第22章向量自回归和误差.ppt
《第22章向量自回归和误差.ppt》由会员分享,可在线阅读,更多相关《第22章向量自回归和误差.ppt(79页珍藏版)》请在课桌文档上搜索。
1、1,第二十二章 向量自回归和误差修正模型,联立方程组的结构性方法是用经济理论来建立变量之间关系的模型。但是,经济理论通常并不足以对变量之间的动态联系提供一个严密的说明。并且,内生变量既可以出现在等式的左端又可以出现在等式的右端使得估计和推断更加复杂。为解决这些问题产生了一种用非结构性方法来建立各个变量之间关系的模型,就是这一章所讲述的向量自回归模型(Vector Auto regression,VAR)以及向量误差修正模型(Vector Error Correction,VEC)的估计与分析。同时也给出一些检验几个非稳定变量之间协整关系的工具。,2,22.1 向量自回归理论,向量自回归(VAR
2、)常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响。VAR方法通过把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型,从而回避了结构化模型的需要。一个VAR(p)模型的数学形式是:(22.1)这里 yt 是一个k 维的内生变量,xt 是一个 d 维的外生变量。A1,Ap 和B是待估计的系数矩阵。t 是扰动向量,它们相互之间可以同期相关,但不与自己的滞后值相关及不与等式右边的变量相关。,3,由于仅仅内生变量的滞后值出现在等式的右边,所以不出现同期性问题,并且OLS能得到一致估计。即使扰动向量 t 有同期相关,但OLS仍然是有效的,因为所有的方程有相同的回归量
3、,所以其与GLS是等价的。注意,由于任何序列相关都可以通过增加更多的 yt 滞后项而被调整(absorbed),所以扰动项序列不相关的假设并不严格。,4,作为VAR的一个例子,假设工业产量(IP)和货币供应量(M1)联合地由一个双变量的VAR模型决定,并且让常数为唯一的外生变量。内生变量滞后二阶的VAR(2)模型是:(22.2)其中,aij,bij,ci 是待估计的参数。也可表示成:,5,22.2 估计VAR模型及估计输出,22.2.1 建立VAR模型 为了详细说明一个向量自回归模型,必须创建一个VAR对象,选择Quick/Estimate VAR或者选择Objects/New object/
4、VAR或者在命令窗口中键入VAR。下面的对话框便会出现:,6,在对话框内添入适当的信息。1.选择说明类型 选择无约束向量自回归(Unrestricted VAR)或者向量误差修正(Vector Error Correction)。前面例子中的VAR是无约束VAR,会在下面详细解释VEC 模型。2.设置样本区间 3.设置变量 在相应的编辑栏中输入适当的内生及外生变量。系统通常会自动给出常数c作为外生变量。如果所列的序列太长,我们可以先建立一个包含这些序列的组对象,然后直接输入组的名字。,7,4.在相应的编辑框中输入滞后信息 这一信息将会告诉EViews哪个滞后变量应该被包括在每个等式的右端。这一
5、信息应成对输入:每一对数字描述一个滞后区间。例如,滞后对:1 4 告诉EViews用系统中所有内生变量的一阶到四阶滞后变量作为等式右端的变量。可以添加代表滞后区间的任意数字,但都要成对输入。例如:2 4 6 9 12 12 表示:用 2 4 阶,6 9 阶及第 12 阶滞后变量。前面例子对话框中的VAR模型。取IP、M1和TB3三个内生变量,这个模型用了1 2 阶滞后变量并且仅仅常数是外生变量。其余两个菜单(Cointegration 和 Restrictions)仅与VEC模型有关,将在后面介绍。,8,表中的每一列对应VAR中一个内生变量的方程。对方程右端每一个变量,EViews会给出系数估
6、计值、估计系数的标准误差及 t-统计量。例如在TB3方程中IP(-1)的系数是0.087563。(VAR02包含外生变量),22.2.2 VAR估计的输出 一旦设定了VAR,单击OK。EViews将会在VAR窗口显示估计结果(VAR01):,9,两类回归统计量出现在VAR估计输出的底部:,输出的第一部分显示的是每个方程的标准OLS回归统计量。分别计算每个方程的结果(使用各自的残差项),并被显示在对应的列中。第二部分是VAR系统的回归统计量。,10,22.3 VAR 视图和过程 一旦估计一个VAR模型,EViews会提供关于被估计VAR模型的各种视图。这一部分仅讨论与VAR模型有关的特定的视图。
