stata协整检验结果怎么看_VAR的stata命令
四、VAR 模型
向量⾃回归介绍：
当我们对变量是否真是外⽣变量的情况不⾃信时，传递函数分析的⾃然扩展就是均等地对待每⼀个变量。在双变量情况下，我们可以令{yt}的时间路径受序列{zt}的当期或过去的实际值的影响，考虑如下简单的双变量体系stata怎么发音
式(5.17)和(5.18)并⾮是诱导型⽅程，因为yt对zt有⼀个同时期的影响，⽽zt对yt也有⼀个同时期的影响。所幸的是，可将⽅程转化为更实⽤的形式，使⽤矩阵性代数，我们可将系统写成紧凑形式：
其中
也等价于：
在实际的应⽤估计中，我们并不能够直接估计出结构性VAR⽅程，因为在VAR过程中所固有的反馈，直接进⾏估计的话，则zt与误差项相关，yt与误差项相关，但是标准估计要求回归变量与误差项不相关。
因为在识别结构VAR⽅程时，需要对估计变量进⾏约束，这样⼦也就造成了在进⾏标准VAR估计后，求正交化的脉冲响应函数时，进⾏估
计的变量排列序列会造成脉冲响应函数有些区别。因为在求正交化的脉冲响应函数时，是要得到变量的独⽴冲击，是要求出各⾃的和
以及其滞后n项。
脉冲响应函数⽤于衡量来⾃随机扰动项的冲击对内⽣变量当前和未来值的影响。
⽅差分解是将系统的预测均⽅误差分解成为系统中各变量冲击所做的贡献，把系统中任意⼀个内⽣变量的波动按其成因分解为与各⽅程新息相关联的若⼲个组成部分，从⽽了解各新息对模型内⽣变量的相对重要性，即变量的贡献占总贡献的⽐例。
Granger⾮因果性检验：
(1)滞后期 k 的选取以 VAR 为依据。实际中是⼀个判断性问题。以 xt和 yt为例，如果xt-1对 yt存在显著性影响，则不必再做滞后期更长的检验。如果 xt-1对 yt不存在显著性影响，则应该再做滞后期更长的
检验。⼀般来说要试检验若⼲个不同滞后期 k的格兰杰因果关系检验，且结论相同时，才可以最终下结论。
(2)格兰杰⾮因果性。
(3)通常总是把 xt-1 对 yt存在⾮因果关系表述为 xt(去掉下标-1)对 yt存在⾮因果关系(严格讲，这种表述是不正确的)。
(4)Granger⾮因果性检验只在平稳变量之间进⾏。不存在协整关系的⾮平稳变量之间不能进⾏格兰杰因果关系检验。
(5)格兰杰因果关系不是哲学概念上的因果关系。⼀则他表⽰的是 xt-1对 yt的影响。⼆则它只是说明 xt可以作为yt变化的预测因⼦。
VAR 模型的特点是：
(1)不以严格的经济理论为依据。在建模过程中只需明确两件事：①共有哪些变量是相互有关系的，把有关系的变量包括在 VAR 模型中；
②确定滞后期 k。使模型能反映出变量间相互影响的绝⼤部分。
(2)VAR 模型对参数不施加零约束。(对⽆显着性的参数估计值并不从模型中剔除，不分析回归参数的经济意义。)
(3)VAR模型的解释变量中不包括任何当期变量，所有与联⽴⽅程模型有关的问题在VAR 模型中都不存在(主要是参数估计量的⾮⼀致性问题)。
(4)VAR 模型的另⼀个特点是有相当多的参数需要估计。⽐如⼀个 VAR 模型含有三个变量，最⼤滞后期 k = 3，则有 kN^2= 3×3^2= 27个参数需要估计。当样本容量较⼩时，多数参数的估计量误差较⼤。
(5)⽆约束 VAR 模型的应⽤之⼀是预测。由于在 VAR 模型中每个⽅程的右侧都不含有当期变量，这种模型⽤于样本外⼀期预测的优点是不必对解释变量在预测期内的取值做任何预测。
(6)⽤VAR模型做样本外近期预测⾮常准确。做样本外长期预测时，则只能预测出变动的趋势，⽽对短期波动预测不理想。
(7)VAR模型中每⼀个变量都必须具有平稳性。如果是⾮平稳的，则必须具有协整关系。
西姆斯(Sims)认为VAR模型中的全部变量都是内⽣变量。近年来也有学者认为具有单向因果关系的变量，也可以作为外⽣变量加⼊VAR 模型。
4.1 滞后阶数的选择
在VAR模型中，正确选择模型的滞后阶数对于模型估计和协整检验都产⽣⼀定的影响，在⼩样本中情况更是如此。Stata中varsoc命令给出了滞后阶数选择的⼏种标准，包括最终预测误差(Final Prediction Error,FPE)、施⽡茨信息准则(Schwarz's Bayesian Information Criterion,SBIC)、汉南—昆(Hannan and Quinn Information Criterion,HQIC)。对于这些检验，相对于默认的算法，还有另⼀种算法是lutstats，其运⾏出来的结果有差别，但对于判断没有多⼤的影响。
例⼦：
. use www.stata-press/data/r11/lutkepohl2,clear
(Quarterly SA West German macro data, Bil DM, from Lutkepohl 1993 Table E.1)
. varsoc dln_inv dln_inc dln_consump if qtr<=tq(1978q4),lutstats< span="">
Selection-order criteria (lutstats)
Sample:  1961q2 - 1978q4                    Number of obs      =        71
+---------------------------------------------------------------------------+
|lag |    LL      LR      df    p      FPE      AIC      HQIC      SBIC    |
|----+----------------------------------------------------------------------|
|  0 |  564.784                      2.7e-11  -24.423  -24.423*  -24.423* |
|  1 |  576.409  23.249    9  0.006  2.5e-11  -24.497  -24.3829  -24.2102  |
|  2 |  588.859  24.901*  9  0.003  2.3e-11* -24.5942* -24.3661  -24.0205  |
