 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
VAR模型、Johansen协整检验在eviews中的具体操作步骤及结果解释
下载积分：800
内容提示：VAR模型、Johansen协整检验在eviews中的具体操作步骤及结果解释
文档格式：PPT|
浏览次数：203|
上传日期： 23:27:27|
文档星级：
该用户还上传了这些文档
VAR模型、Johansen协整检验在eviews中的具体操作步骤
官方公共微信君，已阅读到文档的结尾了呢~~
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
SVAR操作步骤Eviews
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口欢迎光临兵团金融发展研究中心！！今天是
网站公告：热烈庆祝中心网站成立！ 中心功能：学术研究，社会服务，人才培养，学术交流，信息共享!…
金融论坛 第45期 向量自回归(VAR)模型及其Eviews实现
作者:郭艳芳&&时间: 18:31 &&来源:未知 &&人气：
主题发言人：马洁
论坛观察员：高岩
报告时间：日
报告地点：教学楼205
【报告观点、内容】
一般传统的回归模型都以经济理论为基础，应用模型对经济主体的行为做出适当的描述，然后分析外生变量如何影响内生变量。但是这种模型存在一些缺陷，一种缺陷是把一些变量看成是内生的，而把另一些看成外生的或前定的，这种决定往往是主观的，因为有可能这两个变量是互为因果的；另一种缺陷是在构造联立方程模型时，为了使模型可识别，必须在某个方程中舍去某些变量。VAR模型的核心思想就是不考虑经济理论，而直接考虑时间序列的各经济变量间的关系。
1980年西姆斯将VAR模型引入到经济学中，推动了经济系统动态性分析的广泛应用。VAR模型采用多方程联立的形式，不以经济理论为基础，在模型的每一个方程中，内生变量对模型的全部内生变量的滞后值进行回归，从而估计全部内生变量的动态关系，并进行预测。在金融活动中，VAR应用于国际金融、资本市场等多个领域，可以说，只要问题涉及多变量，时间序列数据，都有利用VAR的可能。
本文从向量自回归理论、VAR的建立与识别、VAR模型的检验、脉冲响应函数、方差分析、协整检验这六部分详细介绍VAR模型及其Eviews实现，重点对脉冲响应函数、方差分析进行了讲解。其次，借鉴相关采用VAR模型的论文来具体讲解实际应用该模型的注意事项及操作步骤，从而加深同学们对该方法的理解与掌握。
所讲方法新颖，操作简单，实用性强。讲述内容丰富，思路清晰，逻辑性强。语言平实简洁，通俗易懂。有助于同学们学习新方法，为学术研究提供新思路。
撰稿：马洁& 审核：谢婷婷&&单位：兵团金融发展研究中心统计与金融系
下一篇：没有了
Copy&right
兵团金融发展研究中心 | 地址：五家渠前进东街109号 | 邮箱： | 技术支持：聊化星辰 |使用eviews做线性回归分析
使用eviews做线性回归分析
Glossary: ls(least squares)最小二乘法 R-sequared样本决定系数（R2）：值为0-1，越接近1表示拟合越好，&0.8认为可以接受，但是R2随因变量的增多而增大，解决这个问题使用来调整 Adjust R-seqaured() S.E of regression回归标准误差 Log likelihood对数似然比：残差越小，L值越大，越大说明模型越正确 Durbin-Watson stat：DW统计量，0-4之间 Mean dependent var因变量的均值 S.D. dependent var因变量的标准差 Akaike info criterion赤池信息量(AIC)（越小说明模型越精确） Schwarz ctiterion:施瓦兹信息量（SC）（越小说明模型越精确） Prob(F-statistic)相伴概率 fitted(拟合值) 线性回归的基本假设： 1.自变量之间不相关 2.随机误差相互独立，且服从期望为0，标准差为σ的正态分布 3.样本个数多于参数个数 建模方法: ls y c x1 x2 x3 ... x1 x2 x3的选择先做各序列之间的简单相关系数计算，选择同因变量相关系数大而自变量相关系数小的一些变量。模型的实际业务含义也有指导意义，比如m1同gdp肯定是相关的。 模型的建立是简单的，复杂的是模型的检验、评价和之后的调整、择优。 模型检验： 1）方程显著性检验（F检验）：模型拟合样本的效果，即选择的所有自变量对因变量的解释力度 F大于临界值则说明拒绝0假设。 