(完整版)SVAR模型制作過(guò)程

1、一，數(shù)據(jù)的季節(jié)調(diào)整（利用 x-12 進(jìn)行季節(jié)性調(diào)整） 由于在建模時(shí)所選取的是宏觀經(jīng)濟(jì)的月度數(shù)據(jù)， 而月度數(shù)據(jù)容易受到季節(jié)因素的影 響，從而掩蓋經(jīng)濟(jì)運(yùn)行的客觀規(guī)律，因此我們采用Census X13（功能時(shí)最強(qiáng)大的）調(diào)整方法對(duì)各個(gè)變量數(shù)據(jù)進(jìn)行季節(jié)性調(diào)整。 分別記做 CPI'、FOO'D 、HOUS'E、M2'、 VMI'。時(shí)間序列按照時(shí)間次序排列的隨機(jī)變量序列， 任何時(shí)間序列經(jīng)過(guò)合理的函數(shù)變 換后都可以被認(rèn)為由幾個(gè)部分疊加而成。 三個(gè)部分： 趨勢(shì)部分 （T），季節(jié)部分 （S） 和隨機(jī)噪聲部分（ I）。常見的時(shí)間序列都是等間隔排列的。時(shí)間序列調(diào)整各部分構(gòu)成的基

2、本模型Xt= Tt+ Tt+ It 對(duì)任何時(shí)刻有， E（It）=0，Var（It）=2 加法模型Xt= Tt *Tt* It 對(duì)任何時(shí)刻有， E（It）=1，Var（It）=2加法模型 （ 1）判定一個(gè)數(shù)據(jù)序列究竟適合乘法模型還是加法模型，可考察其趨勢(shì)變化持性及季節(jié)變化的波動(dòng)幅度。（ 2）所謂季節(jié)調(diào)整就是按照上述兩種模型將經(jīng)濟(jì)時(shí)間序列進(jìn)行分解，去掉季節(jié)項(xiàng)的序列成為調(diào)過(guò)序列。對(duì)于時(shí)間序列而言是否存在整體趨勢(shì)？如果是， 趨勢(shì)是顯示持續(xù)存在還是顯示將隨時(shí)間 而消逝？對(duì)于時(shí)間序列而言是否顯示季節(jié)性變化？如果是， 那么這種季節(jié)的波動(dòng)是隨時(shí)間而加劇 還是持續(xù)穩(wěn)定存在？對(duì)于時(shí)間序列的分解模型主要有加法模型和

3、乘法模型。加法模型適用于 T、S、C 相互獨(dú)立的情形。乘法模型適用于 T、S、C 相關(guān)的情形。 由于時(shí)間序列分解的四大要素一般都存在相 互影響，因此大多數(shù)的經(jīng)濟(jì)數(shù)據(jù)都采用乘法模型進(jìn)行季節(jié)性分解。第一步：雙擊進(jìn)行季節(jié)性調(diào)整的變量組CPI， proc >Seasonal Adjustment>x -12第二步：用 Eviews 軟件進(jìn)行季節(jié)調(diào)整的操作步驟：1， 準(zhǔn)備一個(gè)用于調(diào)整的時(shí)間序列（ GDP）（注意：序列需同口徑（當(dāng)月或當(dāng)季） 、 不變價(jià)、足夠長(zhǎng)）2， 在 Eviews 中建立工作文件，導(dǎo)入序列數(shù)據(jù)3， 序列圖形分析（1）觀察序列中的是否有季節(jié)性（ 2） 是否有離群值或問(wèn)題值（3

