VAR(VECM)模型分析步骤

朴陋 06-25 165

前言：

此刻小伙伴们对“python计算aic”可能比较关心，你们都需要知道一些“python计算aic”的相关文章。那么小编同时在网摘上收集了一些有关“python计算aic””的相关知识，希望我们能喜欢，我们一起来了解一下吧！

1. 基础统计量（均值，标准差，最大值，最小值）

2. 单位根检验（原数据和差分数据）

-对面板数据的个体单独操作方法如下

-如果所有内生变量是同阶单整则可以直接对差分后的数据用VAR模型建模。

3. 最佳滞后阶数选择（原数据）

（3.1 对原数据对数差分）

4. 协整检验（原数据）

-使用差分处理后的数据分析时，跳过协整检验直接用VAR模型拟合。

-协整检验基于VECM模型。所以设置的滞后阶数是最佳滞后阶数(p)-1。例如：步骤3的最佳滞后阶数为p=1的话，拟合VECM模型是应该设置p=0。

-迹统计量 (Trace Statistic)在大样本时使用，它对样本数比较敏感，样本数小的话可能会出现无法判断是否存在协整的情况（trace1, 2, 3, ...的p值均大于5%。这时调整滞后值参数结果可能会发生变化。在使用STATA软件的vecrank包分析时，可以加max和notrace选项查看不同结果。最好是Trace和Max两个都参考。

-如果检验不协整，说明没有长期稳定关系，可以做VAR模型

-面板数据协整检验时可以自动选择最佳滞后阶数。

-面板数据协整检验中的Pedroni检验法只能在小于等于7个内生变量时使用。

（4.1. 格兰杰因果关系）

-格兰杰因果关系表示的是解释变量的过去值是否对被解释变量（当期值）的预测有帮助。

-数据必须是平稳数据（不存在单位根）才能做格兰杰因果关系检验。

-可以参考格兰杰因果关系结果决定内生变量顺序。

5. VAR(VECM)或对数差分后VAR拟合结果（VAR模型：原数据或差分数据，VECM模型：原数据）

-VECM模型的滞后阶数是p-1。例如：步骤3的最佳滞后阶数为p=2的话，拟合VECM模型是应该设置p=1。（水平变量为0 0，滞后一期为1 1）

-VECM的rank参数设置值为协整检验结果的协整关系数（r=n）

-Lambda系数为回归长期均衡关系（平稳的线性组合关系）的调整速度。

-对协整的设置选项：Eviews中的VECM估计->协整选项卡中5个函数形态无法确定选哪个的时候。一般在形态2，3，4中选择，形态1和5很少用到。对形态2，3，4逐个估计，比较三个模型的拟合度(-2*Loglikelihood，AIC, BIC)，选择最优的函数形态。