用eviews对VAR模型滞后期判定中的问题 样本容量很少,用eviews建立VAR模型时滞后个数是怎么确...
\u5728Eviews\u4e2d\u5229\u7528VAR\u6a21\u578b\u8fdb\u884c\u5206\u6790\uff0c\u51fa\u73b0\u5982\u4e0b\u95ee\u9898\uff0c\u9ebb\u70e6\u5927\u5bb6\u5e2e\u5fd9\u89e3\u7b54\u697c\u4e3b\uff0cVAR\u662f\u4e0d\u533a\u5206\u5185\u751f\u548c\u5916\u751f\u53d8\u91cf\u7684\uff0c\u76f4\u63a5\u628a\u53d8\u91cf\u76f4\u63a5\u5f53\u6210\u5185\u751f\u53d8\u91cf\u7684\u5440\u3002\u5355\u4f4d\u6839\u68c0\u9a8c\u662f\u9010\u4e2a\u53d8\u91cf\u505a\u7684\uff0c\u534f\u6574\u662f\u53d8\u91cf\u4e00\u8d77\u505a\u5440\uff0c\u7528Johansen\u68c0\u9a8c\u5440\uff0c\u6ede\u540e\u671f\u7684\u9009\u62e9\u662f\u6839\u636eAIC\u68c0\u9a8c\u7ed3\u679c\u9009\u62e9AIC\u503c\u6700\u5c0f\u7684\u9636\uff0c\u76f4\u63a5\u5927\u5c0f\u6bd4\u8f83\uff0c\u4e0d\u662f\u7edd\u5bf9\u503c\u7684\u6bd4\u8f83\uff0c\u7136\u540e\u518d\u5efa\u7acbVAR\u3002\u7b2c8\u6211\u5c31\u4e0d\u77e5\u9053\u4e86\u3002
\u53e6\u5916\uff0c\u6211\u4e5f\u6709\u95ee\u9898\u8bf7\u6559\u697c\u4e3b\uff0c\u8bf7\u95ee\u697c\u4e3b\u95ee\u98982\u4e2d\uff0c\u591a\u53d8\u91cf\u5206\u5e03\u6ede\u540e\u7684\u8054\u5408\u68c0\u9a8c\u662f\u600e\u4e48\u505a\u51fa\u6765\u7684\uff1f\uff1f\uff1f\u5728eviews\u4e2d\u8981\u600e\u4e48\u64cd\u4f5c\uff1f\uff1f
\u5148\u5c06\u505aVAR\uff0c\u7136\u540e\u5728VAR\u7a97\u53e3\u9009VIEW\u2014\u2014lag Structure\u2014\u2014lag Length Criteria\u2014\u2014\u5728\u663e\u793a\u7684\u7ed3\u679c\u4e2d\u9009\u62e9\u6570\u636e\u4e0b\u9762\u5e26\u661f\u53f7\u6700\u591a\u7684\u90a3\u4e00\u884c\u5bf9\u5e94\u7684\u9636\u6570\u5373\u662f\u6700\u4f18\u6ede\u540e\u9636\u6570\u3002
40\u4e2a\u65f6\u95f4\u957f\u5ea6\u7684\u8bdd\u6ee1\u8db3\u5927\u6837\u672c\u6027\u8d28\u4e86\u5427\uff0c\u6211\u89c9\u5f97\u53ef\u4ee5\u505a\u3002\u53d6\u591a\u5c11\u4f60\u4ece\u5c0f\u5f80\u5927\u8bd5\uff0c\u8d85\u8fc7\u5141\u8bb8\u4f1a\u6709\u63d0\u793a\u3002
在VAR中通常一个方程的被解释变量(及其滞后项)在另一个方程中是解释变量,这就涉及到一个滞后阶数的问题。
因为滞后阶数越多,需要估计的参数就越多,这就影响到自由度。滞后阶数的增加会在一定程度上提高模型的解释能力,但并不是越高越好,存在一个最优的阶数。确定最优阶数的方法通常使用赤池信息准则或者施瓦茨信息准则。即AIC或SIC。
一个简单的VAR(2)模型如下:
xt=a(yt-1)+by(t-2)+c
yt=d(xt-1)+ex(t-2)+f
Eviews的话。 在检验过程中, 各个信息准则对应的检测值列表下,最优的阶前面会有星号。 看你用什么标准了 AIC SIC LR 都用的很多。 也可以中和判断 。
不同数值的结果当然不一样,你看看自由度是不是变了,这就是不同数值所造成的
我经常帮别人做这类的数据分析
绛旓細1.瀵规暟鎹仛骞崇ǔ鎬ф楠岋紙鍗曚綅鏍规楠岋級2.濡傛灉閫氳繃妫楠岄偅涔堝啀鍋氫竴涓狫J妫楠岋紝濡傛灉涓嶉氳繃锛屽仛涓涓叾浠栫殑鍗忔暣妫楠屻3.浠ヤ笂鎼炲畾浠ュ悗鍦‥VIEWS閲屽仛VAR妯″瀷銆傛垜鐨勭増鏈緢鏃э紝鏄湪涓诲伐浣滄爮閲岄夋嫨QUICK---estimate VAR銆傜劧鍚庡啀鍐呯敓鍙橀噺鏍忛噷鍐欎笂鍐呯敓鍙橀噺鐨勫悕瀛椼婊炲悗闃舵暟瑕佹垚瀵瑰~鍐1 1锛堜竴闃讹級,2 2锛堜簩闃讹級,...
