【正文】 55 圖 117 模型預(yù)測(cè)窗口 56 圖 118和圖 119分別是利用動(dòng)態(tài)和靜態(tài)方法計(jì)算出的樣本期內(nèi)實(shí)際值與擬合值的比較。 ? 53 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）。故可用其進(jìn)行預(yù)測(cè)。 52 六 、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。 建立了 VAR模型之后，在模型窗口工具欄點(diǎn)擊 Name，將 VAR模型保存，以便進(jìn)行脈沖響應(yīng)等特殊分析。 表 VAR模型整體效果的檢驗(yàn)?？梢园l(fā)現(xiàn)許多 t檢驗(yàn)值不顯著，一般不進(jìn)行剔除， VAR 理論不看重個(gè)別檢驗(yàn)結(jié)果，而是注重模型的整體效果，不分析各子方程的意義。輸出結(jié)果包含三部分，分別示于表 、表 。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。 45 表 格蘭杰因果性檢驗(yàn)結(jié)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(yīng)變量。 案例 1 (四 )格蘭杰因果性檢驗(yàn) 前面已完成的工作是對(duì)三個(gè)對(duì)數(shù)序列進(jìn)行了平穩(wěn)性檢驗(yàn)、確定了 VAR 模型的滯后階數(shù) p，進(jìn)行 Johanson協(xié)整檢驗(yàn)。 （ 5）格蘭杰因果關(guān)系檢驗(yàn)，除用于選擇建立 VAR模型的應(yīng)變量外，也單獨(dú)用于研究經(jīng)濟(jì)變量間的相關(guān)或因果關(guān)系（回歸解釋變量的選擇）以及研究政策時(shí)滯等。單向因果關(guān)系是指因果關(guān)系，近年有學(xué)者認(rèn)為單向因果關(guān)系的變量也可作為內(nèi)生變量加入 VAR模型； （ 3）此檢驗(yàn)結(jié)果與滯后期 p的關(guān)系敏感且兩回歸檢驗(yàn)式滯后階數(shù)相同。故在進(jìn)行格蘭杰因果關(guān)系檢驗(yàn)之前，要進(jìn)行單位根檢驗(yàn)、對(duì)非平穩(wěn)變量要進(jìn)行協(xié)整檢驗(yàn)。 實(shí)際中，使用概率判斷。 上述檢驗(yàn)可構(gòu)建 F統(tǒng)計(jì)量來完成。反之，如果 的任何一個(gè)滯后變量回歸系數(shù)的估計(jì)值是顯著的，則 對(duì) 存在格蘭杰因果關(guān)系。 與 間格蘭杰因果關(guān)系回歸檢驗(yàn)式為 1tx?1tx?txtxtxtytytytyty41 （ ） 如有必要，可在上式中加入位移項(xiàng)、趨勢(shì)項(xiàng)、季節(jié)虛擬變量等。 為簡便，通常把 對(duì) 存在格蘭杰非因果性關(guān)系表述為 對(duì) 存在格蘭杰非因果關(guān)系（嚴(yán)格講，這種表述是不正確的）。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(duì) 存在格蘭杰非因果性。 38 圖 114 單位根的分布圖 圖形表示更為直觀，有一個(gè)單位根的倒數(shù)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(yīng)沖擊函數(shù)的標(biāo)準(zhǔn)差。在表 ，第 1列是特征根的倒數(shù)，第 2列是特征根倒數(shù)的模。 共有PN個(gè) AR 根 ，其中， P為 VAR模型的滯后階數(shù)， N為 t期內(nèi)生變量個(gè)數(shù) 。 關(guān)于 AR 特征方程的特征根的倒數(shù)絕對(duì)值（參考 Lutppohl 1991）小于 1，即位于單位圓內(nèi)，則模型是穩(wěn)定的。