Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化...
全文下载链接:http://tecdat.cn/?p=27784
河源市是国务院1988年1月7日批准设立的地级市,为了深入研究河源市公路交通与经济发展的关系,本文选取了1988-2014年河源市建市以来24年的地区生产总值(GDP)和公路通车里程(GL)的时间序列数据,其中公路通车里程(GL)用来反映河源市公路交通发展状况,地区生产总值(GDP)反映河源市的经济增长状况。
相关视频
为了消取数据的异方差,将原始数据取对数,分别记做LogGDP和LogGL,数据见表,采用ADF法对LogGDP和LogGL的平稳性进行单位根检验。
首先,对1988-2014年河源市24年的LogGDP和LogGL时间序列进行ADF单位根检验,单位根检验结果如表:
t值和p值是等效的,p值要求小于给定的显著水平,越小越好,小于0.05.等于0是最好的。结果显示,LogGDP和LogGL的ADF值分别为-3.160130和-1.895105,均大于水平值,说明接受原假设,LogGDP和LogGL序列存在单位根,为非平稳序列。因此,需要对LogGDP和LogGL序列继续第二步检验,即对LogGDP和LogGL的一阶差分进行检验,结果如表 :
结果显示,LogGDP和LogGL经过一阶差分检验,得到一阶差分序列D(LogGDP)和D(LogGL)的p值分别为0.0046和 0.0000,均小于0.05的显著值。由于D(LogGDP)和D(LogGL)都是单整序列,且单整阶数相同,均为I(1),所以LogGDP和LogGL两序列之间可能存在协整关系。
点击标题查阅往期内容
向量自回归VAR的迭代多元预测估计 GDP 增长率时间序列|数据分享
左右滑动查看更多
01
02
03
04
GDP与公路交通里程GL协整性检验
由序列的平稳性检验结果可知,河源市地区生产总值GDP和公里通车里程GL在1988-2014年这个时间序列中可能存在协整关系,协整检验的方法有Engle Granger两步法和Johansen极大似然法前者适合对两变量的模型进行协整检验后者适合在多变量的VAR模型中进行检验。
利用engle和granger提出的两步检验法:
首先建立OLS回归模型,结果为
首先建立模型:y=ax+c+e,结果为loggdp= 2.332247*loggl + -7.210750
由ADF单位根检验结果可以看出上述变量是一阶平稳的符合granger因果关系检验的条件.现对各变量之间进行granger因果关系检验以确定它们之间的相互影响关系.取滞后阶数为2阶。
granger因果检验:
从结果可知拒绝loggl不能granger loggdp的假设,即loggl granger引起loggdp;但是不能拒绝loggdp不能granger引起loggl,即接受loggdp不能granger引起loggl。
同时,对方程的残差进行ADF检验结果可以看出残差序列不是平稳的,因此loggdp和loggl之间不存在协整关系。
建立VAR模型
利用Eviews计量经济分析软件,本文对logGDP、loggl变量建立VAR(1)模型,对于VAR模型滞后阶数的选择,得到如表所列的5个评价指标,且5个指标均认为1阶合理即建立VAR(1)模型。
同时,有两类回归统计量出现在VAR对象估计输出的底部:
输出的第一部分的标准OLS回归统计量。根据各自的残差分别计算每个方程的结果,并显示在对应的列中。
输出的第二部分是VAR模型的回归统计量。
即协整方程式是:
LOGGDP=1.36534925116*LOGGDP(-1)-0.326349983643*LOGGDP(-2)+0.139864325278*LOGGL(-1)-0.239810823184*LOGGL(-2)+0.44758535991
可以看到VAR模型的所有根模的倒数都小于1,即都在单位圆内,则该模型是稳定的。可以对VAR模型进行一个标准差的脉冲响应函数分析。
脉冲响应函数是用来衡量随机扰动项的一个标准差冲击对其他变量当前与未来取值的影响轨迹它能够比较直观地刻画变量之间的动态交互作用。
本文继续利用方差分解技术分析经济增长速度、交通量增长之间的相互贡献率。进行方差分解示意图。
各变量对经济增长速度的贡献率。
实证检验
为了检验所建立交通量VAR预测模型的效果,用EVIEWS软件对loggdp历史数据仿真,得到如下预测模型。
loggdp = @coef(1) loggdp(-1) + @coef(2) loggdp(-2) + @coef(3) loggl(-1) + @coef(4) loggl(-2) + @coef(5)
@coef(1) = 1.3653493
@coef(2) = -0.3263500
@coef(3) = 0.1398643
@coef(4) = -0.2398108
@coef(5) = 0.4475854
用VAR方法建立的GDP预测模型预测精度较高,效果较好。此外,可以得到如下的比较图:
同时,对loggl历史数据仿真,得到如下预测模型。
loggl = @coef(1) loggdp(-1) + @coef(2) loggdp(-2) + @coef(3) loggl(-1) + @coef(4) loggl(-2) + @coef(5)
@coef(1) = 0.9502916
@coef(2) = -0.8089714
@coef(3) = 0.5952874
@coef(4) = -0.0153147
@coef(5) = 1.7812591
以及历年loggl预测值、loggl实际值。
采用VAR方法建立的GDP预测模型有一个显著优点,即它不用对当期的GDP或其他变量作出预测,只用历史的GDP和交通量数据,就可以对GDP做出比较准确的预测,由于减少中间变量预测的传递,相应提高了模型预测精度。
点击文末“阅读原文”
获取全文完整资料。
本文选自《Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化》。