4、） 序列的趨勢(shì)變動(dòng)（是加法還是乘法模型） （加法模型主要適用于呈線性 增長(zhǎng)的數(shù)據(jù)序列，或者是圍繞某一個(gè)中指波動(dòng)的數(shù)據(jù)序列，如pmi 數(shù)據(jù)序列）（乘法模型主要適用于呈指數(shù)級(jí)數(shù)增長(zhǎng)的序列，如GDP、工業(yè)增加值，投資數(shù)據(jù)的名義值、實(shí)際值及物價(jià)的指數(shù)序列等。）（對(duì)數(shù)加法模型主要適用于同比增速呈線性增長(zhǎng)的數(shù)據(jù)序列，如GDP、工業(yè)、投資及 cpi 的同比增速數(shù)據(jù)； 偽加法模型則主要是對(duì)某些非負(fù)時(shí)間序列 進(jìn)行季節(jié)調(diào)整，他們具有這樣的性質(zhì)：在每一年中的相同月份出現(xiàn)接 近與 0 的正值，在這些月份含有接近于 0 的季節(jié)因子，受這些小因子 的影響，季節(jié)調(diào)整結(jié)果將出現(xiàn)偏差。在一年的特定時(shí)期，農(nóng)產(chǎn)品產(chǎn)量 就是這樣的數(shù)

5、據(jù)序列） Cpi， vmi 為對(duì)數(shù)加法模型，（4） 必要時(shí)還要分析譜圖和自相關(guān)、偏相關(guān)圖4， 季節(jié)調(diào)整參數(shù)設(shè)定（1） 季節(jié)調(diào)整選擇項(xiàng)（模型分解方法、季節(jié)慮子、調(diào)整后的序列變量名） a勾選 x11 method 中的 multiplicative ，seasonal filter 中的 auto x12 default bComponent series to save 選擇 final seasonal factor（ _SF）Trend Filter 選擇 Auto （ X12 fefat）（2）ARIMA模型參數(shù)（序列是否需要做轉(zhuǎn)換、 ARIMA 說(shuō)明）（主要是做預(yù)測(cè) 用）（3）交易節(jié)假日

6、設(shè)定（西方模式，不適合中國(guó)模式）（4）離群值設(shè)定（ 5） 模型診斷（選上）5， 執(zhí)行季節(jié)調(diào)整6， 查看季節(jié)調(diào)整后的結(jié)果7， 分析季節(jié)調(diào)整的結(jié)果診斷報(bào)告主要查看 M1-M11 、以及 Q 統(tǒng)計(jì)量有沒有通過(guò)檢驗(yàn) 如果診斷報(bào)告不好，返回第 4 步8， 導(dǎo)出數(shù)據(jù)，在 EXCEL中計(jì)算環(huán)比增長(zhǎng)率在建立 SVAR模型時(shí)，需要考慮變量序列的平穩(wěn)性，這就要求在建模前需要對(duì)變量進(jìn)行 平穩(wěn)性檢驗(yàn)，如果變量序列是平穩(wěn)的，那么可以直接進(jìn)行SVAR模型的構(gòu)建，但是如果變量為非平穩(wěn)序列那么需要對(duì)變量序列進(jìn)行平穩(wěn)性處理， 常用的方法是做差分和取對(duì)數(shù)， 如若變 量序列滿足同階單整， 則可以進(jìn)行協(xié)整檢驗(yàn)， 如若各個(gè)變量序列滿足

7、協(xié)整檢驗(yàn)， 具有長(zhǎng)期的 均衡關(guān)系，則可以建立 SVAR模型。PROC>Seasonal Adjustment>Census X12Sensonal adjustment（ 季節(jié)調(diào)整選擇設(shè)定 ），ARMIA Option ，Trading Day/Holiday（交易日、 節(jié)假日設(shè)定） ， Outliers （離群值設(shè)定） ， diagnostics（診斷）。做的比較粗糙一點(diǎn)：（1） 打開變量列， proc>x-13>method>x -11>additive（ 加法）（ 2） Output>seasonally adjusted 一，對(duì)各變量序列的平穩(wěn)

