【正文】 3為例， LCT的預測標準差等于 。49圖 12 方差分解定義對話框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分別是對內(nèi)生變量LCT進行方差分解的表格和合成圖輸出結(jié)果。 對所建立的 VAR(2)模型進行方差分解分析。脈沖響應函數(shù)描述的是 VAR模型中的每一個內(nèi)生變量的沖擊對自身與其它內(nèi)生變量帶來的影響，或脈沖響應函數(shù)是隨著時間的推移，觀察模型中的各變量對于沖擊的響應。 右上圖是 LGDP、 LCT 和 LIT分別對 LCT一個標準差沖擊的響應。右下方是關于計算脈沖響應函數(shù)標準誤的選項，包括不計算（ 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改變顯示結(jié)果的順序，不會對結(jié)果產(chǎn)生影響，而第 3個空白區(qū)變量順序不同，將對結(jié)果產(chǎn)生影響。脈沖響應命令 在 VAR模型窗口的工具欄點擊 Impulse就會彈出脈沖響應對話窗口 ， 見圖 10 。 當殘差間相關時， 它們的共同部分不易識別，處理這一問題的不嚴格做法是 將共同部分歸于 VAR系統(tǒng)第 1個方程的擾動項。 同理，將第 0期的脈沖改為 ，即可求出 M的沖擊引起 GDP與 M的響應函數(shù)。 當 t=1時： ；將其代入 (6)。同理， 也會引起類似地沖擊鏈式反應。以含兩個內(nèi)生變量的 VAR（ 2）模型為例予以說明。脈沖響應函數(shù)描述 2 脈沖響應函數(shù)37的是一個內(nèi)生變量對殘差（ 稱為 Innovation）沖擊的反應 (響應 )。 第二 ,不僅能給出政策效果時滯，時滯區(qū)間，而且能給出影響的程度與方向，結(jié)果準確。 給出二時序變量的相關系數(shù)。即對數(shù)化 ,差分 ,增長率。實際計算時，通常計算基準變量（如 GDP、物價水平等）的增長率與政策變量的增長率間的時差相關系數(shù)。 兩時序變量間的時差相關系數(shù) 為 :(5)33式中， 為兩時序變量 xt、 yt 在時差（滯后期）為 p時的相關系數(shù)。這里重點介紹后兩種方法。所以， VAR模型適用于短期預測，預測精度高和長期規(guī)劃預測。 ? 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)生變量的預測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)模型進行預測 VAR模型是非結(jié)構(gòu)模型，故不能用模型進行結(jié)構(gòu)分析。 表 11是對 VAR模型整體效果的檢驗。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，點擊 OK即可。17 （ 2）格蘭杰因果性，指的是雙向因果關系，即相關關系。 當 時，接受 H0， 對 不存在格蘭杰因果關系； 當 時，拒絕 H0， 對 存在格蘭杰因果關系。檢驗 對 存在格蘭杰非因果性的零假設是： 顯然，如果（ 4）式中 的滯后變量的回歸系數(shù)估計值都不顯著，則 H0 不能被拒絕，即 對 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 的預測精度無顯著性改善，則稱 對 存在格蘭杰非因果性關系。 LR定義為： 式中， 和 分別為 VAR(p)和VAR(p+i)模型的對數(shù)似然函數(shù)值； f為自由度。 具體做法是 ：對年度 、 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，使它們同時取最小值的 p值即為所求。 p值過大，待估參數(shù)多 ,自由度降低嚴重，直接影響模型參數(shù)估計的有效性。 第二，確定模型的最大滯后階數(shù) p。在建模過程中只需明確兩件事：第一，哪些變量應進入模型（要求變量間具有相關關系 —— 格蘭杰因果關系 ）；第二，滯后階數(shù) p的確定（保證殘差剛好不存在自相關）；9 （ 2） VAR模型對參數(shù)不施加零約束（如 t檢驗）； （ 3） VAR模型的解釋變量中不含 t期變量，所有與聯(lián)立方程組模型有關的問題均不存在； （ 4） VAR模型需估計的參數(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個變量 間的相互影響關系，動態(tài)是指 p期滯后。這些滯后變量與隨機誤差項不相關（假設要求）。 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，得到廣泛應用。4 由此可知，經(jīng)濟理論指導下建立的結(jié)構(gòu)性經(jīng)典計量模型存在不少問題。但實際中，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)典計量經(jīng)濟學中，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模型及特點二、 VAR模型滯后階數(shù) p的確定方法三、格蘭杰因果關系檢驗四、脈沖響應函數(shù)與方差分解五、 Jonhanson協(xié)整檢驗 六、建立 VAR模型七、利用 VAR模型進行預測八、向量誤差修正模型VAR 模型分析2當時主要用于預測和一、 VAR模型及特點3政策分析。 （ 2）內(nèi)生、外生變量的劃分問題較為復雜； （ 3）模型的識別問題，當模型不可識別時 ,為達到可識別的目的，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），則會違反假設，帶來更嚴重的偽回歸問題。 VAR (Vector Autoregression)模型由西姆斯（,1980） 提出 ,他推動了對經(jīng)濟系統(tǒng)動態(tài)分析的廣泛應用，是當今世界上的主流模型之一。 是 N1 階隨機誤差列向量 。 對于兩個變量（ N=2）， 時， VAR(2)模型為6用矩陣表示： 待估參數(shù)個數(shù)為 2 22=用線性方程組表示 VAR(2)模型： 顯然，方程組左側(cè)是兩個第 t期內(nèi)生變量；右側(cè)分別是兩個 1階和兩個 2階滯后應變量做為解釋變量，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)生變量間的動態(tài)關系。8 所以 ,