VAR模型操作步骤指南

简单来说，VAR模型就是用模型刻画向量间的数量关系。它的适用前提可概括为以下两点：①能进行回归。②向量之间存在一定数量关系(统计意义上的因果关系-格兰杰因果检验)。而满足以上两点的条件则是数据平稳，否则会发生伪回归，且无法进行格兰杰因果检验。因此，构建VAR模型的第一步是检验数据平稳性，常用检验方法为ADF单位根检验。

1.数据平稳性检验-时序图+单位根检验

2.确定VAR模型滞后阶数

3.Johansen协整检验

4.VECM向量误差修正模型

5.granger因果检验-变量外生性检验

6.AR根检验-检验VAR模型的稳定性

7.脉冲响应-每一变量冲击的影响

8.方差分解-各变量对预测方差的贡献度

(具体操作步骤应根据研究数据及目的进行选择)

我的理解是，当原序列平稳时可以直接按125678构造VAR模型进行预测；而当序列是差分平稳且为同阶单整时需增加3、4步。因为现实经济中的时间序列通常是非平稳的，我们可通过差分使其平稳，但与此同时会失去总量的长期信息，因此需要用协整来判断非平稳序列的线性组合是否有稳定的均衡关系。

数据平稳性检验

打开EViews09，点击creat a new Eviews workfile，输入起始和终止时在命令栏输入“data y x”(你自己变量的命名)，输入数据。

双击打开变量，点击view-graph-ok，观察时序图，借助时序图进行ADF检验方法的选择，以下图为例，横轴为时间，纵轴为相应年份的数值：在样本范围内，变量并未在值上下波动，说明变量不平稳。此外，截距项不为0，变量随着年份变化而变化，具有明显上升趋势，说明变量Y具有截距项和时间趋势。

     根据时序图进行初略判断后再进行下一步精准的ADF检验。点击view-unit root test。其中，我们先选择检验序列的“level”,表示原序列，根据刚刚的Y变量。我们应该再检验方程的选项中选择“Trend and intercept”表示具有时间趋势项和截距项。

     点击OK，输出结果。原假设为Y含有1个单位根(不平稳)。一般来说显著性水平分为1%，5%和10%，P值是原假设成立的概率。这里可以直接看P值，假设我选择了10%的显著性水平，如果P值>0.1，代表原假设有超过10%的概率成立，那么序列Y则是不平稳序列，反之，序列Y是平稳序列。

     当原序列为非平稳序列时，我们可以在命令栏输入“genr dy=d(y)”构建1阶差分序列dy。观察dy的时序图确定检验方程中是否包含截距项和时间趋势项。再回到序列y的单位根检验选择检验序列中的“1st difference”，检验1阶差分序列是否平稳。若研究的所有变量都1阶平稳，则称其为一阶同整。本文的序列均为一阶同整。

确定VAR模型滞后阶数

选择模型包含的所有变量，点击右键-open-as var-确定-view-lag strcture-lag length criteria...，输入能输入的最大数值(当你输入的数值过大时会出现提示)

根据AIC， SC最小数值对应的阶数为最优滞后项，如AIC和SC中最小数值所对应的阶数不一样，可以根据LR判断(或者选择带星号最多的阶数)。下图中滞后阶数为3时，星号最多，因此也可判断此VAR模型的最优滞后期为3。(最优滞后期的选择还要根据你的样本容量来定，如果滞后期大，而样本容量少，则代表自由度不够，模型可信度降低，因此最优滞后期在可选择的范围内尽可能往小的选)。

确认VAR模型的最优滞后项后，点击Estimate将"1 2"改为“1 3”，构建滞后项为3的VAR模型("1 2"意为滞后期区间是1~2)。

Johansen协整检验

协整检验的前提是序列满足同阶单整，以下的例子中的序列均为一阶单整序列。

点击view-cointeration进行协整检验(Johansen检验的滞后项=VAR滞后项-1)所以本例下图的lag intervals应为“1 2”。

 Johansen协整检验形式初步选择建议：

【情形1】和【情形5】比较特殊，在实际分析中很少出现，所以用的比较少。

【情形1】明确所有序列都是零均值。

【情形2】没有序列含有趋势项。

【情形3】所有序列的趋势是随机趋势。

【情形4】部分序列是趋势平稳。

【情形5】可能出现过拟合现象。

(来源：公众号财经节析)

点击确定输出结果：可以根据原假设成立概率P判断，也可直接看结果，下图结果为变量间具备1个协整关系。

协整结果往下滑动，得下图，其中标准化协整方程为：X-2.308308Y=0

VECM向量误差修正模型

上面协整检验是分析变量间的线性组合是否存在长期稳定关系。但在实际情况下，非均衡才是常态，因此我们需要通过误差修正模型研究如何将短期非均衡状态修复至均衡状态。

误差修正模型的前提是变量间具有长期协整关系，因此，我们可根据上例进行VECM演示。双击打开变量-as var进行模型设定。

根据下图输出VECM结果(CointEq1是误差修正项)：

 ①dx=0.4296ecm(-1)-0.213dx(-1)-0.749dx(-2)+0.695dy(-1)+1.393dy(-2)+0.884

②dy=....(书写如上)

上例中的johansen检验和VECM向量误差修正模型得出的协整方程有所不同，而区别则在于有无常数项。

格兰杰因果检验

因为VAR模型是将变量看作一个系统的内生变量，变量间应有统计意义上的相关关系。因此，需要用格兰杰因果检验。而格兰杰因果检验的数据必须是平稳序列，所以当原序列为非平稳序列时，应用同阶单整序列进行检验。

选择变量双击打开，点击view-granger casuality，先选择较大滞后期(格兰杰检验中不同滞后期的效果不一样,有些学者选择不同滞后期进行分析，有些则令VAR的最优滞后期为格兰杰因果检验滞后期)。

以下图结果为例，原假设为Y不是X的格兰杰原因时，P＜0.05，说明在5%的显著性水平下拒绝原假设，即Y是X的格兰杰原因；而原假设为X不是Y的格兰杰原因时，P＞0.1，说明原假设成立概率大，接受原假设，即X不是Y的格兰杰原因。

上期回顾

时序模型选择+学习路径分享(点击直达)

下期预告

VAR模型的实操步骤(下)

E-G两步法+ECM模型实操步骤

熵值法详细步骤

你点的每个赞，我都认真当成了喜欢