8、性檢驗(yàn)（ ADF 檢驗(yàn)） 原因 :模型要求所需的變量數(shù)據(jù)為平穩(wěn)序列。（ 1）單位根檢驗(yàn)單位根檢驗(yàn)是檢驗(yàn)數(shù)據(jù)的平穩(wěn)性，或是說(shuō)單整階數(shù)。引用高人的回答：滯后階數(shù)的問(wèn)題。最佳滯后階數(shù)主要根據(jù)AIC SC準(zhǔn)則判定，當(dāng)你選擇好檢驗(yàn)方式，確定好常數(shù)項(xiàng)、 趨勢(shì)項(xiàng)選擇后， 在 lagged differences 欄里可以從 0 開始嘗試， 最大可以嘗試 到 7。你一個(gè)個(gè)打開去觀察， 看哪個(gè)滯后階數(shù)使得結(jié)論最下方一欄中的AIC 和 SC 值最小，那么該滯后階數(shù)則為最佳滯后階數(shù)。 單位根是否應(yīng)該包括常數(shù)項(xiàng)和趨勢(shì)項(xiàng)可以通過(guò)觀察序 列圖確定，通過(guò) Quick-graph-line 操作觀察你的數(shù)據(jù)，若數(shù)據(jù)隨時(shí)間變化

9、有明顯的上升或 下降趨勢(shì)，則有趨勢(shì)項(xiàng)，若圍繞 0 值上下波動(dòng)，則沒有趨勢(shì)項(xiàng)；其二，關(guān)于是否包括常數(shù) 項(xiàng)有兩種觀點(diǎn)， 一種是其截距為非零值， 則取常數(shù)項(xiàng)， 另一種是序列均值不為零則取常數(shù) 項(xiàng)。使得 t 大于 1%， 5%， 10%條件小的值步驟：第一：利用圖形確定常數(shù)項(xiàng)和趨勢(shì)項(xiàng) Quick>series statistic>unit root test其中：檢驗(yàn)對(duì)象Level（水平序列） ， 1st difference （一階差分序列） ，2st difference （二階差分序列） 檢驗(yàn)附加項(xiàng)Intercept （常數(shù)項(xiàng)， 漂移項(xiàng)），trend and intercept （趨

10、勢(shì)項(xiàng)和漂移項(xiàng)） ，none（無(wú)附加項(xiàng)） Lag length（之后長(zhǎng)度） lagged differencesAutomatic selection （系統(tǒng)自動(dòng)選擇之后長(zhǎng)度）AICSIC 等。User specified （用戶自己選擇） 第二，確定滯后項(xiàng) 方法一是在 User specified （用戶自選模式）中選擇從 0 開始慢慢增加，看下面的 AIC與 sic 的大小，最后 AIC與 sic 最小時(shí)，就是滯后項(xiàng)數(shù)。方法二是在 Automatic selection 中選擇 AIC模式， 可以把最大滯后項(xiàng)數(shù)選大一點(diǎn) （ 7 或者 以上），軟件會(huì)自動(dòng)選擇 AIC最小時(shí)的項(xiàng)，即為滯后項(xiàng)。 D

11、（x（-1）為滯后 1 項(xiàng)。 （3） Johansen 檢驗(yàn)（視單整情況而定）Johansen 檢驗(yàn)的關(guān)鍵是有同階單整可以進(jìn)行協(xié)整檢驗(yàn)。非同階單整可不需要進(jìn)行 Johansen 檢驗(yàn)。協(xié)整檢驗(yàn)是兩個(gè)或多個(gè)變量之間具有長(zhǎng)期的穩(wěn)定關(guān)系。 但變量協(xié)整的必要條件是他 們之間時(shí)同階單整，也就是說(shuō)在進(jìn)行協(xié)整檢驗(yàn)之前進(jìn)行單位根檢驗(yàn)。根據(jù) SIMS（ 1990）的研究結(jié)果， 只有在變量序列之間存在長(zhǎng)期的均衡關(guān)系即協(xié)整關(guān) 系時(shí)， VAR模型才能避免出現(xiàn)錯(cuò)誤識(shí)別，才能通過(guò)最小二乘法得到一致估計(jì)。（ 4） 建立 VAR 模型（不斷重復(fù)直至模型通過(guò)三項(xiàng)檢驗(yàn)：穩(wěn)定性，滯后階數(shù)正確，外 生變量與內(nèi)生變量明晰） 第一步估計(jì)