Eviews给出了拒绝0假设(所有系统为0的假设)犯错误(第一类错误或α错误)的概率(收尾概率或相伴概率)p值，若p小于置信度(如0.05)则可以拒绝0假设，即认为方程显著性明显。 2）回归系数显著性检验（t检验）：检验每一个自变量的合理性 |t|大于临界值表示可拒绝系数为0的假设，即系数合理。t分布的自由度为n-p-1,n为样本数，p为系数位置 3）DW检验：检验残差序列的自相关性，检验基本假设2（随机误差相互独立） 残差：模型计算值与资料实测值之差为残差 0&=dw&=dl 残差序列正相关，du&dw&4-du 无自相关， 4-dl&dw&=4负相关 ，若不在以上3个区间则检验失败，无法判断 demo中的dw=0.141430 ，dl=1.73369,du=1.7786,所以存在正相关 模型评价 目的：不同模型中择优 1）样本决定系数R-squared及修正的R-squared R-squared=SSR/SST 表示总离差平方和中由回归方程可以解释部分的比例，比例越大说明回归方程可以解释的部分越多。 Adjust R-seqaured=1-(n-1)/(n-k)(1-R2) 2）对数似然值(Log Likelihood,简记为L) 残差越小，L越大 3）AIC准则 AIC= -2L/n+2k/n, 其中L为 log likelihood,n为样本总量，k为参数个数。 AIC可认为是反向修正的L，AIC越小说明模型越精确。 4）SC准则 SC= -2L/n + k*ln(n)/n 用法同AIC非常接近 预测forecast root mean sequared error(RMSE)均方根误差 Mean Absolute Error(MAE)平均绝对误差 这两个变量取决于因变量的绝对值， MAPE(Mean Abs. Percent Error)平均绝对百分误差，一般的认为MAPE&10则认为预测精度较高 Theil Inequality Coefficient（希尔不等系数）值为0-1，越小表示拟合值和真实值差异越小。 偏差率(bias Proportion)，bp，反映预测值和真实值均值间的差异 方差率(variance Proportion)，vp，反映预测值和真实值标准差的差异 协变率(covariance Proportion)，cp，反映了剩余的误差 以上三项相加等于1。 预测比较理想是bp,vp比较小，值集中在cp上。 eviews不能直接计算出预测值的置信区间，需要通过置信区间的上下限公式来计算。如何操作？ 其他 1)Chow检验 chow's breakpoint检验 零假设是：两个子样本拟合的方程无显著差异。有差异则说明关系中结构发生改变 demo中 Chow Breakpoint Test: 1977Q1&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& F-statistic&&&&&&& 2.42&&&&&&&&&&& Prob. F(3,174)&&&&&&&&&&&&&&& 0.3355 Log likelihood ratio&&&&&&& 8.78&&&&&&&&&&& Prob. Chi-Square(3)&&&&&&&&&&&&&&& 0.0291 &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& p值&0.05，可拒绝0假设，即认为各个因素的影响强弱发生了改变。 问题是如何才能准确的找到这个或这几个断点？目前的方法是找残差扩大超出边线的那个点，但这是不准确的，在demo中1975Q2的残差超出，但是chow's breakpoint检验的两个p值都接近0.2，1976Q3开始两个p值才小于0.05，并且有逐渐减小之势。 chow's forecast检验 用断点隔断样本，用之前的样本建立回归模型，然后用这个模型对后一段进行预测，检验这个模型对后续样本的拟合程度。 0假设是：模型与后段样本无显著差异 demo中的1976Q4作为break point,得到两个p值为0，即认为两段样本的系数应该是不同的。 2）自变量的选择 testadd检验： 操作方法是: eqation name.testadd ser1 ser2 ... 0假设：应该将该变量引入方程 检验统计量：wald,LR 结果：通过两个p值(Prob. F,Prob Chi-sequare)看是否拒绝原假设 testdrop检验： 操作方法是: eqation name.testdrop ser1 ser2 ... 0假设：应该将该变量剔除 检验统计量：wald,LR 结果：通过两个p值(Prob. F,Prob Chi-sequare)看是否拒绝原假设 含定性变量的回归模型 分为：自变量含定性变量，因变量含定性变量。