【正文】 ．簡單說VAR模型建立時 第一步：不問序列如何均可建立初步的VAR模型（建立過程中數(shù)據(jù)可能前平穩(wěn)序列，也可能是部分平穩(wěn)，還可能是沒協(xié)整關(guān)系的同階不平穩(wěn)序列，也可能是不同階的不平穩(wěn)序列，滯后階數(shù)任意指定。 ，往下看，有個標(biāo)準(zhǔn)化的結(jié)果，這個結(jié)果就是協(xié)整方程，由于在結(jié)果中各變量均在方程一側(cè)，因此如果系數(shù)為正，則說明是負(fù)向關(guān)系，反之亦然。 ，協(xié)整檢驗是對滯后期和檢驗形式非常敏感的檢驗，首先需要確定最優(yōu)滯后。順序一般是單位根檢驗，通過后如果同階單整，在進(jìn)行協(xié)整，然后在進(jìn)行因果檢驗。故順序自然是先做單位根檢驗，再過協(xié)整檢驗，最后是格蘭杰因果檢驗。而因果關(guān)系檢驗解決的就是這個問題。但變量間協(xié)整的必要條件是它們之間是同階單整，也就是說在進(jìn)行協(xié)整檢驗之前必須進(jìn)行單位跟檢驗。 ，或是說單整階數(shù)。 第四，長期均衡并不意味著分析的結(jié)束，還應(yīng)考慮短期波動，要做誤差修正檢驗。 第二，格蘭杰因果檢驗的變量應(yīng)是平穩(wěn)的，如果單位根檢驗發(fā)現(xiàn)兩個變量是不穩(wěn)定的，那么，不能直接進(jìn)行格蘭杰因果檢驗，所以，很多人對不平穩(wěn)的變量進(jìn)行格蘭杰因果檢驗，這是錯誤的。如果有，則可以構(gòu)造VEC模型或者進(jìn)行Granger因果檢驗，檢驗變量之間“誰引起誰變化”，即因果關(guān)系。先做單位根檢驗，看變量序列是否平穩(wěn)序列，若平穩(wěn)，可構(gòu)造回歸模型等經(jīng)典計量經(jīng)濟(jì)學(xué)模型；若非平穩(wěn)，進(jìn)行差分，當(dāng)進(jìn)行到第i次差分時序列平穩(wěn)，則服從i階單整（注意趨勢、截距不同情況選擇，根據(jù)P值和原假設(shè)判定）。3）判斷時間學(xué)列的數(shù)據(jù)生成過程。平穩(wěn)性檢驗有3個作用：1）檢驗平穩(wěn)性，若平穩(wěn)，做格蘭杰檢驗，非平穩(wěn)，作協(xié)正檢驗。非平穩(wěn)序列很可能出現(xiàn)偽回歸，協(xié)整的意義就是檢驗它們的回歸方程所描述的因果關(guān)系是否是偽回歸，即檢驗變量之間是否存在穩(wěn)定的關(guān)系。當(dāng)檢驗的數(shù)據(jù)是非平穩(wěn)（即存在單位根），并且各個序列是同階單整（協(xié)整檢驗的前提），想進(jìn)一步確定變量之間是否存在協(xié)整關(guān)系，可以進(jìn)行協(xié)整檢驗，協(xié)整檢驗主要有EG兩步法和JJ檢驗A、EG兩步法是基于回歸殘差的檢驗，可以通過建立OLS模型檢驗其殘差平穩(wěn)性B、JJ檢驗是基于回歸系數(shù)的檢驗，前提是建立VAR模型（即模型符合ADL模式）注意點(diǎn)：單位根檢驗是序列的平穩(wěn)性檢驗，如果不檢驗序列的平穩(wěn)性直接OLS容易導(dǎo)致偽回歸。如果變量之間不僅存在滯后影響，而不存在同期影響關(guān)系，則適合建立VAR模型，因為VAR模型實(shí)際上是把當(dāng)期關(guān)系隱含到了隨機(jī)擾動項之中。這種平穩(wěn)的線性組合被稱為協(xié)整方程且可被解釋為變量之間的長期均衡關(guān)系。Engle和Granger（1987a）指出兩個或多個非平穩(wěn)時間序列的線性組合可能是平穩(wěn)的。 向量自回歸（VAR,Vector Auto regression）常用于預(yù)測相互聯(lián)系的時間序列系統(tǒng)以及分析隨機(jī)擾動對變量系統(tǒng)的動態(tài)影響。在變量均非平穩(wěn)但協(xié)整的情況下則可以建立誤差修正模型(Error Correction Model, ECM)來研究變量間的關(guān)系，由于誤差修正項的出現(xiàn)，ECM可以同時研究短期與長期的因果關(guān)系。 (3)協(xié)整結(jié)果僅表示變量間存在長期均衡關(guān)系，那么，到底是先做格蘭杰還是先做協(xié)整呢？