Eviews建立Var模型1

Eviews建立Var模型1系列文章目录第一章XXXXX文章目录系列文章目录前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结前言由于需要建立一个价格优惠指数来反应GMV走势,接触到了Var模型的建立,这个系列初版应该有三篇(毕竟)提示:以下是本篇文章正文内容,下面案例可供参考一、pandas是什么?示例:pandas是基于NumPy的一种工具,该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码如下(示例):importnumpyasnpimportpan


前言

由于需要建立一个价格优惠指数来反应GMV走势,接触到了很厉害的Var模型建立,这个系列初版应该有三篇(毕竟搞这个东西搞了很久)


先来看看一些理论知识
在这里插入图片描述

一、为什么要执行协整检验

在进行时间系列分析时,传统上要求所用的时间系列必须是平稳的,即没有随机趋势或确定趋势,否则会产生“伪回归”问题。

但是,在现实经济中的时间系列通常是非平稳的,我们可以对它进行差分把它变平稳,但这样会让我们失去总量的长期信息,变换后的序列由于不具有直接的经济意义,对分析问题来说又是必要的,所以用协整来解决此问题。

1987年Engle和Granger提出的协整理论及其方法,为非平稳序列的建模提供了另一种途径。虽然一些经济变量的本身是非平稳序列,但是,它们的线性组合却有可能是平稳序列。这种平稳的线性组合被称为协整方程,且可解释为变量之间的长期稳定的均衡关系。

比如像下面这个图所示:
在这里插入图片描述

二、格兰杰因果和滞后阶数

格兰杰检验最难的部分在于确定最优滞后期,做granger检验的目的就是为了看时间序列是否存在因果关系,再把存在granger因果的变量纳入模型中。Eviews中格兰杰检验结果如下图所示:
在这里插入图片描述

那么怎样才能算两个序列有格兰杰因果呢?请瞅瞅下图:
在这里插入图片描述
PAIN就是RAIN的格兰杰因果,有一定的延后性,就像打某人一拳(轻轻的),他过会儿才会有一丢丢疼痛的反应。这样的话合格的价格指数可以很好地解释后面几期的GMV走势。

至于如何确定✅后面Var模型的阶数,在知乎上找到两种方法:

  1. “根据你的分析在滞后阶数为2阶是互为因果关系的,那就可以选定阶数为2”;
  2. “我是先构建VAR模型,然后根据信息准则选择最优滞后阶数,在此基础上再进行Granger检验的”;

三、脉冲图

每次都在脉冲图的产出上很艰难,因为他经常显示不出来,叫什么near singerlar matrix,真的很无奈,脉冲图有很多时候显示不出来——也许是gmv太大,需要取对数或者查分,要是谁是脉冲图杀手,请私信我,教教我~
在这里插入图片描述

四、VAR模型和VEC模型的区别

有网友评价过他两个的区别——“其实差不多,一般而言平稳的数据用VAR,不平稳但是协整的用VEC”,因此,如果确认原序列通过ADF检验,即原序列平稳,则使用原序列构建VAR模型,然后因果检验;如果原序列不平稳,对差分序列检验平稳性,对原序列进行协整检验,如果通过协整,则使用原序列构建VEC模型(即带修正项的VAR),再做因果检验。

由于VEC模型是含有协整约束变量构建的模型,所以在估计VEC模型前需要进行Johansen协整检验,并要确定协整关系的数量,如果变量间没有协整关系,则不能构建VEC模型。这边需要注意VEC模型中的滞后间隔说明的是一阶差分后的滞后,不需要在设定差分后的数据集了,直接原序列就好啦。

今天的文章Eviews建立Var模型1分享到此就结束了,感谢您的阅读。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/7438.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注