后一种情况较为复杂 建立dummy 变量(名义变量)：用D表示 当变量有m种情况时，需要引入m-1个dummy变量 处理办法：把定性变量定义成0.1.2等数值后和一般变量同样处理 常见问题及对策 1）多重共线性（multicollinearity）: p个回归变量之间存在严格或近似的线性关系 诊断方法： 1.如果模型的R-sequared很大，F检验通过，但是某些系统的t检验没通过 2.某些自变量系数之间的简单相关系数很大 3.回归系数符号与简单相关系统符号相反 以上3条发生都有理由怀疑存在多重共线性 方差扩大因子(variance inflation factor VIFj)是诊断多重共线性的常用手段。 VIFj为矩阵(X’ X)-1第j个对角元素cjj=1/(1-R2j)(j=1,2…,p) 其中R2j为以作为cj因变量，其余p-1个自变量作为自变量建立多元回归模型所得的样本决定系数，所以R2j越大则说明自变量之间自相关性越大，此时也越大，可以认为VIFj&10(R2j&0.9)则存在多重共线性。 还可以使用VIFj的平均数作为判断标准，如果avg(VIFj)远大于10则认为存在多重共线性。 eviews里如何使用VIF法？--建立方程，然后手工建立scalar vif。demo中GDP和PR的vif为66，存在多重共线性? 只有一个自变量的方程是否会失效?此时dw值只有0.01远小于dl，说明GDP远远不是PR能决定的。结合testdrop将PR去除，两个p值为0，说明不能把PR去除。 在eviews中当自变量存在严重的多重共线性时将不能给出参数估计值，而会报错：nearly singular matrix 多重共线性的处理： 1.剔除自变量，选择通过testdrop实验，并且vif值最大的那个 2.差分法，在建立方程时填入 ls m1-m1(-1) c gdp-gdp(-1) pr-pr(-1)。m1(-1)表示上一个m1 && 差分法常常会丢失一些信息，使用时应谨慎。 demo中得到的模型，c 的p值0.11, pr-pr(-1)的p值为0.60，说明参数无效。 2）异方差性（Herteroskedasticity） 即随机误差项不满足基本假设的同方差性,异方差性说明随机误差中有些项对因变量的影响是不同于其他项的。 一般地，截面数据做样本时出现异方差性的可能较大，或者说都存在异方差性 若存在异方差性，用OLS估计出来的参数，可能导致估计值虽然是无偏的，但不是有效的。 （截面数据就是同一时间点上各个主体的数据，比如2007年各省的GDP数据放在一起就是一组截面数据 与之相对的是时间序列数据 如河北省从00年到07年的数据就是一组时间序列数据 两者综合叫面板数据 ） 00年到07年各省的数据综合在一起就叫面板数据 诊断方法： 1.图示法，以因变量作为横坐标，以残差项为纵坐标，根据散点图判断是否存在相关性。 (选择两个序列作为group打开，先选中的序列将作为group的纵坐标) 2.戈里瑟(Glejser)检验： & ?? 3.怀特(White)检验: 用e2作为因变量，原先的自变量及自变量的平方(还可以加上各自变量之间的相互乘积)作为自变量 建立模型。 怀特检验的统计量为：m=n*R2(n是样本容量，R2是新模型的拟合优度), m~ χ2(k) k为新模型除常数项之外的自变量个数 零假设：模型不存在异方差性 操作：在估计出来的方程中，view-residual tests-White Herteroskedasticity(no cross/cross) 分别为是否含自变量交叉项 demo中的两个p值为0，所以拒绝零假设，认为存在严重的异方差性。 异方差性的处理： 1.加权最小二乘法(WLS weighted least sequare)。 最常用的方法，一般用于异方差形式可知的情况。基本思路是赋予残差的每个观测值不同的权数，从而使模型的随机误差项具有相同的方差。 2.自相关相容协方差(Heteroskedasticity and antocorrelation consistent convariances HAC) 用于异方差性形式未知时。在建模时在options中选择Heteroskedasticity consistent convariances 再从white,newey-west中选择一种。 HAC不改变参数的点估计，改变的知识估计标准差。如何改变标准差？ 3）自相关性 残差项不满足相互独立的假设。一般的，经济时间序列中自相关现象较为常见，这主要是经济变量的滞后性带来的。 自相关性将导致参数估计值虽然是无偏的，但不是有效的。 