7、其它的视图和过程可参考第21章:系统估计。22.3.1 诊断视图 在VAR窗口的View/Lag Structure和View/Residual Tests菜单下将提供一系列的诊断视图。这些将有利于检验被估计VAR模型的合适性。1、Lag Structure(滞后结构)AR Roots Table/Graph(AR根的图表)如果被估计的VAR模型所有根的模小于1并且位于单位圆内,则其是稳定的。如果模型不稳定,某些结果将不是有效的(如:脉冲响应标准误差)。共有 kp 个根,其中 k 是内生变量的个数,p 是最大滞后阶数。前面的例子中存在一个根大于1,所以模型是不稳定的(VAR01)。将IP、M1
8、差分得到的VAR模型是稳定的(VAR03)。,11,残差的协方差的行列式值由下式得出:(22.3)其中 p 是VAR每一方程的参数个数,t 是 k 维残差向量。通过假定服从多元正态(高斯)分布计算对数似然值:(22.4)两个信息准则由下面两式算出:其中 n=k(d+pk)是VAR中被估计的参数的总数,k 是内生变量数,T 是样本长度,这些信息准则可被用于模型的选择,例如决定VAR的滞后长度;信息准则的值越小模型越好。值得注意的是,一些参考文献通过不同的方法来定义AIC/SC,如在似然函数中忽略常数项或不除以T,请见附录F中关于各种信息准则的附加讨论。,(22.5),12,13,2、Residu
9、al Tests(残差检验)(1)Correlogram(相关图)显示VAR在指定的滞后数的条件下的被估计的残差交叉相关图(样本自相关)。交叉相关图能以三种形式显示:有两种表格形式,一种是以变量来显示(Tabulate by Variable),另一种是以滞后阶数来显示(Tabulate by Lag)。曲线图(Graph)显示交叉相关图的矩阵形式。点线代表滞后的相关系数加减两倍的渐近标准误差的曲线图(以 计算)。(2)Portmanteau Autocorrelation Test(混合的自相关检验)计算与指定阶数所产生的残差序列相关的多变量Q统计量。同时计算出Q统计量和调整后的Q统计量(即
10、:小样本修正)。在原假设是滞后h期没有残差序列自相关的条件下,两个统计量都近似的服从自由度为的 2 统计量,其中p为VAR滞后阶数。,14,(3)Autocorrelation LM Test(自相关LM检验)计算与指定阶数所产生的残差序列相关的多变量LM检验统计量。滞后h阶数的检验统计量是通过关于原始右侧回归量残差 ut 和滞后残差 ut-h 的辅助回归运算计算得到的,这里 ut-h 缺少的前h个值被赋予0。参考Johansen(1995a.p.22)LM统计量的计算公式。在原假设是滞后h期没有序列相关的条件下,LM统计量渐近的服从自由度为 k2 的 2 统计量。(4)Normality T
11、est(正态检验)计算残差的J-B正态检验,这种检验主要是比较残差的第三、第四阶残差矩与来自正态分布的那些矩。对于多变量检验,必须选择一k维残差分解因子,使其与其他的每一个残差都是正交的(参考脉冲相应函数对正交的详细讨论)。设 P 是如下的 因子分解矩阵:(22.7)其中 ut 是不符合要求的残差序列。,15,定义第三、第四阶矩向量为:则在原假设是服从正态分布的条件下,有:因为每一个组成部分之间是相互独立的,所以对任意的这些第三、第四阶矩平方求和可形成一个 2 统计量。EViews为每一个正交分量(标明残差1、残差2等等)和整体检验都提供检验统计量。对于单个分量,被估计的偏度(skewness
12、)和峰度(kurtosis)被列出在前两块中,J-B统计量列在第三块。(5)White Heteroskedasticity Test(White异方差检验)这些检验是针对系统方程的Whites检验的扩展。这个回归检验是通过残差序列每一个回归量交叉项乘积的回归来实现的,并检验回归的显著性。,16,No Cross Terms 选项仅仅用于原始回归量的水平值及平方项检验。With Cross Terms 选项包括被检验方程中原始回归变量所有的非多余的交叉乘积检验,回归方程还包括一个常数项作为回归量。输出的第一部分显示每一个被检验的回归方程除常数项之外的回归量的显著性。可以把每一个回归方程的检验作
