【正文】 3為例， LCT的預(yù)測(cè)標(biāo)準(zhǔn)差等于 。49圖 12 方差分解定義對(duì)話框50表 12 LCT方差分解 圖 13 LCT方差分解合成圖51 表 12包括 5列。表 12和圖 13分別是對(duì)內(nèi)生變量LCT進(jìn)行方差分解的表格和合成圖輸出結(jié)果。 對(duì)所建立的 VAR(2)模型進(jìn)行方差分解分析。脈沖響應(yīng)函數(shù)描述的是 VAR模型中的每一個(gè)內(nèi)生變量的沖擊對(duì)自身與其它內(nèi)生變量帶來(lái)的影響，或脈沖響應(yīng)函數(shù)是隨著時(shí)間的推移，觀察模型中的各變量對(duì)于沖擊的響應(yīng)。 右上圖是 LGDP、 LCT 和 LIT分別對(duì) LCT一個(gè)標(biāo)準(zhǔn)差沖擊的響應(yīng)。右下方是關(guān)于計(jì)算脈沖響應(yīng)函數(shù)標(biāo)準(zhǔn)誤的選項(xiàng)，包括不計(jì)算（ None）、漸近解析法（Analytic）和蒙特卡洛法（ Mote Carlo）。前兩處輸入的變量不同只會(huì)改變顯示結(jié)果的順序，不會(huì)對(duì)結(jié)果產(chǎn)生影響，而第 3個(gè)空白區(qū)變量順序不同，將對(duì)結(jié)果產(chǎn)生影響。脈沖響應(yīng)命令 在 VAR模型窗口的工具欄點(diǎn)擊 Impulse就會(huì)彈出脈沖響應(yīng)對(duì)話窗口 ， 見(jiàn)圖 10 。 當(dāng)殘差間相關(guān)時(shí)， 它們的共同部分不易識(shí)別，處理這一問(wèn)題的不嚴(yán)格做法是 將共同部分歸于 VAR系統(tǒng)第 1個(gè)方程的擾動(dòng)項(xiàng)。 同理，將第 0期的脈沖改為 ，即可求出 M的沖擊引起 GDP與 M的響應(yīng)函數(shù)。 當(dāng) t=1時(shí)： ；將其代入 (6)。同理， 也會(huì)引起類似地沖擊鏈?zhǔn)椒磻?yīng)。以含兩個(gè)內(nèi)生變量的 VAR（ 2）模型為例予以說(shuō)明。脈沖響應(yīng)函數(shù)描述 2 脈沖響應(yīng)函數(shù)37的是一個(gè)內(nèi)生變量對(duì)殘差（ 稱為 Innovation）沖擊的反應(yīng) (響應(yīng) )。 第二 ,不僅能給出政策效果時(shí)滯，時(shí)滯區(qū)間，而且能給出影響的程度與方向，結(jié)果準(zhǔn)確。 給出二時(shí)序變量的相關(guān)系數(shù)。即對(duì)數(shù)化 ,差分 ,增長(zhǎng)率。實(shí)際計(jì)算時(shí)，通常計(jì)算基準(zhǔn)變量（如 GDP、物價(jià)水平等）的增長(zhǎng)率與政策變量的增長(zhǎng)率間的時(shí)差相關(guān)系數(shù)。 兩時(shí)序變量間的時(shí)差相關(guān)系數(shù) 為 :(5)33式中， 為兩時(shí)序變量 xt、 yt 在時(shí)差（滯后期）為 p時(shí)的相關(guān)系數(shù)。這里重點(diǎn)介紹后兩種方法。所以， VAR模型適用于短期預(yù)測(cè)，預(yù)測(cè)精度高和長(zhǎng)期規(guī)劃預(yù)測(cè)。 ? 27模型定義窗口中位于線性模型窗口第一行 : assignall f表示將 VAR模型中各內(nèi)生變量的預(yù)測(cè)值存入以原序列名加后綴字符 “f”生成的新序列（這里演示的是擬合）。26利用 VAR(P)模型進(jìn)行預(yù)測(cè) VAR模型是非結(jié)構(gòu)模型，故不能用模型進(jìn)行結(jié)構(gòu)分析。 表 11是對(duì) VAR模型整體效果的檢驗(yàn)。輸出結(jié)果包含三部分，分別示于表 表 10和表 11。 18 格蘭杰因果性檢驗(yàn)的 EViews命令： 在工作文件窗口，選中全部欲檢序列名后，選擇 Quicp/Group Statistics/Granger Causality Test，在彈出的序列名窗口，點(diǎn)擊 OK即可。17 （ 2）格蘭杰因果性，指的是雙向因果關(guān)系，即相關(guān)關(guān)系。 當(dāng) 時(shí)，接受 H0， 對(duì) 不存在格蘭杰因果關(guān)系； 當(dāng) 時(shí)，拒絕 H0， 對(duì) 存在格蘭杰因果關(guān)系。