(ut−1)=αut−1+vt(−1<α<1)
则称这种关系为一阶自相关。α\alphaα称为一阶自相关系数。 - P阶自相关性可以表示为
ut=a1ut−1+a2ut−2+a3ut−3+⋯+aput−p+vtu_{t}= a_{1} u_{t-1}+ a_{2} u_{t-2} + a_{3} u_{t-3} + \cdots +a_{p} u_{t-p} + v_{ t} ut=a1ut−1+a2ut−2+a3ut−3+⋯+aput−p+vt
称之为p 阶自回归形式,记为AR(p),或模型存在 p 阶自相关。
自回归模型
如果滞后的变量模型的解释变量仅包括自变量X的当期值和被解释变量的若干期滞后值,模型的形式为
Yt=α+βXt+a1Yt−1+a2Yt−2+⋯+apYt−p+utY_{t} = \alpha +\beta X_{t}+a_{1}Y_{t-1}+ a_{2}Y_{t-2}+\cdots+ a_{p}Y_{t-p}+u_{t} Yt=α+βXt+a1Yt−1+a2Yt−2+⋯+apYt−p+ut
式中,q为自回归模型的阶数,这类模型称为自回归模型。
由于无法观察到误差项 u t,只能通过残差项 e t来判断 u t 的行为。
通俗讲:自相关无非就是为了了解某个系列(比如股价)受到过去所有/历史上此系列的线性影响,如果模型合适了便可以做预测。
二、向量自回归检验(时间序列模型需要存在自相关)(Eviews)
1. 向量自回归检验(VAR):Vector autoregression
- 单独建一个AR模型,不足以说明每个变量的影响。此时就需要做VAR模型。
- VAR模型针对的是平稳性序列,如果是非平稳性的 ,实质上则进行的是Johansen协整检验。
2. 步骤:
先做平稳性检验。unit root test
如果不平稳,则先转化成平稳的(可采用差分,或者取对数等)。若平稳,则确定滞后阶数P。
带* 表示最优的阶数。外生性检验(格兰杰检验)
确定滞后值是否对被解释变量是否有预测能力。若有则进行后续操作,如无则后续操作无意义。
若外生检验通过,则表明其他滞后值对当前被解释变量有预测能力,就可以进行模型稳定性的判断。
判断模型的稳定性;(两种发法)
若模型稳定,则进行脉冲检验。否则后续检验无意义。脉冲响应和方差分解(分析各变量的影响)
进入脉冲模型的两种方法:
方差分解:
三 、 线性回归模型的自相关性检验(回归模型不能存在自相关性)
- 自相关性产生的原因:
- 经济变量惯性的作用引起随机误差项自相关
- 经济行为的滞后性引起随机误差项自相关
- 一些随机因素的干扰或影响引起随机误差项自相关
- 模型设定误差引起随机误差项自相关
- 观测数据处理引起随机误差项序列相关
线性回归模型中随机误差项存在序列相关的原因很多,但主要是经济变量自身特点、数据特点、变量选择及模型函数形式选择引起的。
- 自相关的后果
- 自相关不影响OLS估计量的线性和无偏性,但使之失去有效性
- 自相关的系数估计量将有相当大的方差
- 自相关系数的T检验不显著
- 模型的预测功能失效
线性相关模型的随机误差项存在自相关的情况下,用OLS(普通最小二乘法)进行参数估计,会造成以下几个方面的影响。
从高斯-马尔可夫定理的证明过程中可以看出,只有在同方差和非自相关性的条件下,OLS估计才具有最小方差性。当模型存在自相关性时,OLS估计仍然是无偏估计,但不再具有有效性。这与存在异方差性时的情况一样,说明存在其他的参数估计方法,其估计误差小于OLS估计的误差;也就是说,对于存在自相关性的模型,应该改用其他方法估计模型中的参数。
- 线性自相关性的检验(SPSS)
残差统计和标准化残差图是为了能够直观地看出误差项是否自相关。一阶线性自相关可以使DW-检验。详情见https://editor.csdn.net/md?articleId=113869409
时间序列之向量自回归检验VAR(自相关性)(2)相关推荐
- 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语言用向量自回归(VAR)进行经济数据脉冲响应研究分析
自从Sims(1980)发表开创性的论文以来,向量自回归模型已经成为宏观经济研究中的关键工具.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.这篇文章介绍了VAR分析 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 【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 ...
- 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 ...
- 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 ...
最新文章
- LeetCode简单题之二叉树的层平均值
- 【django轻量级框架】使用支付宝支付接口(沙箱)
- 1,2 多维运动公式
- docker报错解决办法:Error response from daemon: Get https://registry-1.docker.io/v2/: proxyconnect tcp
- linux以16进制查看文件
- bouml 逆向分析c++_JS逆向之漫画柜
- 小程序 --- 项目小练手Ⅰ
- 为什么要“男孩穷养、女孩富养”
- 转hdmi_苹果本轻松接大屏,毕亚兹雷电接口转HDMI/VGA转换器评测
- 《领域驱动设计》第二部分:模型驱动设计的构造块 第四章:分离领域 阅读笔记...
- c mysql 双主复制_mysql双主复制总结
- druid mysql 乱码_2017.02.21 Mysql 字符集 乱码 排错过程
- Android本地应用程序应用方式介绍
- vue 如何读取编译携带的参数
- IIS7中添加html对! #include 的引用
- 【Unity编辑器扩展实践】、扩展Hierarchy菜单
- 成都拓嘉辰丰:拼多多子账号建立的方法?
- 大都会人寿三周的工作回顾
- python用七巧板图片画个图_画一个太大而不能放进一个七巧板的图像
- Android 实现禁用中文键盘