利用 件， 在 VAR模型窗口的工具欄點(diǎn)擊 View進(jìn)入VAR模型的視圖窗口，選 Lag Structure/AR Roots Table或 AR Roots Graph。對(duì)序列 e1進(jìn)行單位根（ EG、 AEG）檢驗(yàn)，也可畫 vecm時(shí)序圖驗(yàn)證協(xié)整關(guān)系的正確性。 34 表 標(biāo)準(zhǔn)化協(xié)整系數(shù) 將第一個(gè)協(xié)整關(guān)系寫成代數(shù)表達(dá)式： =+ 寫成協(xié)整向量： ( 1 )? ?1te35 在確定了變量間的協(xié)整關(guān)系之后，有兩種方法可驗(yàn)證協(xié)整關(guān)系的正確性。 表中系數(shù)的估計(jì)值下面括號(hào)內(nèi)的數(shù)字是標(biāo)準(zhǔn)差。由于一般關(guān)心的是被似然比確定的第 1個(gè)協(xié)整關(guān)系，故程序?qū)⑵鋯为?dú)列了出來，其它兩個(gè)協(xié)整關(guān)系在另表列出。 表 未標(biāo)準(zhǔn)化協(xié)整系數(shù) 33 表 給出的是未經(jīng)標(biāo)準(zhǔn)化的協(xié)整系數(shù)的估計(jì)值。 本案例協(xié)整檢驗(yàn)結(jié)果： 第 1行 LR=，即在 99%置信水平上拒絕了原假設(shè)（即拒絕了不存在協(xié)整關(guān)系的假設(shè)），亦即三變量存在協(xié)整方程； i?32 第 2行 LR=,即在 99%置信水平上拒絕了原假設(shè) (最多存在 1個(gè)協(xié)整關(guān)系 ) ； 第 3行 LR=，即在 95%置信水平上拒絕了原假設(shè) (最多存在 2個(gè)協(xié)整關(guān)系 )。 30 表 Johanson 協(xié)整檢驗(yàn)結(jié)果 31 在表 5列，第 1列是特征值 , 第 2列是似然比檢驗(yàn)值，以后兩列分別是 5%與 1%水平的臨界值。 點(diǎn)擊OK。對(duì)話框的右側(cè)是一些提示性信息，不選。由于此案例 VAR模型的最大滯后階數(shù) p=2。并采用起、止滯后階數(shù)的配對(duì)輸入法。本例無外生變量 ,故不填。 第二， 給出 VAR模型中的外生變量。 28 除此之外，用戶也可通過選擇第六個(gè)選項(xiàng)由程序?qū)σ陨衔宸N假設(shè)進(jìn)行檢驗(yàn)，此時(shí) EViews輸出結(jié)果是簡明扼要的，詳細(xì)結(jié)果只有在具體確定某個(gè)假設(shè)時(shí)才會(huì)給出。 ⑤序列 Yt 有二次趨勢(shì)但協(xié)整方程有截距和線性趨勢(shì)。 ③ 序列 Yt 有線性趨勢(shì)但協(xié)整方程只有截距 。 26 圖 113 約翰森協(xié)整檢驗(yàn)窗口 27 協(xié)整方程結(jié)構(gòu)假設(shè) ： 與時(shí)序方程可能含有截距和趨勢(shì)項(xiàng)類似，協(xié)整方程也可含有截距和趨勢(shì)項(xiàng)。 用戶需做 3種選擇： 第一， 協(xié)整方程和 VAR的設(shè)定： 協(xié)整檢驗(yàn)窗口由四部分構(gòu)成。 25 ? 案例 1 (三 ) Johanson協(xié)整檢驗(yàn) 下面用案例 1說明 Johanson協(xié)整檢驗(yàn)的具體方法。 24 約翰森協(xié)整檢驗(yàn)在理論上是很完善的，但有時(shí)檢驗(yàn)結(jié)果的經(jīng)濟(jì)意義解釋存在問題。 故約翰森協(xié)整檢驗(yàn)優(yōu)于 EG檢驗(yàn)。 EViews從檢驗(yàn)不存在協(xié)整關(guān)系的零假設(shè)開始，其后是最多一個(gè)協(xié)整關(guān)系，直到最多 N1個(gè)協(xié)整關(guān)系，共需進(jìn)行 N次檢驗(yàn)。 