13、为残差协方差矩阵的每一个元素独立的不变性检验。在原假设是没有异方差的条件下,非常数回归量不是联合显著的。在输出的最后一行显示被检验方程系统的所有回归量的 LM 2 平方统计量的联合显著性。系统的 LM 统计量服从自由度为 mn 的 2 分布,其中 m=k(k+1)/2,是系统残差交叉乘积的个数;n 为检验回归方程中通常形式下右边的变量个数。,17,22.4 脉冲响应函数,一旦已经估计了VAR模型,EViews会提供很多方法利用已估计的VAR来进行进一步的分析。在实际应用中,VAR的主要用处是脉冲响应分析,方差分解和 Granger 因果检验。,22.4.1 脉冲响应函数的基本思想,一、二变量模
14、型的脉冲响应函数 用时间序列模型来分析影响关系的一种思路,是考虑扰动项的影响是如何传播到各变量的。以下先根据VAR(2)模型来说明脉冲响应函数的基本思想。(22.8)其中,是参数,扰动项为,假定是具有下面这样性质的白噪声向量:,18,现在假定上述系统从期开始活动,且设,又设于第期给定了扰动项,并且其后均为,即,t,称此为第期给 x 以脉冲,下面讨论 xt 与 zt 的变化,于第期,将其结果代入(22.8)式,第1期,再把此结果代入(22.8)式,第2期,19,继续这样计算下去,设求得结果为 称为由 x 的脉冲引起的 x 的响应函数。同样求得称为由 x 的脉冲引起的 z 的响应函数。当然,第期的
15、脉冲反过来,从 出发,可以求出由 z 的脉冲引起的 x 的响应函数和 z 的响应函数。因为以上这样的脉冲响应函数明显地捕捉对冲击的波动及效果,所以和计量经济模型的冲击乘数分析类似。,二、一般的多变量VAR模型的脉冲响应函数,将上述讨论推广到多变量VAR模型上去(22.9)也可改写为 这里 yt 是一个k 维内生变量向量,t 是协方差矩阵为 的扰动向量。,20,假如VAR(p)可逆,我们可以得到VMA()的表达式:(22.10),VMA表达式的系数可按下面的方式给出:VAR的系数A和VMA的系数 必须满足下面关系:(22.11)其中,。关于 的条件递归定义了VMA系数:,从而可知VMA的系数可以
16、由VAR的系数递归得到。,21,考虑VMA()的表达式 设,y 的第i个变量 可以写成:其中k 是变量个数。仅考虑 2个变量(k=2)的情形:,现在假定在基期给 一个单位的脉冲,即:2 1 0 1 2 3 4 5 t,22,由 的脉冲引起的 的响应函数:,由上述推导可知由 的脉冲引起的 的响应函数序列是由VMA()中系数矩阵 第2行,第1列的元素组成,q=1,2,。因此,一般地,由 的脉冲引起的 的响应函数可以求出如下:其中,代表着对第j个变量的单位冲击引起第i个变量的第q期滞后反映。,23,22.4.2 计算脉冲响应函数,一、EViews中的脉冲响应函数 由以上讨论可知,对第i个变量的冲击不
17、仅直接影响第i个变量,并且通过VAR模型的动态(滞后)结构传导给所有的其它内生变量。脉冲响应函数描绘了在一个扰动项上加上一次性的一个冲击(one-time shock),对于内生变量的当前值和未来值所带来的影响。假如扰动项 同期不相关,那么脉冲响应的解释就很直接。第i个扰动项 就只对第i个内生变量有一个冲击。然而,扰动之间大都是相关的,可以描述为它们有一个与被指定变量不相关的公共成分。为了解释脉冲,最常用的方法是引进一个转换矩阵,使扰动项变成不相关:这里D是对角协方差矩阵。如下面所说明的,EViews提供多种关于P的选择方法。,24,乔利斯基(Cholesky)分解:对于任意实对称正定矩阵,存
18、在惟一一个主对角线元素为1的下三角形矩阵A和惟一一个主对角线元素为正的对角矩阵D使得(22.12)利用这一矩阵A可以构造一个 向量,构造方法为,设,则 由于D是对角矩阵,可得 的元素互不相关。其(j,j)元素是 的方差。令 表示其(j,j)元素为 的标准差的矩阵。注意到(22.12)可写为(22.13)其中式(22.13)被称为乔利斯基(Cholesky)分解。,25,二、由VAR产生脉冲响应函数 为了得到脉冲响应函数,先建立一个VAR模型,然后在VAR工具栏中选择View/Impulse Response或者在工具栏选择Impulse,并得到下面的对话框,有两个菜单:Display 和 Im
19、pulse Definition,26,(一)Display菜单提供下列选项:1.Display Format(显示形式)选择以图或表来显示结果。如果选择Combined Graphs 则Response Standard Error选项是灰色,标准误差不被显示。而且应注意:输出表的格式是以响应变量的顺序显示,而不是脉冲变量。2.Display Information(显示信息)输入希望产生冲击的变量(Impulses)和希望观察其脉冲响应的变量(Responses)。可以输入内生变量的名称,也可以输入变量的对应的序数,例如:如果VAR模型以GDP,M1,CPI的形式定义,则既可以以:GDP