檢驗(yàn) 對(duì) 存在格蘭杰非因果性的零假設(shè)是： 顯然，如果（ 4）式中 的滯后變量的回歸系數(shù)估計(jì)值都不顯著，則 H0 不能被拒絕，即 對(duì) 不 存在 格蘭杰因果性 。 14 格蘭杰非因果性的另一種表述為其它條件不變 ， 若加上 的滯后變量后對(duì) 的預(yù)測(cè)精度無(wú)顯著性改善，則稱 對(duì) 存在格蘭杰非因果性關(guān)系。 LR定義為： 式中， 和 分別為 VAR(p)和VAR(p+i)模型的對(duì)數(shù)似然函數(shù)值； f為自由度。 具體做法是 ：對(duì)年度 、 季度數(shù)據(jù)，一般比較到 P=4，即分別建立 VAR(1)、 VAR(2)、 VAR(3)、 VAR(4)模型，比較 AIC、 SC，使它們同時(shí)取最小值的 p值即為所求。 p值過(guò)大，待估參數(shù)多 ,自由度降低嚴(yán)重，直接影響模型參數(shù)估計(jì)的有效性。 第二，確定模型的最大滯后階數(shù) p。在建模過(guò)程中只需明確兩件事：第一，哪些變量應(yīng)進(jìn)入模型（要求變量間具有相關(guān)關(guān)系 —— 格蘭杰因果關(guān)系 ）；第二，滯后階數(shù) p的確定（保證殘差剛好不存在自相關(guān)）；9 （ 2） VAR模型對(duì)參數(shù)不施加零約束（如 t檢驗(yàn)）； （ 3） VAR模型的解釋變量中不含 t期變量，所有與聯(lián)立方程組模型有關(guān)的問(wèn)題均不存在； （ 4） VAR模型需估計(jì)的參數(shù)較多。近年又提出了結(jié)構(gòu) VAR模型（ SVAR：Structural VAR）。聯(lián)合是指研究 N個(gè)變量 間的相互影響關(guān)系，動(dòng)態(tài)是指 p期滯后。這些滯后變量與隨機(jī)誤差項(xiàng)不相關(guān)（假設(shè)要求）。 是 NN 階方差協(xié)方差矩陣； p 為模型最大滯后階數(shù)。受到普遍重視，得到廣泛應(yīng)用。4 由此可知，經(jīng)濟(jì)理論指導(dǎo)下建立的結(jié)構(gòu)性經(jīng)典計(jì)量模型存在不少問(wèn)題。但實(shí)際中，這種模型的效果并不令人滿意。1. VAR模型 — 向量自回歸模型 經(jīng)典計(jì)量經(jīng)濟(jì)學(xué)中，由線性方程構(gòu)成的聯(lián)立方程組模型，由科普曼斯（ poOKmans1950） 和霍德－科普曼斯（ HoodpoOKmans1953） 提出。1一、 VAR模型及特點(diǎn)二、 VAR模型滯后階數(shù) p的確定方法三、格蘭杰因果關(guān)系檢驗(yàn)四、脈沖響應(yīng)函數(shù)與方差分解五、 Jonhanson協(xié)整檢驗(yàn) 六、建立 VAR模型七、利用 VAR模型進(jìn)行預(yù)測(cè)八、向量誤差修正模型VAR 模型分析2當(dāng)時(shí)主要用于預(yù)測(cè)和一、 VAR模型及特點(diǎn)3政策分析。 （ 2）內(nèi)生、外生變量的劃分問(wèn)題較為復(fù)雜； （ 3）模型的識(shí)別問(wèn)題，當(dāng)模型不可識(shí)別時(shí) ,為達(dá)到可識(shí)別的目的，常要將不同的工具變量加到各方程中，通常這種工具變量的解釋能力很弱； （ 4）若變量是非平穩(wěn)的（通常如此），則會(huì)違反假設(shè)，帶來(lái)更嚴(yán)重的偽回歸問(wèn)題。 VAR (Vector Autoregression)模型由西姆斯（,1980） 提出 ,他推動(dòng)了對(duì)經(jīng)濟(jì)系統(tǒng)動(dòng)態(tài)分析的廣泛應(yīng)用，是當(dāng)今世界上的主流模型之一。 是 N1 階隨機(jī)誤差列向量 。 對(duì)于兩個(gè)變量（ N=2）， 時(shí)， VAR(2)模型為6用矩陣表示： 待估參數(shù)個(gè)數(shù)為 2 22=用線性方程組表示 VAR(2)模型： 顯然，方程組左側(cè)是兩個(gè)第 t期內(nèi)生變量；右側(cè)分別是兩個(gè) 1階和兩個(gè) 2階滯后應(yīng)變量做為解釋變量，且各方程最大滯后階數(shù)相同 ,都是 2。 這種方程組模型主要用于分析聯(lián)合內(nèi)生變量間的動(dòng)態(tài)關(guān)系。8 所以 ,