第二十章 向量自回归和误差PPT.pptx

第二十章 向量自回归和误差修正模型 联立方程组的结构性方法是用经济理论来建立变量之间关系的模型。但是，经济理论通常并不足以对变量之间的动态联系提供一个严密的说明。并且，内生变量既可以出现在等式的左端又可以出现在等式的右端使得估计和推断更加复杂。 为解决这些问题产生了一种用非结构性方法来建立各个变量之间关系的模型，就是这一章所讲述的向量自回归模型（Vector Auto regression, VAR）以及向量误差修正模型（Vector Error Correction, VEC）的估计与分析。同时也给出一些检验几个非稳定变量之间协整关系的工具。 §20.1 向量自回归理论 向量自回归（VAR）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需要。一个VAR(p) 模型的数学形式是： (20.1) 这里 yt 是一个k 维的内生变量，xt 是一个 d 维的外生变量。A1,… ,Ap 和B是待估计的系数矩阵。?t 是扰动向量，它们相互之间可以同期相关，但不与自己的滞后值相关及不与等式右边的变量相关。 由于仅仅内生变量的滞后值出现在等式的右边，所以不出现同期性问题，并且OLS能得到一致估计。即使扰动向量 ?t 有同期相关，但OLS仍然是有效的，因为所有的方程有相同的回归量，所以其与GLS是等价的。注意，由于任何序列相关都可以通过增加更多的 yt 滞后项而被调整（absorbed），所以扰动项序列不相关的假设并不严格。 作为VAR的一个例子，假设工业产量（IP）和货币供应量（M1）联合地由一个双变量的VAR模型决定，并且让常数为唯一的外生变量。内生变量滞后二阶的VAR(2)模型是： (20.2)其中，aij , bij , ci 是待估计的参数。也可表示成：§20.2 估计VAR模型及估计输出§20.2.1 建立VAR模型 为了详细说明一个向量自回归模型，必须创建一个VAR对象，选择Quick/Estimate VAR…或者选择Objects/New object/VAR或者在命令窗口中键入VAR。下面的对话框便会出现： 4. 在相应的编辑框中输入滞后信息 这一信息将会告诉EViews哪个滞后变量应该被包括在每个等式的右端。这一信息应成对输入：每一对数字描述一个滞后区间。例如，滞后对： 1 4 告诉EViews用系统中所有内生变量的一阶到四阶滞后变量作为等式右端的变量。 可以添加代表滞后区间的任意数字，但都要成对输入。例如： 2 4 6 9 12 12 表示：用 2 – 4 阶，6 – 9 阶及第 12 阶滞后变量。 前面例子对话框中的VAR模型。取IP、M1和TB3三个内生变量，这个模型用了1 – 2 阶滞后变量并且仅仅常数是外生变量。 其余两个菜单（Cointegration 和 Restrictions）仅与VEC模型有关，将在后面介绍。§20.2.2 VAR估计的输出 一旦设定了VAR，单击OK。EViews将会在VAR窗口显示估计结果(VAR01) ： 表中的每一列对应VAR中一个内生变量的方程。对方程右端每一个变量，EViews会给出系数估计值、估计系数的标准误差及 t - 统计量。例如在TB3方程中IP(-1)的系数是0.087563。 (VAR02包含外生变量) 两类回归统计量出现在VAR估计输出的底部： 输出的第一部分显示的是每个方程的标准OLS回归统计量。分别计算每个方程的结果（使用各自的残差项），并被显示在对应的列中。第二部分是VAR系统的回归统计量。 残差的协方差的行列式值由下式得出： (20.3)其中 p 是VAR每一方程的参数个数， ?t 是 k 维残差向量。通过假定服从多元正态（高斯）分布计算对数似然值： (20.4) 两个信息准则由下面两式算出： 其中 n = k(d + pk) 是VAR中被估计的参数的总数，k 是内生变量数，T 是样本长度，这些信息准则可被用于模型的选择，例如决定VAR的滞后长度；信息准则的值越小模型越好。值得注意的是，一些参考文献通过不同的方法来定义AIC/SC，如在似然函数中忽略常数项或不除以T，请见附录F中关于各种信息准则的附加讨论。(20.5) §20.3 VAR 视图和过程 一旦估计一个VAR模型，EViews会提供关于被估计VAR模型的各种视图。这一部分仅讨论与VAR模型有关的特定的视图。其它的视图和过程可参考第19章：系统估计。 §20.3.1 诊断视图 在VAR窗口的View/Lag Structure和View/Residual Tests菜单下将提供一系列的诊断视图。这些将有利于检验被估计VA