12、 var 模型， Objects>New object/Var 選擇 VAR type 為： unrestrictedEndogenous Variables :內(nèi)生變量 （d（vmi_d11） 差分 ）（有內(nèi)生變量為 1，有外生變量 為 0 ）Exogenous Variables：外生變量 估計(jì)系數(shù)的標(biāo)準(zhǔn)差（圓括號(hào)中）及t-統(tǒng)計(jì)量（方括號(hào)中）d（cpi_d11） d（food_d11） house_d11 d（m1_d11） d（vmi_d11） 不斷改變 Endogenous Variables 中（ 1，？）？ =1,2,3 比較結(jié)果最下面的 AIC 與 SC DE 值越小越好，

13、最后確定 VAR模型的滯后階數(shù)。 （注意： 1，其實(shí)在初始設(shè)置 VAR 模型的時(shí)候可以任意設(shè)置為（ 1，？）（后面 檢驗(yàn)的時(shí)候才會(huì)確認(rèn)？的滯后階數(shù)是什么） 。（1,1）自己 2，默認(rèn)為全體變量為內(nèi)生變量 （后面檢驗(yàn)的時(shí)候可以確定哪些是外生 變量）。第二步檢驗(yàn)所估計(jì)的 VAR模型（三個(gè)檢驗(yàn)）1， VAR 的滯后階數(shù)檢驗(yàn)在 VAR工作表中 VIEWS>lag structure>lag length criteria （ 填寫最大階數(shù) ） 軟件將會(huì)用“ * ”給出某個(gè) AIC 或者 SC準(zhǔn)則的最小值。 （滯后階數(shù)越小 越好）。2， 的穩(wěn)定性檢驗(yàn) （AR 根小于 1，在單位圓內(nèi)才能滿足脈

14、沖分析及方差分解 所需條件）。VIEWS>lag structure>AR ROOTS TABLE/ GRAPH3,Granger 檢驗(yàn)VIEWS>lag structure>Pairwise Granger Causality Tests3， 建立的簡(jiǎn)約式 VAR（？）？為滯后階數(shù)的模型輸出樣式 VIEW>REPRESPENTATION5） 在構(gòu)建成功 VAR模型后，為了驗(yàn)證擾動(dòng)項(xiàng)之間是否存在同期相關(guān)關(guān)系，可用殘 差的同期相關(guān)矩陣來(lái)描述，可以利用這個(gè)模型進(jìn)行預(yù)測(cè)即下一步的分析，為了 驗(yàn)證擾動(dòng)項(xiàng)之間是否存在同期相關(guān)關(guān)系， 可以利用殘差的同期相關(guān)矩陣來(lái)描述。 在構(gòu)建

15、的 VAR 窗口中： VIEWS>Residuals>correlation matrix進(jìn)一步表明可以利用同期的影響來(lái)構(gòu)建SVAR模型。（5）在已構(gòu)建的 VAR 模型上構(gòu)建 SVAR模型 第一步：實(shí)施約束 識(shí)別條件為 k（ k-1） /2 個(gè)，識(shí)別約束條件可以是短期約束條件，也可以長(zhǎng)期約束條 件。短期約束意味著脈沖響應(yīng)函數(shù)隨著時(shí)間的變化將會(huì)消失， （對(duì) D0 進(jìn)行影響） 而長(zhǎng)期約束意味著對(duì)響應(yīng)變量未來(lái)的值有一個(gè)長(zhǎng)期的影響。 （更像是累計(jì)影響如 ?=0? ?不能同時(shí)施加長(zhǎng)期與短期約束。短期約束是基于 A-B型 SVAR模型（ Aet=But）,長(zhǎng)期約束基于脈沖響應(yīng)的累積響應(yīng)函數(shù)。（