诊断方法： 1.绘制残差序列图。如果序列图成锯齿形或循环状的变化，可以判定存在自相关 2.回归检验法： 以残差e(t)为被解释变量，以各种可能的相关变量，如& e(t-1) e(t-2)作为自变量，选择显著的最优拟合模型作为自相关的形式。 demo中以 ls residm1 c residm1(-1) residm1(-2)后 发现c的p值为0.54，做testdrop实验，两个p值都&0.5 可以将c剔除。剔除c后： Dependent Variable: RESIDM1&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& Method: Least Squares&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& Date: 12/29/07&& Time: 11:26&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& Sample (adjusted): 6Q4&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& Included observations: 178 after adjustments&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& Variable&&&&&&& Coefficient&&&&&&& Std. Error&&&&&&& t-Statistic&&&&&&& Prob.& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& RESIDM1(-1)&&&&&&& 1.215361&&&&&&& 0.077011&&&&&&& 15.78173&&&&&&& 0.0000 RESIDM1(-2)&&&&&&& -0.271664&&&&&&& 0.078272&&&&&&& -3.470763&&&&&&& 0.0007 &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& R-squared&&&&&&& 0.868569&&&&&&&&&&& Mean dependent var&&&&&&&&&&&&&&& 0.011855 Adjusted R-squared&&&&&&& 0.867823&&&&&&&&&&& S.D. dependent var&&&&&&&&&&&&&&& 26.91138 S.E. of regression&&&&&&& 9.783961&&&&&&&&&&& Akaike info criterion&&&&&&&&&&&&&&& 7.410538 Sum squared resid&&&&&&& 16847.76&&&&&&&&&&& Schwarz criterion&&&&&&&&&&&&&&& 7.446289 Log likelihood&&&&&&& -657.5379&&&&&&&&&&& Durbin-Watson stat&&&&&&&&&&&&&&& 2.057531 &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 模型的r-sequared稍小，参数很显著，dw显示为无自相关。 但是常数c能剔除吗？剔除后模型没有f-statistic和对应p值，原理何在？ 3.DW检验法 用于小样本的一阶自相关情况，缺点：当回归方程右边存在因变量的滞后项如m1(t-i) (i=1,2,...)时，检验失败。 解决办法： 1.差分法 用增量数据代替原来的样本数据，较好的克服了自相关，但是改变了原方程的形式，意义不大。 2.Cochrane-Orcutt迭代法 不能有常数项!验证了回归检验的中的做法。 建立新方程时，e同e(-1) e(-2) 相关，有两个系数如何处理？
发表评论：
TA的最新馆藏君，已阅读到文档的结尾了呢~~
VAR模型、Johansen协整检验在eviews中的具体操作步骤及结果解释协整,检验,解释,VAR模型,VAR模,结果,检验结果,VAR,检验步骤
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
VAR模型、Johansen协整检验在eviews中的具体操作步骤及结果解释
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口