(完整版)SVAR模型制作過程

1、設(shè)置月度數(shù)據(jù) MONTHLYstartdate：2008M01enddate2018M08一，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)運行的客觀規(guī)律，因此我們采用 CensusX13（功能時最強(qiáng)犬的）調(diào)整方法對各個變量數(shù)據(jù)進(jìn)行季節(jié)性調(diào)整。分別記做 CPI，、FOOD，、HOUSE，、M2VMfo時間序列按照時間次序排列的隨機(jī)變量序列， 任何時間序列經(jīng)過合理的函數(shù)變換后都可以被認(rèn)為由幾個部分疊加而成。三個部分：趨勢部分（T）,季節(jié)部分（S）和隨機(jī)噪聲部分（Do常見的時間序列都是等間隔排列的。時間序列調(diào)

2、整各部分構(gòu)成的基本模型Xt=Tt+Tt+It 對任何時刻有,E（k）=0,Var（It）=八加法模型 Xt=Tt*Tt*It 對任何時刻有，E（It）=1,Var（It）加法模型（1）判定一個數(shù)據(jù)序列究竟適合乘法模型還是加法模型，可考察其趨勢變化持性及季節(jié)變化的波動幅度。（2）所謂季節(jié)調(diào)整就是按照上述兩種模型將經(jīng)濟(jì)時間序列進(jìn)行分解，去掉季節(jié)項的序列成為調(diào)過序列。對于時間序列而言是否存在整體趨勢？如果是，趨勢是顯示持續(xù)存在還是顯示將隨時間而消逝？對于時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)的波動是隨時間而加劇還是持續(xù)穩(wěn)定存在？逑吋偃我們裁可以看到時間序列團(tuán)了！我fb看到：此序列顯示整

3、體上升趨勢異卩序列值隨討間而増加。上升這勢似乎將持續(xù)，即為線性超勢。此序歹呃有一個明顯笊季節(jié)特征，即年宸言點在十二月。季節(jié)變化顯示隨上升影怖増長的超勢，表明是乘法季節(jié)模型而不是加法季節(jié)模型。對于時間序列的分解模型主要有加法模型和乘法模型。加法模型適用于 T、S、C 相互獨立的情形。乘法模型適用于 T、S、C 相關(guān)的情形。由于時間序列分解的四人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,procSeasonalAdjustmentx-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)備一個用于調(diào)整的時間序列（

4、GDP）（注意：序列需同 II 徑（當(dāng)月或當(dāng)季）、不變價、足夠長）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）是否有離群值或問題值（3）序列的趨勢變動（是加法還是乘法模型）（加法模型主要適用于呈線性增長的數(shù)據(jù)序列，或者是圍繞某一個中指波動的數(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)級數(shù)增長的序列，如 GDP、工業(yè)增加值，投資數(shù)據(jù)的名義值、實際值及物價的指數(shù)序列等。） （對數(shù)加法模型主要適用于同比增速呈線性增長的數(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某些非負(fù)時間序列進(jìn)行季節(jié)調(diào)整，

5、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。在一年的特定時期，農(nóng)產(chǎn)品產(chǎn)量就是這樣的數(shù)據(jù)序列）Cpi,vmi 為對數(shù)加法模型，（4）必要時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（模型分解方法、季節(jié)慮子、調(diào)整后的序列變量名）a. 勾選 xllmethod 中的 multiplicative,seasonalfilter 中的 autoxl2defaultb. Componentseriestosave 選擇 finalseasonalfactor（_SF）Tren

6、dFilter 選擇 Auto（X12fefat）（2）ARIMA 模型參數(shù)（序列是否需要做轉(zhuǎn)換、ARIMA 說明）（主要是做預(yù)測用）（3）交易節(jié)假口設(shè)定（西方模式，不適合中國模式）（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)果診斷報告主要查看 M1-M11.以及 Q 統(tǒng)計量有沒有通過檢驗如果診斷報告不好，返回第 4 步8,導(dǎo)出數(shù)據(jù)，在 EXCEL 中計算壞比增長率在建立 SVAR 模型時，需要考慮變量序列的平穩(wěn)性，這就要求在建模前需要對變量進(jìn)行平穩(wěn)性檢驗，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

7、列那么需要對變量序列進(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，如若各個變量序列滿足協(xié)整檢驗，具有長期的均衡關(guān)系，則可以建立 SVAR 模型。PROCSeasonalAdjustmentCensusX12Sensonaladjustment（季節(jié)調(diào)整選擇設(shè)定）,ARMIAOption,TradingDay/Holiday（交易日、節(jié)假口設(shè)定） ，Outliers（離群值設(shè)定），diagnostics（診斷）。做的比較粗糙一點：（1）打開變量列,procx-13methodx-lladditive（加法）（2）Outputseasonallyadju