20、CPI M1的形式输入,也可以以:1 3 2的形式输入。输入变量的顺序仅仅影响结果的显示。还应定义一个确定响应函数轨迹期间的正整数。为了显示累计的响应,需要单击Accumulate Response选项。对于稳定的VAR模型,脉冲响应函数应趋向于0,且累计响应应趋向于某些非0常数。,27,3.Response Standard Error(脉冲响应标准误差)提供计算脉冲响应标准误差的选项。解析的或Monte Carlo标准误差对一些Impulse选项和误差修正模型(VEC)一般不一定有效。若选择了Monte Carlo,还需在下面的编辑框确定合适的循环次数。,(二)Impulse Defini
21、tion菜单提供了转换脉冲的选项:,28,29,1.Residual-One Unit(一单位残差)设置脉冲为残差的一个单位的冲击。这个选项忽略了VAR模型残差的单位度量和相关性,所以不需要转换矩阵的选择。这个选项所产生的响应函数是VAR模型相对应VMA()模型的系数。2.Residual-One Std.Dev(残差的一个标准偏差)设置脉冲为残差的一个标准偏差的冲击。这个选项忽略了VAR残差的相关性。3Cholesky(乔利斯基)用残差协方差矩阵的 Cholesky 因子的逆来正交化脉冲。这个选项为VAR模型的变量强加一个次序,并将所有影响变量的公共成分归结到在VAR系统中第一次出现的变量上
22、。注意:如果改变变量的次序,将会明显地改变响应结果。可以在 Cholesky Ordering 的编辑框中重新定义VAR中变量的次序。,30,其中p是VAR每一个方程中的参数个数。no d.f.adjustment:估计残差协方差矩阵的第(i,j)元素的计算是按下列公式计算的:,4.Gneralized Impluses(广义脉冲)描述Pesaran和Shin(1998)构建的不依赖于VAR中变量次序的正交的残差矩阵。应用以上面的Cholesky顺序计算的第j个变量的Cholesky因子得到第j个变量的扰动项的广义脉冲响应。,d.f.adjustment:在估计的残差协方差矩阵利用Choles
23、ky 因子时进行小样本的自由度修正。具有自由度修正的残差协方差矩阵的第(i,j)元素的计算是 按下列公式计算的:,31,5.Structural Decomposition(结构分解)用结构因子分解矩阵估计的正交转换矩阵。如果没有先估计一个结构因子分解矩阵,这个方法是不能用的。6.User Specified(用户指定)在这个选项中允许自己定义脉冲。建立一个包含脉冲的矩阵(或向量),并在编辑框中输入矩阵的名字。如果VAR模型中有k个内生变量,则脉冲矩阵必须是k行和1列或 k 列的矩阵,每一列代表一个脉冲向量。例如:一个有k(=3)个变量的VAR模型,希望同步对第一个变量有一个正的一个单位的冲击
24、,给第二个变量一个负的一单位的冲击,可以建立一个的脉冲矩阵,值分别为:1,-1,0。可以用命令执行如下:matrix(3,1)shock shock.fill(by=c)1,-1,0并在编辑框中键入矩阵的名字:shock。,32,例1 近几年来,随着国民经济的稳定增长,我国建材、汽车、机械、家电等主要的钢材需求行业得到了快速的发展,有效地拉动了全社会对钢材的需求。本例选择钢铁行业及其主要的下游行业的销售收入数据做为各行业的需求变量,通过向量自回归模型(VAR模型)的脉冲响应函数分析各下游行业自身需求的变动对钢铁行业需求的影响。设VAR(3)模型为:式中,Yt是由5个内生变量组成的向量,即Yt=
25、(machinet electric_ht build_mt cart steelt),其中 machinet:机械销售收入;electric_ht:家电销售收入;build_mt:建材销售收入;cart:汽车销售收入;steelt:钢材销售收入,t 为扰动向量,A1,A2,A3 为参数矩阵。对Yt 所选用的5个变量的时间序列进行了协整检验,检验的结果表明各变量之间满足协整关系。这表明,所选的各下游行业的销售收入与钢铁工业的销售收入之间具有长期的均衡关系。在短期内由于随机干扰,这些变量可能偏离均衡值,但这种偏离是暂时的,最终会回到均衡状态。,33,下面分别给各行业销售收入一个冲击(选择乔利斯基
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 22 向量 回归 误差
链接地址:https://www.desk33.com/p-734530.html