檢驗(yàn)跡統(tǒng)計(jì)量： 式中， M為協(xié)整向量的個(gè)數(shù)； 是 按大小排列的第 i個(gè)特征值； n 樣本容量。 （ LR）檢驗(yàn) H0：有 0個(gè)協(xié)整關(guān)系 。 2 ( ( 1 ) ( 3 ) ) 2 ( 1 0 8 .7 5 5 1 1 2 9 .9 6 7 6 ) 4 2 .4 2 5 0LR Ln l Ln l? ? ?? ? ? ?2 ()f??223 3 1 3 18? ? ? ? ?21 利用 Genr命令可算得用于檢驗(yàn)原假設(shè)是否成立的伴隨概率 P： p=1cchisq(,18) = 故 P= =，應(yīng)拒絕原假設(shè)，建立 VAR(3)模型。在零假設(shè)下，該統(tǒng)計(jì)量服從漸進(jìn)的 分布，其自由度 f為從 VAR(3)到 VAR(1)對(duì)模型參數(shù)施加的零約束個(gè)數(shù)。 19 表 AIC與 SC隨 P的變化 由表 ,在 P=1時(shí)， SC 最?。?），在 P=3時(shí) ,AIC 最?。?），相互矛盾不能確定 P值，只能用似然比 LR確定 P值。 設(shè) Ly1=log（ y1）； Ly2=log（ y2）； Ly3=log（ y3）。 p AIC SC 1 2 3 4 kl()L n l p18 案例 2 序列 y y2和 y3分別表示我國 1952年至 1988年工業(yè)部門、交通運(yùn)輸部門和商業(yè)部門的產(chǎn)出指數(shù)序列，數(shù)據(jù)在 。檢驗(yàn)結(jié)果列于表 . 案例 1 (一 )單位根檢驗(yàn) 17 案例 1 (二 )滯后階數(shù) p的確定 首先用赤池信息準(zhǔn)則（ AIC）和施瓦茨（ SC）準(zhǔn)則選擇 p值，計(jì)算結(jié)果列于表 。 由表 ， LGDPt、 LCt和 LIt均為一階單整，可能存在協(xié)整關(guān)系。 GDP、 Ct和 It與 LGDPt、 LCt和 LIt的時(shí)序圖分別示于圖 111和圖 112，由圖 112可以看出，三個(gè)對(duì)數(shù)序列的變化趨勢(shì)基本一致，可能存在協(xié)整關(guān)系。數(shù)據(jù)來源于 《 中國統(tǒng)計(jì)年鑒 》各期。 用對(duì)數(shù)似然比統(tǒng)計(jì)量 LR確定 P的方法用案例說明。 13 （ 2）用似然比統(tǒng)計(jì)量 LR選擇 p值。而對(duì)月度數(shù)據(jù)，一般比較到 P=12。 確定 p值的方法與原則是在增加 p值的過程中 ， 使 AIC和 SC值同時(shí)最小 。這里介紹兩種常用的確定 p值的方法 。 但 p值又不能太大 。 首先介紹確定 VAR模型最大滯后階數(shù) p的方法： 在 VAR模型中解釋變量的最大滯后階數(shù) p太小 ， 殘差可能存在自相關(guān) ， 并導(dǎo)致參數(shù)估計(jì)的非一致性 。 2PN11 建立 VAR模型只需做兩件事 第一 ， 哪些 變量可作為應(yīng)變量 ？ VAR模型中應(yīng)納入具有相關(guān)關(guān)系的變量作為應(yīng)變量 ， 而變量間是否具有相關(guān)關(guān)系 ， 要用格蘭杰因果關(guān)系檢驗(yàn)確定 。如 VAR模型含 3個(gè)變量（ N=3）， 最大滯后期為 p=2， 則有 =2 32=18個(gè)參數(shù)需要估計(jì)； （ 5）當(dāng)樣本容量較小時(shí)，多數(shù)參數(shù)估計(jì)的精度較差，故需大樣本，一般 n50。 2. VAR模型的特點(diǎn) VAR模型較聯(lián)立方程組模型有如下特點(diǎn)： （ 1） VAR模型不以嚴(yán)格的經(jīng)濟(jì)理論為依據(jù) 。 有取代結(jié)構(gòu)聯(lián)立方程組模型的趨勢(shì)。 12 t t N ty y y9 所以 , VAR模型既可用于預(yù)測(cè) ,又可用于結(jié)構(gòu)分析。故稱 VAR模型是分析聯(lián)合內(nèi)