|  3 |  591.237  4.7566    9  0.855  2.7e-11  -24.4076  -24.0655  -23.5472  |
|  4 |  598.457  14.438    9  0.108  2.9e-11  -24.3575  -23.9012  -23.2102  |
+---------------------------------------------------------------------------+
Endogenous:  dln_inv dln_inc dln_consump
Exogenous:  _cons
对于给定的⼀个p阶，LR检验将⽐较p阶的VAR和p-1阶的VAR。其检验的虚⽆假设是内⽣变量的第p阶系数为零。通过这⼀连串的LR检验来筛选阶数，我们⼀般从模型的最⼤阶数检验的结果开始，也即是表格的底部。第⼀个拒绝虚⽆假设的检验的阶数就是这个过程所选择的阶数。
对于其余的统计检验，最⼩阶数的确定是根据⼀定的判断准则来选择的，带“*”表⽰最适阶数。严格来讲，FPE不是⼀个信息判断准则，尽管我们把它加到判断中来，这是因为根据信息判断准则，我们选择的滞后长度要对应最⼩的值；⾃然，我们也想要最⼩化它的预测误差。AIC准则是测量设定模型和实际模型的差异，这也是我们要尽可能⼩的。SBIC和HQIC准则的解释与AIC很相似，但SBIC和HQIC⽐AIC和FPE有理论上的优势。在实际判断中，我们要根据上述的这些检验结果，尽可能的选择满⾜较多的检验的滞后阶数。
4.2 模型的估计
VAR模型在stata⾥的命令为var。其中默认的是2阶滞后。
命令格式：var depvarlist [if] [in] [,options]
options包括：
noconstant          没有常数项
lags(numlist)      滞后阶数
exog(varlist)      外⽣变量
dfk                ⾃由度调整
small              ⼩样本t、F统计量
lutstats            Lutkepohl滞后阶数选择统计量
例⼦1：
. use www.stata-press/data/r11/lutkepohl2,clear
(Quarterly SA West German macro data, Bil DM, from Lutkepohl 1993 Table E.1) . var dln_inv dln_inc dln_consump if qtr<=tq(1978q4),lutstats dfk
Vector autoregression
Sample:  1960q4 - 1978q4                          No. of obs      =        73
Log likelihood =  606.307            (lutstats)  AIC            = -24.63163
FPE            =  2.18e-11                        HQIC            = -24.40656
Det(Sigma_ml)  =  1.23e-11                        SBIC            = -24.06686
Equation          Parms      RMSE    R-sq      chi2    P>chi2
----------------------------------------------------------------
dln_inv              7    .046148  0.1286  9.736909  0.1362
dln_inc              7    .011719  0.1142  8.508289  0.2032
dln_consump          7    .009445  0.2513  22.15096  0.0011
----------------------------------------------------------------
------------------------------------------------------------------------------
|      Coef.  Std. Err.      z    P>|z|    [95% Conf. Interval]
-------------+----------------------------------------------------------------
dln_inv      |
dln_inv |
L1. |  -.3196318  .1254564    -2.55  0.011    -.5655218  -.0737419
L2. |  -.1605508  .1249066    -1.29  0.199    -.4053633    .0842616
|
dln_inc |
L1. |  .1459851  .5456664    0.27  0.789    -.9235013    1.215472
L2. |  .1146009  .5345709    0.21  0.830    -.9331388    1.162341
|
dln_consump |
L1. |  .9612288  .6643086    1.45  0.148    -.3407922    2.26325
L2. |  .9344001  .6650949    1.40  0.160    -.369162    2.237962
|
_cons |  -.0167221  .0172264    -0.97  0.332    -.0504852    .0170409

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。