8、sted一,對各變量序列的平穩(wěn)性檢驗（ADF 檢驗）原因:模型要求所需的變量數(shù)據(jù)為平穩(wěn)序列。（1）單位根檢驗單位根檢驗是檢驗數(shù)據(jù)的平穩(wěn)性，或是說單整階數(shù)。引用高人的回答：滯后階數(shù)的問題。最佳滯后階數(shù)主要根據(jù) AICSC 準(zhǔn)則判定，當(dāng)你選擇好檢驗方式，確定好常數(shù)項、趨勢項選擇后， 在 laggeddifferences 欄里可以從 0 開始嘗試， 最犬可以嘗試到 7。 你一個個打開去觀察，看哪個滯后階數(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)項和趨勢項可以通過觀察序列圖確定，通過 Quick-graph-line 操作觀察你的數(shù)據(jù)，

9、若數(shù)據(jù)隨時間變化有明顯的上升或卞降趨勢，則有趨勢項，若圍繞 0 值上下波動，則沒有趨勢項；其二，關(guān)于是否包括常數(shù)項有兩種觀點，一種是其截距為非零值，則取常數(shù)項，另一種是序列均值不為零則取常數(shù)項。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)項和趨勢項 Quickseriesstatistiounitroottest其中：檢驗對象Level（水平序列），1stdifference（一階差分序列），2stdifference（二階差分序列）檢驗附加項Intercept（常數(shù)項，漂移項），trendandintercept（趨勢項和漂移項）,none（無附加項）Laglen

10、gth（之后長度）laggeddifferencesAutomaticselection（系統(tǒng)自動選擇之后長度）AICSIC 等。Userspecified（用戶自己選擇）第二，確定滯后項方法一是在 Userspecified（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，就是滯后項數(shù)。方法二是在 Automaticselection 中選擇 AIC 模式，可以把最人滯后項數(shù)選人一點（7 或者以上），軟件會自動選擇 AIC 最小時的項，即為滯后項。D（x（-1）為滯后 1 項。（3）Johansen 檢驗（視單整情況而定）Jo

11、hansen檢驗的關(guān)鍵是有同階單整可以進(jìn)行協(xié)整檢驗。 非同階單整可不需要進(jìn)行Johansen檢驗。協(xié)整檢驗是兩個或多個變量之間具有長期的穩(wěn)定關(guān)系。但變量協(xié)整的必要條件是他們之間時同階單整，也就是說在進(jìn)行協(xié)整檢驗之前進(jìn)行單位根檢驗。根據(jù) SIMS（1990）的研究結(jié)果，只有在變量序列之間存在長期的均衡關(guān)系即協(xié)整關(guān)系時，VAR模型才能避免出現(xiàn)錯誤識別，才能通過最小二乘法得到一致估計。（4）建立 VAR 模型（不斷重復(fù)直至模型通過三項檢驗：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 var 模型，ObjectsNewobject/Var選擇 VARtype 為：unrestricted

12、EndogenousVariables 生變量（d（vmi_dll）差分）（有內(nèi)生變量為 1,有外生變量為 0）ExogenousVariables：外生變量估計系數(shù)的標(biāo)準(zhǔn)差（圓扌舌號中）及卜統(tǒng)計量（方括號中）d（cpi_d11）d（food_d11）house_d11d（m1_d11）d（vmi_d11）不斷改變 EndogenousVariables 中（1,?）?=1,2,3比較結(jié)果最下面的 AIC 與 SCDE 值越小越好，最后確定 VAR 模型的滯后階數(shù)。（注意：1，其實在初始設(shè)置 VAR 模型的時候可以任意設(shè)置為（1,?）（后面檢驗的時候才會確認(rèn)？的滯后階數(shù)是什么）。（1,1）自己

13、2, 默認(rèn)為全體變量為內(nèi)生變量（后面檢驗的時候可以確定哪些是外生變量）。第二步檢驗所估計的 VAR 模型（三個檢驗）1,VAR 的滯后階數(shù)檢驗在 VAR 匸作表中 VIEWSlagstructurelaglengthcriteria（填寫最大階數(shù)）軟件將會用“*”給出某個 AIC 或者 SC 準(zhǔn)則的最小值。（滯后階數(shù)越小越好）。VARLaooraerselectioncnteriaEndogenousvariablesD(CPI_D11)D(FOOD_D11)HOUSE.D11D(M1_D11)D(VI/LD11)Exogenousa2bi9S.CDate1007/18Time:0828Sam

