【文章內容簡介】 表 ，有一個單位根倒數的模大于 1，且在表的下邊給出了警告 。 39 圖 114 單位根的分布圖 圖形表示更為直觀，有一個單位根的倒數的模落在了單位圓之外，因此，所建 VAR(2) 模型是不穩(wěn)定的，將影響響應沖擊函數的標準差。 40 四、格蘭杰因果關系 克萊夫 .格蘭杰（ ,1969） 和西姆斯（ ,1972） 分別提出了含義相同的定義，故除使用“格蘭杰非因果性”的概念外，也使用“格蘭杰因果性”的概念。其定義為： 如果由 和 的滯后值決定的 的條件分布與僅由 的滯后值所決定的 的條件分布相同，即： （ ） 則稱 對 存在格蘭杰非因果性。 1 1 1( | , , , ) ( | , )t t t t tf y y x f y y? ? ??1tx? tyty tyty tytx41 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。 為簡便，通常把 對 存在格蘭杰非因果性關系表述為 對 存在格蘭杰非因果關系（嚴格講，這種表述是不正確的）。 顧名思義，格蘭杰非因果性關系，也可以用“格蘭杰因果性”概念。 與 間格蘭杰因果關系回歸檢驗式為 1tx?1tx?txtxtxtytytytyty42 （ ） 如有必要，可在上式中加入位移項、趨勢項、季節(jié)虛擬變量等。檢驗 對 存在格蘭杰非因果性的零假設是： 顯然，如果（ ）式中 的滯后變量的回歸系數估計值都不顯著，則 H0 不能被拒絕，即 對 不存在 格蘭杰因果性 。反之，如果 的任何一個滯后變量回歸系數的估計值是顯著的，則 對 存在格蘭杰因果關系。 111211pt i t i i t i tiippt i t i i t i tiiy y x ux x y u????????????? ? ?? ? ?????p0 1 2:0 pH ? ? ?? ? ? ?txtxtxtytytxtx ty43 類似的，可檢驗 對 是否存在格蘭杰因果關系。 上述檢驗可構建 F統(tǒng)計量來完成。 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。 實際中，使用概率判斷。 注意： （ 1）由式（ ）知 ,格蘭杰因果關系檢驗式 ,是回歸式，因此，要求受檢變量是平穩(wěn)的，對非平穩(wěn)變量要求是協整的，以避免偽回歸。故在進行格蘭杰因果關系檢驗之前，要進行單位根檢驗、對非平穩(wěn)變量要進行協整檢驗。 FF??FF??txtxtytytytx44 （ 2）格蘭杰因果性，指的是雙向因果關系，即相關關系。單向因果關系是指因果關系，近年有學者認為單向因果關系的變量也可作為內生變量加入 VAR模型； （ 3）此檢驗結果與滯后期 p的關系敏感且兩回歸檢驗式滯后階數相同。 （ 4）格蘭杰因果性檢驗原假設為：宇宙集、平穩(wěn)變量（對非平穩(wěn)變量要求是協整的）、大樣本和必須考慮滯后。 （ 5）格蘭杰因果關系檢驗，除用于選擇建立 VAR模型的應變量外，也單獨用于研究經濟變量間的相關或因果關系（回歸解釋變量的選擇）以及研究政策時滯等。 45 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。 案例 1 (四 )格蘭杰因果性檢驗 前面已完成的工作是對三個對數序列進行了平穩(wěn)性檢驗、確定了 VAR 模型的滯后階數 p，進行 Johanson協整檢驗。 由于 LGDPt、 LCt和 Lit間存在協整 關系，故可對它們進行格蘭杰因果性檢驗，檢驗結果示于表 。 46 表 格蘭杰因果性檢驗結果 由表 ， LGDPt、 LCt 和 LIt之間存在格蘭杰因果性，故 LGDPt、 LCt和 LIt均可做為 VAR模型的應變量。 47 五、建立 VAR模型 案例 1 (五 )建立 VAR模型 以案例 1為例，說明建立 VAR模型的方法。在工作文件窗口，在主菜單欄選 Quicp/Estimate VAR， OK，彈出 VAR定義窗口，見圖 115。 圖 115 VAR模型定義窗口 48 在 VAR模型定義窗口中填畢（選擇包括截距）有關內容后，點擊 OK。輸出結果包含三部分，分別示于表 、表 。 表 VAR模型參數估計結果 49 50 表 11. 10 VAR模型各方程檢驗結果 表 VAR模型整體檢驗結果 51 將表 11. 9的 VAR(2)模型改寫成矩陣形式 : 1111 . 