|
一、向量自回归理论： 对于简单的两变量的问题，这时解释变量与被解释变量之间的回归方程形式很容易确定，但是如果我们要处理多个变量之间的问题，对于哪个变量是被解释变量，哪些变量作为解释变量我们事先并不确定，对于这种相关变量交织在一起的，相互影响的问题，我们用一般的回归形式无法解决，这时我们就可以建立向量自回归模型，对系统中可能存在的关系作总体分析。 向量自回归模型是处理多个相关经济指标的分析与预测最容易操作的模型之一，常用于预测相关联系的时间序列系统及分析随机扰动对变量系统的动态冲击，从而解释各种经济冲击对经济变量形成的影响。 举例，用VAR模型研究货币政策股票市场的关系，货币政策选取货币供应量和利率两个变量，股票市场用股票价格的收益率来代表。货币供应量课分别选取M0，M1，M2，利率变量用20天加权平均银行同业拆借利率表示，股票价格选取上证综指收益率。在Eviews下，打开Group组数据，Quick命令下选VAR，只需选择滞后阶数即可，一般月度数据p<12，季度数据p<4（这是在数据非常大时），若选取的数据不够多，p小于等于4即可。 这时eviews会给出我们选取的变量之间的所有关系方程中的系数，具有显著性的即为有影响的变量。 二、Granger因果检验 这里的因果不是一般的因果关系，而是从预测的角度看变量x能否解释y的变动，主要看现在的y能够在多大程度上被过去的x解释，加入x的滞后值是否使解释程度提高。进行Granger检验前必须对序列进行平稳性检验，只有平稳的数据序列才能进行Granger检验。 在eviews中，对于定义的组数据，view下选Granger Causality，输入相应的滞后阶数即可。滞后阶数p应相对大一些，p的选择不同的得出的检验结果是不同的，滞后阶数越大越能完整反映所构造模型的动态特征，但是滞后阶数太大，又会使得估计的参数过多，模型的自由度就减少，一般不同的经济问题有不同的选择。 滞后阶数的确定有LR（似然比）检验、AIC信息准则和SC准则。 三、单整 非平稳序列可以通过差分运算，得到平稳性的序列称为单整序列。 若y通过d次差分成为一个平稳序列，而这个序列差分d-1次时不平稳，则y为d阶单整序列。单整阶数是序列中单位根的个数或者是使序列平稳而差分的阶数。 四、协整 是对于非平稳序列而言的，X、Y为非平稳但同阶单整的序列，则可对其进行协整检验，若X、Y不同阶则无法进行协整检验。 有两大类方法，一是基于回归残差的检验，一是基于回归系数的检验。 Engle和Granger提出的检验方法是对回归方程的残差进行单位根检验，若这个残差序列是平稳的，则变量之间存在协整关系，因此检验一组变量之间是否存在协整关系，等价于检验回归方程的残差序列是否是一个平稳序列主要有DF、ADF、CRDW方法。 协整检验的目的是决定一组非平稳序列的线性组合是否具有协整关系，也可以通过协整检验来判断线性回归方程设定是否合理，这一类协整检验主要是针对单方程而言。 对于多变量模型则采用Johansen协整检验，是基于回归系数的检验，在向量自回归基础上建立的检验。有两种方法：特征根迹检验和最大特征根检验 原假设均为r=0，不显著时接受原假设，则不存在协整关系，拒绝原假设则存在协整关系。r为协整关系的数量。若拒绝则进一步检验原假设为r=1.，接受原假设则有一个协整关系，拒绝则至少有2个协整关系，直至接受原假设，如果拒绝原假设r= 注意：迹检验和最大特征根的结论可能产生冲突，对于这种情况建议检验估计得到的协整向量，并将选择建立在协整关系的解释能力上。 View下cointegeation test实现协整检验，在此之前必须先进行单位根检验，因为协整检验仅对已知非平稳的序列有效。 对于选项中是否包含趋势项，可先观察数据的曲线图，若无显著趋势则选不包含趋势项的形式，若不能确定用哪一个趋势假设，可选第六项帮助确定趋势假设的选择。这个趋势假设的每一个下面都标明协整关系的个数。 五、单位根检验 主要DF、ADF、PP检验 DF检验：原理对数据建立模型，若系数绝对值小于1，则序列平稳；若等于1则序列为一阶单整非平稳；若大于1，则序列分散。因此判断一个序列是否平稳可通过检验系数是否严格小于1来实现。 这个检验只有当序列为AR（1）时才有效，若序列存在高阶滞后相关，就违背了扰动项是独立同分布的假设，这时再用DF检验就不再合适。 ADF检验 序列存在p阶序列相关，原假设为序列存在一个单位根，备择假设不存在单位根，通过检验系数看是否不拒绝原假设，进而判断一个高阶自相关序列过程是否存在单位根。 注意：1、滞后阶数的选择通常采用AIC准则。 2、对于三种不同回归方程的选择，（不包含常数趋势，包含常数不包含趋势，包含常数趋势） 可看曲线图观察是否有显著趋势 PP检验 针对干扰项存在异方差或序列相关的现象进行的检验 一般情况下，可同时进行ADF和PP检验，若同时通过则更有说服力。 |
|
|