14、ple:2008M0120181408inciuaedoDservations:119LagLOQLLRFPEZJCSCHQ0 1109.5361393.9080448.73170188484718779121-1026.762157200435.5790117.76071646133r180452V2-993759959.9038631.1706517.62622*189106918147803-952.619453.9069528.2727193913318281684933.06364868016*2646256198986218442205-915.966826.7227030.743

15、74/20.6152918812116-905.005816.2112739.9364217.8152221.4350919.285147 889907421.0616748.9091117.98164221853519588638-868.918127.5154054.9599518.0490422.8356119.99312indicateslagorderselededbythecriterionLR：sequentialmodifiedLRteststatistic(eachtestal5%level)FPEFinalpredictionerror卻C.Akaikeinformatio

16、ncriterionSC：ScnxvarzinrormatoncriterionHC:Hannan-OuinninformatiDncriterion2,的穩(wěn)定性檢驗(AR 根小于 1,在單位圓內(nèi)才能滿足脈沖分析及方差分解所需條件)。VIEWSlagstructureARROOTSTABLE/GRAPH3, Granger 檢驗VIEWSlagstructurePairwiseGrangerCausalityTests|viewirrucIwujeLi|rumndineirieezcicstimdit|iiimpulseKesiu、zuurniVARGrangerCausalitjSiocKE

17、AogeneiVW3ldTestsDate.W09/18Time21.16sample：20D8M012018M08inauaodoosenations:126Deoendent/anableD1CPLD11)ExcludedChi-sqdfProb.D(FDOD_D11)3197379100738HOUSE_D11540907310020010.19221100014D(VMI-D*n)0048711108253All32.3276040.0000Dependent/anable:D|FOOD_D11)ExcludedChi-sqdfProo.D(CPLD11)0033004108558HO

18、USE_D1118434401017458097428100044DOWI_D11)0034466108527AJI17.21486400018DopcndontTanaDieHOUSE_DHExcludedChi-sqdfProD.D(CPID11)23358911012643,建立的簡約式 VAR(?)?為滯后階數(shù)的模型輸出樣式 VIEWREPRESPENTATION(5)在構(gòu)建成功 VAR 模型后，為了驗證擾動項之間是否存在同期相關(guān)關(guān)系，可用殘差的同期相關(guān)矩陣來描述，可以利用這個模型進(jìn)行預(yù)測即下一步的分析，為了驗證擾動項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)矩陣來描述。在構(gòu)建的

19、 VAR 窗 II中:VIEWSResidualscorrelationmatrixVanVAR01WorkfileSYAR!gl;3_l_2_3_5-XViewProcObjectPrlnt|NamFreezeEstimatestatsimpulseResidsResidualCotielationMotiixRRDLOG(M1_P.DLOG(GDPRR10000000355530-0398698gu03655301000000DLOG(GDP.-0.3986980.1614491000000從表中可以看到實際利率rr.實際Ml的Alii（w1）方程和實際GDP的Ain儀如方程的殘差項之間存

20、在的同期相關(guān)系數(shù)比較高，進(jìn)一步表明實際利率、實際貨幣供給量（X）和實際GDP進(jìn)一步表明可以利用同期的影響來構(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：實施約束識別條件為 k（k-1）/2 個，識別約束條件可以是短期約束條件，也可以長期約束條件。短期約束意味著脈沖響應(yīng)函數(shù)隨著時間的變化將會消失，（對 Do 進(jìn)行影響）而長期約束意味著對響應(yīng)變量未來的值有一個長期的影響。（更像是累計影響如不能同時施加長期與短期約束。短期約束是基于 A-B 型 SVAR 模型（Aet=BuJ 長期約束基于脈沖響應(yīng)的累枳響應(yīng)函數(shù)。（1）短期約束可識別條件：AB 型 SVAR 模型至