5 5 7 3 0 . 0 1 4 8 0 . 1 9 2 10 . 7 3 4 7 0 . 6 4 6 7 0 . 1 8 5 02 . 7 7 5 5 0 . 4 7 1 5 0 . 0 4 4 11 . 1 1 0 4 0 . 7 7 0 3 0 . 0 7 8 4 23 45 042 . 9 3 1 5 1 . 4 6 9 4 0 . 3 9 8 3ttttLG D P LG D PLCt LCtLI t LI t?????? ? ? ? ? ?? ? ? ? ? ???? ? ? ? ? ?? ? ? ? ? ???? ? ? ? ? ????????2220 . 5 8 9 80 . 4 3 5 42 . 2 0 6 4tttLG D PLCtLI t????? ? ? ? ?? ? ? ? ???? ? ? ? ? ?? ? ? ? ? ??? ? ? ? ?52 表 中列表示方程參數估計結果和參數的標準差 t檢驗值?？梢园l(fā)現許多 t檢驗值不顯著，一般不進行剔除， VAR 理論不看重個別檢驗結果，而是注重模型的整體效果，不分析各子方程的意義。 表 每一列表示各子方程的檢驗結果。 表 VAR模型整體效果的檢驗。其中包括殘差的協方差、對數似然函數和 AIC 與 SC。 建立了 VAR模型之后，在模型窗口工具欄點擊 Name，將 VAR模型保存，以便進行脈沖響應等特殊分析。 注意： 平穩(wěn)變量建立的 VAR模型是平穩(wěn)的，而建立平穩(wěn) VAR模型的變量不一定是平穩(wěn)變量。 53 六 、利用 VAR(P)模型進行預測 VAR模型是非結構模型，故不能用模型進行結構分析。預測是 VAR模型的應用之一，由于我們所建立的 VAR(2)模型通過了全部檢驗。故可用其進行預測。 若利用案例一建立的 VAR（ 2）模型進行預測， 首先要擴大工作文件范圍和樣本區(qū)間，然后 在模型窗口 中選擇 Procs/Mape Model， 屏幕出現模型定義窗口， 將其命名為 MODEL01，如圖 116。 ? 54 模型定義窗口中位于線性模型窗口第一行 : assign@all f 表示將 VAR模型中各內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）。 案例 1 (六 )預測 在工具欄中點擊 Solve，則線性模型出現在圖 116中，模型預測窗口示于圖 117。 55 圖 116 線性模型窗口 56 圖 117 模型預測窗口 57 圖 118和圖 119分別是利用動態(tài)和靜態(tài)方法計算出的樣本期內實際值與擬合值的比較。 由圖看出，動態(tài)擬合結果只能反映序列的變化趨勢，而無法對短期波動進行刻畫。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。 圖 118 動態(tài)擬合結果 圖 119靜態(tài)擬合結果 58 七 、 脈沖響應函數與方差分解 對于政策時滯的實證研究主要有如下 4種方法： （ 1） 對時序變量數據或圖 、 表進行直觀分析 ，方法簡單 ， 但主觀性強 ， 精 度低； （ 2） 時序時差相關系數法 ， 只能給出滯后期 ，不能給出持續(xù)的時間 、 影響程度和相互作用 。 （ 3）脈沖響應函數（沖擊）法； （ 4）方差分解法。 后兩種方法是目前國外常用的方法，近年國內學者開始采用進行政策時滯分析。這里重點介紹后兩種方法。 59 時差相關系數 (Cross Correlation)分析法是利用相關系數檢驗經濟時序變量間滯后關系的一種常用方法 。對兩個時序變量 ， 選擇一個作為基準變量 ， 計算與另一變量在時間上錯開 (滯后 )時的相關系數 。 以相關系數的大小判斷兩變量間的時差 (僅能判斷時差 )關系 。 兩時序變量間的時差相關系數 為 : k?12211( ) ( )( ) ( )nt k ttknnt k tttx x y yx x y y? ??????? ? ????( 1 , 2 , , 1 2 )k ?() 60 式中， 為兩時序變量 xt、 yt 在時差（滯后期）為 p時的相關系數。 由（ ）式知， yt 為基準變量（即 t為基） 為 xt滯后 p期序列的均值； 為 yt的均值； n為樣本容量； p為滯后期（時差），取值為整數。若取正整數，則表示 xt滯后于 yt； 若取負整數，則表示 xt超前于 yt； 若取零，