因為變量不平穩(wěn)才需要協(xié)整，所以，首先因?qū)ψ兞窟M(jìn)行差分，平穩(wěn)后，可以用差分項進(jìn)行格蘭杰因果檢驗，來判定變量變化的先后時序，之后，進(jìn)行協(xié)整，看變量是否存在長期均衡。有如下幾點(diǎn)，需要澄清： (1)格蘭杰因果檢驗是檢驗統(tǒng)計上的時間先后順序，并不表示而這真正存在因果關(guān)系，是否呈因果關(guān)系需要根據(jù)理論、經(jīng)驗和模型來判定。 (3)判斷時間學(xué)列的數(shù)據(jù)生成過程。 ： (1)檢驗平穩(wěn)性，若平穩(wěn)，做格蘭杰檢驗，非平穩(wěn)，作協(xié)正檢驗。 ，協(xié)整的意義就是檢驗它們的回歸方程所描述的因果關(guān)系是否是偽回歸，即檢驗變量之間是否存在穩(wěn)定的關(guān)系。 （即不存在單位根），要想進(jìn)一步考察變量的因果聯(lián)系，可以采用格蘭杰因果檢驗，但要做格蘭杰檢驗的前提是數(shù)據(jù)必須是平穩(wěn)的，否則不能做。常用的ADF檢驗包括三個模型方程。如果有，則可以構(gòu)造VEC模型或者進(jìn)行Granger因果檢驗，檢驗變量之間“誰引起誰變化”，即因果關(guān)系。時間序列的平穩(wěn)、非平穩(wěn)、協(xié)整、格蘭杰因果關(guān)系步驟：先做單位根檢驗，看變量序列是否平穩(wěn)序列，若平穩(wěn)，可構(gòu)造回歸模型等經(jīng)典計量經(jīng)濟(jì)學(xué)模型；若非平穩(wěn)，進(jìn)行差分，當(dāng)進(jìn)行到第i次差分時序列平穩(wěn)，則服從i階單整（注意趨勢、截距不同情況選擇，根據(jù)P值和原假設(shè)判定）。用EViwes可以估計固定效應(yīng)模型（包括個體固定效應(yīng)模型、時刻固定效應(yīng)模型和時刻個體固定效應(yīng)模型3種）、隨機(jī)效應(yīng)模型、帶有AR(1)參數(shù)的模型、截面不同回歸系數(shù)也不同的面板數(shù)據(jù)模型。此外，固定效應(yīng)模型不要求誤差項中的個體效應(yīng)分量與模型中的解釋變量不相關(guān)。對于從時間序列和截面兩方面上看都存在較大變化的數(shù)據(jù)，隨機(jī)效應(yīng)模型能明確地描述出誤差來源的特征。） 隨機(jī)效應(yīng)模型和固定效應(yīng)模型哪一個更好些？實(shí)際是各有優(yōu)缺點(diǎn)。其中Hadri檢驗的原假設(shè)為面板數(shù)據(jù)不存在單位根，而其它四種檢驗的原假設(shè)為含有單位根。Eviews軟件對面板數(shù)據(jù)的單位根檢驗包括五種，即LLC檢驗、IPS檢驗、FishADF, 由于面板數(shù)據(jù)帶有時間序列和橫截面數(shù)據(jù)的雙重性。 一般常用的具體檢驗方法是:通過構(gòu)造F統(tǒng)計量判斷是否所有固定影響為零，對固定效應(yīng)模型和混合模型進(jìn)行篩選。 假定固定效應(yīng)模型中的截距項包括了截面隨機(jī)誤差項和時間隨機(jī)誤差項的平均效應(yīng)，而且對均值的離差分別是ui和vt，固定效應(yīng)模型就變成了隨機(jī)效應(yīng)模型。一個是截面隨機(jī)誤差項（ui），一個是時間隨機(jī)誤差項（vt）。隨機(jī)誤差項和截距項都是隨機(jī)變量。上述模型稱為隨機(jī)效應(yīng)模型。 eit = ui + vt + wit 其中ui ~N(0, su2)表示截面隨機(jī)誤差分量；vt ~N(0, sv2)表示時間隨機(jī)誤差分量；wit ~N(0, sw2)表示混和隨機(jī)誤差分量。也可以通過對誤差項的分解來描述這種信息的缺失。第三種是隨機(jī)效應(yīng)模型。 H0：對于不同橫截面，不同序列，模型截距項都相同（建立混合估計模型）。如果確知對于不同的截面、不同的時間序列（個體）模型的截距都顯著地不相同，那么應(yīng)該建立時刻個體效應(yīng)模型。 （3）時刻個體固定效應(yīng)模型。 H0：對于不同橫截面模型截距項相同（建立混合估計模型）。 