21、少需要 2k2-k（k+l）/2 個約束可識別條件一般假設(shè)結(jié)構(gòu)新息 S 有單位方差，因此通常對矩陣 B 的約束為對角陣（約束個數(shù)為 k2-k）或者單位矩陣（約束個數(shù)為 K2）,以致獲得沖擊的標(biāo)準(zhǔn)偏差A(yù) 矩陣主對角元素一般設(shè)為 1（約束個數(shù)為 k）在矩陣 B 為單位陣情況下，對 A 矩陣的約束相當(dāng)于對 Q 矩陣施加約束，即對變量間同期相關(guān)關(guān)系的約束，如啟三個內(nèi)生變量稅收（1）,政府支出（2）,產(chǎn)出（3）,根據(jù)經(jīng)濟(jì)理論當(dāng)期產(chǎn)出不會影響當(dāng)期政府支出，即矩陣 Co 中 C23=0,在約束時當(dāng) B 為單位陣時，直接寫成a23 二約束矩陣中未知元素定義為 NA（2）長期約束建立包括長期響應(yīng)矩陣屮模塊，約束

22、處填寫 0,比如第 2 個內(nèi)生變量對第 1 個結(jié)構(gòu)沖擊的長期影響為0,則長期響應(yīng)矩陣模塊中第2行第1列約束為0,其他類同，無約束的填寫 NAzxnOutputLfitslduskCorreltoCowtncMta30DP9Miutfww000218?.0005006C2J“期J-CBI739JP33133JCHrtgTg*.77070303404HOIOMinpuUcfJD0C135)1068117TG75(J3CO：71nn:eOeccnpo!iton0I77145-0001251?25)(C163391X)11558)1tOTR詢0俺80SEESOIWARSDLO153(OU420I施加在

23、當(dāng)期的約束就是短期約束，(3)為了簡便起見應(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 個約束(AB 型的特點是，可以明確建立系統(tǒng)內(nèi)各個內(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)擾動項對系統(tǒng)產(chǎn)生沖擊后的影響情況，即 6 就是所謂的“標(biāo)準(zhǔn)正交隨機(jī)擾動項”，因為它的組成元素之間互相正交(即互相獨立)，并且其方差-協(xié)方差為單位陣)2,若約束矩陣 B 為單位陣，此時約束個數(shù)為 Q 個3,若約束矩陣 A 為主對角元素為 1,約束個數(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 0 約

24、束5,構(gòu)造的約束按照 5=0 或者 C2i=0 來進(jìn)行。注意：1,EVIEWS 在計算過程中同時限定了矩陣 A 必須為單位矩陣，對于 n 變量的 SVAR,這實質(zhì)上又給出了卡個限制條件。所以，當(dāng)在 EVIEWS 中設(shè)立長期約束條件時，實際上對矩陣 C 的約束條件，只要有 2n2-n(n+l)/2-n=n2-n(n+l)/2-n2個就滿足了 SVAR 模型的可識別條件。2,長期約束，實質(zhì)上就是要限定短期條件下的矩陣 A 和 B 與長期條件下的矩陣 C 之間的關(guān)系。3,在長期約束中通過對矩陣 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)系估計出矩陣 A 與 B 的系數(shù)。

25、因此，在給定一個限制約束條件的矩陣 C后，EViews 內(nèi)部算法會給出相應(yīng)的 SVAR 模型 A、B 矩陣中的系數(shù)，而無論如何限制矩陣 C,EViews 給出的結(jié)呆中矩陣 A 總是單位矩陣。所以，當(dāng)在 EViews 中設(shè)立長期約束條件時，實際上對矩陣 C 的約束條件，只要有2n2-n(n+l)/2-n2=n2-n(n+l)/2 個就滿足了 SVAR 模型的可識別條件。4,在進(jìn)行短期約束時，可以根據(jù)經(jīng)濟(jì)理論或者 Granger 來得到約束條件。5,構(gòu)架的短期約束以格蘭杰因果檢驗為主6,最好不要把 B 矩陣設(shè)為單位陣7,長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。&

26、Svar 模型根據(jù)其建模特點，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 A 與 BObjects/newobject/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)estimatestructuralfactorization也心20O&JSam*200CH9gwuse

27、mlmldllWKJvmiAClC2C3C4C5Lkjigoaqaianaia184010330r4OOWWO1WWW0OWWO1AOOWWOOWCDCD100)0)0HAtuowww0000000100Q0WorowootutuiwroooClC2C31C48R110WW0owwoooowwoowwooOOOOMO電OOWWO1WWW00000000WWW000030R3oowwoowww10000000WWW000030Moowwoowwwoowwo1WWW000030RSoowwoowwwoowwo0WWW1000000SvarOPTIONS 的對話框中,擊中 MATRIX 按鈕和 short-runpattern,并在相應(yīng)的編輯框中填入模板矩陣的名字。el=-c(l)*e2-c(2)*e3(3)*e4-c(4)*e5+l*ue2=c(5)*e：Lc(6 廣e4c(7)*e5+Tu2e3=c(8)p