绛旓細var婊炲悗闃舵暟涓1鎸夌収浠ヤ笅鏂瑰紡璋冩暣鍗忔暣銆傜敤informationcriteria鏉ラ夋嫨锛屼粠AIC锛孊IC锛岄夋暟鍊煎皬鐨勶紝浣跨敤绠鍗曠殑杞欢eviews銆傜敤LagCriteria锛屾煡鐪嬪彲鍙傝冪粨鏋溿俓r\n鍙橀噺闈炲钩绋筹紝鍋氬樊鍒嗕箣鍚庡啀閲嶅缓妯″瀷銆
绛旓細quick -> estimate var -> 鍦╡ndogenius variables閫夐」涓緭鍏ヤ綘鐨勫悇涓椂闂村簭鍒楀悕鍚庯紝鎶婁笅闈㈢殑閫夐」鏀逛负 1 4 杩愯鍗冲彲
绛旓細鍙﹀锛岀粡楠岄獙璇佷篃鏄竴绉嶇‘瀹婊炲悗闃舵暟鐨勬柟娉曘傚浜庢牱鏈閲忚緝灏忕殑鏃跺簭鏁版嵁锛孉IC鍜孲C鍑嗗垯鍙兘闇瑕佽皑鎱庝娇鐢紝鍥犱负瀹冧滑鍙兘瀵规牱鏈閲忔晱鎰熴傚湪杩欑鎯呭喌涓嬶紝鎴戜滑鍙互鍙傝冮鍩熶笓瀹剁殑寤鸿鎴栬呭熀浜庣浉鍏崇爺绌剁殑缁忛獙鏉ラ夋嫨婊炲悗闃舵暟銆傛渶鍚庯紝涓浜涗笓涓氱殑缁熻杞欢濡Eviews6.0鎻愪緵浜嗚嚜鍔ㄧ‘瀹氭渶澶ф粸鍚庨樁鏁扮殑鍔熻兘銆傞氳繃鏌ョ湅VAR浼拌...
绛旓細鍙互閫氳繃瀵规瘮var妯″瀷鐨勭粺璁″弬鏁板緱鐭
绛旓細1.鏁版嵁鍋氬钩绋虫ф楠岋紙鍗曚綅鏍规楠岋級 2.閫氭楠屽啀鍋欽J妫楠岄氬仛鍏跺崗鏁存楠 3.鎼炲畾EVIEWS鍋VAR妯″瀷 鎴戠増鏈棫涓诲伐浣滄爮閫夋嫨QUICK---estimate VAR 鍐嶅唴鍙橀噺鏍忓啓鍐呭彉閲忓悕瀛 婊為樁鏁拌濉啓1 1锛堥樁锛,2 2锛堜簩闃讹級, 璇曞嚑闃禫AR杈撶粨鎸戦堿ICSC锛堢缉鍐欙級纭畾闃舵暟 ...
绛旓細VAR妯″瀷鏄敤妯″瀷涓墍鏈夊綋鏈熷彉閲忓鎵鏈夊彉閲忕殑鑻ュ共婊炲悗鍙橀噺杩涜鍥炲綊銆侫RMA 妯″瀷锛圓uto-Regressive and Moving Average Model锛夋槸鐮旂┒鏃堕棿搴忓垪鐨勯噸瑕佹柟娉曪紝鐢辫嚜鍥炲綊妯″瀷锛堢畝绉癆R妯″瀷锛変笌婊戝姩骞冲潎妯″瀷锛堢畝绉癕A妯″瀷锛変负鍩虹鈥滄贩鍚堚濇瀯鎴愩俈AR妯″瀷鏄疉R妯″瀷鐨勬帹骞匡紝鑰孉RMA妯″瀷鍖呭惈AR妯″瀷锛屽鏋滄壈鍔ㄩ」娌℃湁婊炲悗鏈濂界敤VAR...
绛旓細鏍规嵁var妯″瀷纭畾
绛旓細棣栧厛鏍煎叞鏉版楠岀殑鏈川鍏跺疄灏辨槸VAR妯″瀷,瑕佹眰搴忓垪蹇呴』瀛樺湪鍚岄樁鍗曟暣鐨勫崗鏁村叧绯绘垨鑰呴兘鏄钩绋冲唴搴忓垪,濡傛灉搴忓垪涓嶅钩绋虫垨鑰呬笉鍗忔暣閭d箞寰堝彲鑳戒細浜х敓浼洖褰掗棶棰樸 鐒跺悗瀵规暟鎹仛涓渶灏忎簩涔樺鐞嗕箣鍚,浼氬嚭鐜颁竴浜涚粺璁$粨鏋,鍏朵腑Akaike info criterion 杩欎竴椤瑰氨鏄垜浠渶瑕佺殑AIC鍊,杩欎釜鏄粨鏋滅洿鎺ヤ綋鐜板嚭鏉ョ殑銆 鏈鍚庣‘瀹婊炲悗闃舵暟灏辨槸涓嶇瀵...
绛旓細2銆佹垜璁や负寤虹珛VAR妯″瀷鐢ㄦ簮鏁版嵁锛岀敱浜庡樊鍒嗘秷闄や簡鍙橀噺闀挎湡涓婄殑缁忔祹淇℃伅锛屽洜姝ゆ鏃跺彧鍙互鍒嗘瀽鍙橀噺闂寸殑鐭湡鍥犳灉鍏崇郴銆3銆佸崗鏁存楠屾槸涓轰簡鍒ゆ柇鏈夌浉鍚岃秼鍔跨殑涓や釜鐢氳嚦澶氫釜搴忓垪涔嬮棿鏄惁瀛樺湪闀挎湡鍧囪 鍏崇郴锛屽仛姝ゆ楠岀殑鐩殑鏄槻姝吉鍥炲綊銆傚缓璁甹j妫楠岋紝浣嗛渶瑕侀夋嫨鏈浼樼殑婊炲悗鏈燂紙涓嶸AR鏈浼樻粸鍚庢湡涓鑷达級銆4銆佸鏋滀綘鍋氱殑涓...