時刻固定效應(yīng)模型就是對于不同的截面（時刻點(diǎn)）有不同截距的模型。注意：個體固定效應(yīng)模型的EViwes輸出結(jié)果中沒有公共截距項。 個體固定效應(yīng)模型就是對于不同的個體有不同截距的模型。固定效應(yīng)模型分為3種類型，即個體固定效應(yīng)模型（entity fixed effects regression model）、時刻固定效應(yīng)模型（time fixed effects regression model）和時刻個體固定效應(yīng)模型（time and entity fixed effects regression model）。在面板數(shù)據(jù)散點(diǎn)圖中，如果對于不同的截面或不同的時間序列，模型的截距是不同的，則可以采用在模型中加虛擬變量的方法估計回歸參數(shù)，稱此種模型為固定效應(yīng)模型（fixed effects regression model）。此時，對所有橫截面數(shù)據(jù)而言，截距應(yīng)是相同的。 第一種是混合估計模型（Pooled Regression Model）。 面板數(shù)據(jù)模型的選擇通常有三種形式：混合估計模型、固定效應(yīng)模型和隨機(jī)效應(yīng)模型。面板數(shù)據(jù)由30 個個體組成。例如19902000 年30 個省份的農(nóng)業(yè)總產(chǎn)值數(shù)據(jù)。（2）對于固定效應(yīng)模型能得到參數(shù)的一致估計量，甚至有效估計量。這就是面板數(shù)據(jù)。這就是時間序列，選一個城市，看各個樣本時間點(diǎn)的不同就是時間序列。這就是截面數(shù)據(jù)，在一個時間點(diǎn)處切開，看各個城市的不同就是截面數(shù)據(jù)。面板數(shù)據(jù)是截面數(shù)據(jù)與時間序列綜合起來的一種數(shù)據(jù)資源，是同時在時間和截面空間上取得的二維數(shù)據(jù)。Beck和Katz(1995)引入的PCSE估計方法是面板數(shù)據(jù)模型估計方法的一個創(chuàng)新，可以有效的處理復(fù)雜的面板誤差結(jié)構(gòu)，如同步相關(guān)，異方差，序列相關(guān)等，在樣本量不夠大時尤為有用。 檢驗完畢后，我們也就知道該選用哪種模型了，然后我們就開始回歸： 在回歸的時候，權(quán)數(shù)可以選擇按截面加權(quán)（crosssection weights）的方式，對于橫截面?zhèn)€數(shù)大于時序個數(shù)的情況更應(yīng)如此，表示允許不同的截面存在異方差現(xiàn)象。如果固定效應(yīng)模型中的截距項包括了截面隨機(jī)誤差項和時間隨機(jī)誤差項的平均效應(yīng)，并且這兩個隨機(jī)誤差項都服從正態(tài)分布，則固定效應(yīng)模型就變成了隨機(jī)效應(yīng)模型。如果對于不同的截面或不同的時間序列，模型的截距不同，則可以采用在模型中添加虛擬變量的方法估計回歸參數(shù)。如果從時間上看，不同個體之間不存在顯著性差異；從截面上看，不同截面之間也不存在顯著性差異，那么就可以直接把面板數(shù)據(jù)混合在一起用普通最小二乘法（OLS）估計參數(shù)。因此一般不要對原序列進(jìn)行二階差分，因為對變動數(shù)據(jù)或增長率數(shù)據(jù)再進(jìn)行差分，我們不好對其冠以經(jīng)濟(jì)解釋。如差分某些序列，將基于時間頻度的絕對數(shù)據(jù)變成時間頻度下的變動數(shù)據(jù)或增長率數(shù)據(jù)。情況二：如果如果基于單位根檢驗的結(jié)果發(fā)現(xiàn)變量之間是非同階單整的，即面板數(shù)據(jù)中有些序列平穩(wěn)而有些序列不平穩(wěn)，此時不能進(jìn)行協(xié)整檢驗與直接對原序列進(jìn)行回歸。也就是說格蘭杰因果檢驗在Eviews中是針對普通的序列對(pairwise)而言的。 Eviews好像沒有在POOL窗口中提供Granger causality test，而只有unit root test和cointegration test?？紤]最簡單的形式，Grang