点击标题查阅往期内容
R语言实现向量自回归VAR模型
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
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
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
Stata广义矩量法GMM面板向量自回归 VAR模型选择、估计、Granger因果检验分析投资、收入和消费数据
R语言时变向量自回归(TV-VAR)模型分析时间序列和可视化
R语言用向量自回归(VAR)进行经济数据脉冲响应研究分析
R语言arima,向量自回归(VAR),周期自回归(PAR)模型分析温度时间序列
R语言VAR模型的不同类型的脉冲响应分析
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
R语言时变参数VAR随机模型
R语言估计时变VAR模型时间序列的实证研究分析案例
R语言向量自回归模型(VAR)及其实现
R语言实现向量自回归VAR模型
R语言估计时变VAR模型时间序列的实证研究分析案例
Python和R用EWMA,ARIMA模型预测时间序列
R语言用LASSO,adaptive LASSO预测通货膨胀时间序列
Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测
R语言arima,向量自回归(VAR),周期自回归(PAR)模型分析温度时间序列
【视频】Python和R语言使用指数加权平均(EWMA),ARIMA自回归移动平均模型预测时间序列
Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化...相关推荐
- Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化
最近我们被客户要求撰写关于向量自回归模型的研究报告,包括一些图形和统计输出. 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 [视频]向量自回归VAR数学原理及R语言软件经济数据脉冲响 ...
- R语言-向量自回归模型VAR的实现
向量自回归模型VAR是计量经济学中的一个概念,用于多元时间序列相关关系的分析.详细概念我就不赘述了,具体的定义和技术流程可以看计量经济学的相应书籍.人大经济论坛的视频或者是公众号"财经节析& ...
- 机器学习笔记:向量自回归模型VAR
1 向量自回归模型 时间序列分析从单一时间序列 拓展到了多元时间序列,在任意第t 个时刻,观测样本从 一维变成了N维 给定多元时间序列数据,对于任意第t个时间间隔,有: 换一个角度看,可以看成是个in ...
- R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
原文链接:http://tecdat.cn/?p=22215 向量自回归模型估计的先决条件之一是被分析的时间序列是平稳的.但是,经济理论认为,经济变量之间在水平上存在着均衡关系,可以使这些变量差分而平 ...
- 做面板数据分位数回归模型_面板数据向量自回归模型
计量经济学服务中心专辑汇总!计量百科·资源·干货:Stata |Python |Matlab |Eviews |R Geoda |ArcGis |GeodaSpace |SPSS 一文读 ...
- R语言EG(Engle-Granger)两步法协整检验、RESET、格兰杰因果检验、VAR模型分析CPI和PPI时间序列关系...
全文链接:http://tecdat.cn/?p=31108 作为衡量通货膨胀的基本指标,消费者价格指数CPI和生产者价格指数PPI的作用关系与传导机制一直是宏观经济研究的核心问题.(点击文末&quo ...
- 非平稳的原始序列通过协整检验可以用来建立VAR模型吗?
求各位大神帮忙!我选了三个变量进行研究,经过ADF检验之后,发现三个变量原始序列不平稳,一阶差分之后均平稳.由于使用原始序列建立的VAR模型R2均在98%以上,说明模型的拟合性比较好:但是一阶差分之后 ...
- 自回归模型/向量自回归模型
自回归模: 利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型. 向量自回归模型(简称VAR模型)是一种常用的计量经济模型,由克里斯托弗·西姆斯(Christopher Sim ...
- ar自回归 python_时间序列分析 | 向量自回归模型
向量自回归模型的英文名称为Vector Autoregressive model,常被简写成VAR.向量自回归的出现由来已久,可以追溯到上个世纪80年代,人们构建向量自回归模型主要出于以下考虑: 时间 ...
最新文章
- AngularJS模块——module
- 图形处理(十三)基于可变形模板的三维人脸重建-学习笔记
- nginx 反向代理+ip智能解析
- stella forum v1.2 的初始设计模型
- 中缀表达式变后缀分析
- 地图投影(一)高斯克吕格投影
- Jeesit下面form:select的二级联动
- FFmpeg-2、编解码及视频像素格式尺寸转换和音频重采样
- CGLIB动态代理--实例/原理
- PHP爬虫最全总结1
- Unity(十):3D角色移动跳跃
- 为什么在wps中调整了0.5倍行距,某一页的行数不会发生变化?
- C语言学习(2):enum枚举时出现的问题:
- ppt如何制作个人简历?
- C语言比较两个字符串相等为什么不是用“==”
- python中一切内容都可以称为_Python中对象的概念很广泛,Python中的一切内容都可以称为 。...
- 使用 U 盘启动盘安装 Windows 7 旗舰版系统
- 美团点评校招内推啦!!!!
- Android-混淆学习
- 字节跳动All in教育的战略决心与长期主义