16、1）短期約束可識(shí)別條件：AB型 SVAR模型至少需要 2k 2-k（k+1）/2 個(gè)約束可識(shí)別條件一般假設(shè)結(jié)構(gòu)新息 ut有單位方差，因此通常對(duì)矩陣B 的約束為對(duì)角陣（約束個(gè)數(shù)為 k2-k）或者單位矩陣（約束個(gè)數(shù)為K2），以致獲得沖擊的標(biāo)準(zhǔn)偏差A(yù) 矩陣主對(duì)角元素一般設(shè)為 1（約束個(gè)數(shù)為 k ） 在矩陣 B 為單位陣情況下， 對(duì) A 矩陣的約束相當(dāng)于對(duì) 變量間同期相關(guān)關(guān)系的約束，如有三個(gè)內(nèi)生變量稅收（ 產(chǎn)出（3），根據(jù)經(jīng)濟(jì)理論當(dāng)期產(chǎn)出不會(huì)影響當(dāng)期政府支出， 在約束時(shí)當(dāng) B 為單位陣時(shí)，直接寫成 a23= 約束矩陣中未知元素定義為 NA2）長(zhǎng)期約束 建立包括長(zhǎng)期響應(yīng)矩陣模塊，約束處填寫C0 矩陣施加

17、約束， 即對(duì)1），政府支出（ 2）， 即矩陣 C0中 C23=0，0，比如第 2 個(gè)內(nèi)生變量對(duì)第 1 個(gè)結(jié)構(gòu)沖擊的長(zhǎng)期影響為 0，則長(zhǎng)期響應(yīng)矩陣模塊中第 2行第 1 列約束為 0，其他類同，無(wú)約束的填寫 NA施加在當(dāng)期的約束就是短期約束，（3）為了簡(jiǎn)便起見應(yīng)按如下進(jìn)行 SVAR短期約束條件的設(shè)立1， AB 型 SVAR模型至少需要 2k2-k（ k+1） /2 個(gè)約束（ AB 型的特點(diǎn) 是，可以明確建立系統(tǒng)內(nèi)各個(gè)內(nèi)生變量的當(dāng)期結(jié)構(gòu)關(guān)系，并且 可以直觀地分析標(biāo)準(zhǔn)正交隨機(jī)擾動(dòng)項(xiàng)對(duì)系統(tǒng)產(chǎn)生沖擊后的影響 情況，即 et 就是所謂的“標(biāo)準(zhǔn)正交隨機(jī)擾動(dòng)項(xiàng)” ，因?yàn)樗慕M成 元素之間互相正交 （即互相獨(dú)立）

18、 ，并且其方差 -協(xié)方差為單位陣）2， 若約束矩陣 B 為單位陣，此時(shí)約束個(gè)數(shù)為 K2個(gè)3， 若約束矩陣 A 為主對(duì)角元素為 1，約束個(gè)數(shù)為 K4， 再加上經(jīng)濟(jì)原理上，使得在矩陣 A 中至少增加 2k2-k（k+1）/2-（k2+k）個(gè) 0 約束5， 構(gòu)造的約束按照 C12=0 或者 C21=0 來(lái)進(jìn)行。1， EVIEWS在計(jì)算過(guò)程中同時(shí)限定了矩陣 A必須為單位矩陣， 對(duì)于 n 變量的 SVAR，這實(shí)質(zhì)上又給出了 n2 個(gè)限制條件。所以，當(dāng)在 EVIEWS中設(shè)立長(zhǎng) 期約束條件時(shí)，實(shí)際上對(duì)矩陣 C的約束條件，只要有 2n2-n（n+1）/2-n2= n2-n（n+1）/2-n2 個(gè)就滿足了 SV

