时间序列模型stata - 图文(7)

中stat的选项有如下几种：

Stat 类型 oirf 正交IRF dm 动态乘子 cirf 累积IRF coirf 累积正交IRF cdm 累积动态乘子 sirf 结构IRF fevd Cholesky方差分解 sfevd 结构Cholisky方差分解

4.6 预测

VAR ˇ ˇ ˇ ˇ ˇ ˇ SVAR ˇ ˇ ˇ ˇ ˇ ˇ VEC ˇ ˇ ˇ ˇ

例子：

use http://www.stata-press.com/data/r11/lutkepohl2,clear varfcast compute

list dlinvestment dlinvestment_f dlinvestment_f_L /// dlinvestment_f_U dlinvestment_f_se in 91/93

*-- 样本内一步预测: dynamic()选项

use http://www.stata-press.com/data/r11/lutkepohl2,clear var dlinvest dlincome dlconsumption,lag(1/2) dfk small varfcast compute, dynamic(5)

list dlinvestment dlinvestment_f dlincome dlincome_f /// dlconsumption dlconsumption_f in 4/7

*-- 多步预测: dynamic()选项+step()选项

use http://www.stata-press.com/data/r11/lutkepohl2,clear var dlinvest dlincome dlconsumption,lag(1/2) dfk small varfcast compute, dynamic(85) step(10)

list dlinvestment dlinvestment_f dlincome dlincome_f /// dlconsumption dlconsumption_f in 83/95

4.7 结构型的VAR模型

前面讲的缩减型VAR模型只能描述各个内生变量的动态形成过程；着重的是内生变量的“跨期”相关性，并不考虑内生变量的“同期”相关性，因此无法呈现内生变量之间的“因果关系”。而且在脉冲响应函数和方差分解中是采用Choleski分解，硬性地规定上面所说的B矩阵对角线的上半部分为零。而采用结构型VAR模型(SVAR)，则可以根据相关理论设定变量之间的因果关系，从标准型（也即缩减型）VAR方程得到的残差分解出各个内生变量独立的残差（也即新息）。所以在结构型VAR模型中，最重要的一点就是要判断我们所分析的经济变量中，根据经济理论，确定它们之间当期的因果，那些当期没有因果关系的我们

就设定约束条件令为0，同时约束条件的个数跟标准型VAR模型的Choleski分解所要限定的约束条件的个数(n^2-n)/2是一样的。

实例：

根据美国的投资、收入、消费的数据，我们设定了结构型VAR模型： 模型 y_t = (dlinvestment, dlincome, dlcosumption)' 设

| 1 0 0 | | . 0 0 | A = | . 1 0 | B = | 0 . 0 | | . . 1 | | 0 0 . | 含义：

(1) 当期投资(invest)不受收入(income)和消费(consumption)的影响

(2) 收入(income)受当期投资(invest)的影响，但不受当期消费(consumption)的影响

(3) 消费(consumption)同时受到当期投资(invest)和收入(income)的影响 其中：

(1) A 的系数反映了各个内生变量的同期关系，即因果关系； (2) B 的系数反映了来自不同内生变量的随机干扰对系统的影响

程序：

use http://www.stata-press.com/data/r11/lutkepohl2,clear mat A = (1,0,0 \\ .,1,0 \\ .,.,1) mat B = (.,0,0 \\ 0,.,0 \\ 0,0,.) mat list A mat list B

svar dlinvestment dlincome dlconsumption, aeq(A) beq(B) est store svar01 mat list e(A) mat list e(B)

下面就得到了A、B矩阵的系数：

e(A)[3,3]

dlinvestment dlincome dlconsumpt~n dlinvestment 1 0 0 dlincome -.03136105 1 0 dlconsumpt~n -.05667905 -.47924065 1

symmetric e(B)[3,3]

dlinvestment dlincome dlconsumpt~n dlinvestment .04251726

dlincome 0 .01069078

dlconsumpt~n 0 0 .00744606

有时我们可以在做结构型VAR模型的估计过程，将原先的标准型VAR模型的估计给呈现出来：

svar dlinvestment dlincome dlconsumption, aeq(A) beq(B) var

对于进行模型检验、脉冲响应、方差分解和格兰杰因果检验的方法以及判断准则跟上面的标准型VAR模型的做法是一样的。有点要注意的是，假如要进行结构脉冲响应和方差分解，则只需将原来的命令改为 sirf、sfevd就行了。

五、协整分析和误差修正

在这里可以对打个比方，协整就像一个喝醉酒的人牵着一条狗，即使人和狗的距离有时近有时远，但两者的距离始终是不会超过绳子的长度，一旦人和狗的距离超过绳子的长度，则接下来在绳子的作用下，人和狗的距离将会被拉近。

长期均衡关系与协整

经济理论指出，某些经济变量间确实存在着长期均衡关系。这种均衡关系意味着经济系统不存在破坏均衡的内在机制。如果变量在某时刻受到干扰后偏离其长期均衡点，则均衡机制将会在下一期进行调整以使其重新回到均衡状态。

假设X与Y间的长期“均衡关系”由下式表现出来： Yt=a0+a1Xt+ut

这样的话，如果上式提示了X与Y间的长期稳定的“均衡关系”，则意味着Y对其均衡点的偏离从本质上说是“临时性”的。因此，一个重要的假设就是随机干扰项ut必须是平稳序列。显然，如果ut有随机性趋势（上升或下降），则会导致Y对其均衡点的任何偏离都会被长期累积下来而不能被消除。随机干扰项ut也被称为非均衡误差，它将在误差修正模型里面被引入作为解释变量。

如果X与Y是一阶单整序列，即I(1)序列，而ut又是平稳序列，即I(0)，则我们称变量X与Y是协整的，记为I(1,1)，ut不是平稳序列的话，则称为I(1,0)。而要是X与Y是I(2)序列的话，且ut是平稳序列，则变量X与Y是(2,2)阶协整。

因此，如果两个变量都是单整变量，只有当它们的单整阶数相同时，才有可能协整。但如果是三个以上的变量，如果具有不同的单整阶数，则有可能经过线性组合构成低阶单整变量。

在现实的应用中，我们比较看重(d,d)阶协整这类协整关系，因为如果它们是(d,d)阶协整的，则它们之间存在着一个长期稳定的比例关系。

应用：检验变量之间的协整关系，在建立变量之间的协整关系，在建立计量经济模型中是非常重要的。而且，从变量之间是否具有协整关系出发选择模型的变量，其数据基础是牢固的，其统计性质是优良的。

最先检验变量的协整关系的方法是两变量的Engle-Granger检验，其方法是先对双变量进行回归估计得出结构方程，进而得出非均衡误差，这样要是检验出的非均衡误差是稳定序列的话，则可判断两变量是(d,d)协整。在检验非均衡误差是稳定序列过程中，其判断标准要根据变量协整的ADF临界值来判断。对于多变量协整检验的方法与双变量的相类似。

最新发展的协整检验是Johansen于1988年，以及与Juselius一起于1990年提出了一种基于向量自回归模型的多重协整检验方法，通常称为Johansen检验，或JJ检验。在stata这个计量软件里面，其判断协整个数的vecrank命令就是基于JJ检验的。

误差修正模型

建立误差修正模型，需要首先对变量进行协整分析，以发现变量之间的协整关系，即长期均衡关系，并以这种关系构成误差修正项。然后建立短期模型，将误差修正项看做一个解释变量，连同其他反映短期 …… 此处隐藏：4098字，全部文档内容请下载后查看。喜欢就下载吧 ……