19、AR模型的可識(shí)別條件。2， 長(zhǎng)期約束，實(shí)質(zhì)上就是要限定短期條件下的矩陣A 和 B 與長(zhǎng)期條件下的矩陣 C 之間的關(guān)系。3， 在長(zhǎng)期約束中通過(guò)對(duì)矩陣 C 中的元素加以限制，然后利用這些限制條件 以及 C與矩陣 A,B的關(guān)系估計(jì)出矩陣 A與 B 的系數(shù)。因此，在給定一個(gè) 限制約束條件的矩陣 C后， EViews內(nèi)部算法會(huì)給出相應(yīng)的 SVAR模型 A、 B 矩陣中的系數(shù)，而無(wú)論如何限制矩陣C， EViews 給出的結(jié)果中矩陣 A總是單位矩陣。所以，當(dāng)在 EViews 中設(shè)立長(zhǎng)期約束條件時(shí)，實(shí)際上對(duì)矩 陣 C的約束條件，只要有【 2n2-n（n+1）/2 】-n2=n2-n（n+1）/2 個(gè)就滿足 了

20、 SVAR模型的可識(shí)別條件。4， 在進(jìn)行短期約束時(shí)，可以根據(jù)經(jīng)濟(jì)理論或者Granger 來(lái)得到約束條件。5， 構(gòu)架的短期約束以格蘭杰因果檢驗(yàn)為主6， 最好不要把 B 矩陣設(shè)為單位陣7， 長(zhǎng)期約束條件多用于貨幣政策的分析，情況較為復(fù)雜，在其他領(lǐng)域應(yīng)用 較少。8， Svar模型根據(jù)其建模特點(diǎn)，主要分為 3 種類型： K型，c 型和 AB型，其 中 AB 其中型是最通常的類型 ,而 K型、 C型都可視為 AB型的特殊形式。 如果模型中的 A矩陣為單位矩陣 ,則 AB模型就轉(zhuǎn)化為 C 模型;如果 AB模 型中的 B 矩陣為單位矩陣 ,則模型就轉(zhuǎn)化為 K模型。9， 在 EVIEWS中利用約束條件生成矩陣

21、 A 與 BObjects/new object/matrix -vector -coef 填寫矩陣名稱 A 在命令面板中可以如下輸入：A（1,1）=1,A（1,2）=NA 等，表示在 A 矩陣中第 1 行第 2 列中設(shè)置為 1，和在第 1 行 第2列或者矩陣命令 matrix （ 5,5） xdata 創(chuàng)建一個(gè) 5*5 的矩陣 xdata。第二步：估計(jì) SVAR從 VAR 對(duì)象窗口的菜單中選擇 procs>estimate structural factorizationSvar OPTIONS的對(duì)話框中，擊中 MATRIX按鈕和 short -run pattern ，并在相應(yīng) 的編

22、輯框中填入模板矩陣的名字。e1=-c(1)*e2 -c(2)*e3 -c(3)*e4 -c(4)*e5+1*u1e2=-c(5)*e1 -c(6)*e4 -c(7)*e5+1*u2e3=-c(8)*e1 -c(9)*e4 -c(10)*e5+1*u3 e4=-c(11)*e1 -c(12)*e3+1*u4 e5=-c(13)*e1 -c(14)*e2 -c(15)*e3+1*u5如上設(shè)置的短期約束條件(多增加兩個(gè)好一點(diǎn))d(cpi_d11) d(food_d11) house_d11 d(m1_d11) d(vmi_d11)結(jié)果如圖所示約束條件如下：1：里面不包含 M1 不影響當(dāng)期食物價(jià)格，

23、c24M1 不影響當(dāng)期房屋價(jià)格 C34第三步：分析A， 脈沖響應(yīng)函數(shù)分析d(cpi_d11) d(food_d11) house_d11 d(m1_d11) d(vmi_d11)主界面 view>impulse response 。在 impulses 產(chǎn)生沖擊的變量處填寫在 response 處填寫觀測(cè)其脈沖響應(yīng)的變量 圖片輸出，點(diǎn)擊輸出結(jié)果右鍵， SVAE保存后可輸出結(jié)果。B， 方差分解分析Var 界面 View>variance decompositionlibrary(ggplot2)#type <- c('A','B','C','D','E','F','G')#nums <- c(10,23,8,33,12,40,60)type &l