【正文】 intervals for endogenous要填滯后期，但是此時你并不能判斷哪個滯后時最優(yōu)的，因此要試，選擇不同的滯后期，至AIC或SC最小時，所對應(yīng)著的滯后為最優(yōu)滯后，此時做出來的VAR模型才較為可靠。由于VAR是無約束的，而協(xié)整是有約束的，因此協(xié)整檢驗的最優(yōu)滯后一般為VAR的最優(yōu)滯后減去1，確定了最優(yōu)滯后后，再去診斷檢驗形式，最終才能做協(xié)整。 ，貌似與你的OLS不矛盾。所有序列一般視為內(nèi)生向量)， 第二步：在建立的初步VAR后進(jìn)行 滯后階數(shù)檢驗，以確定最終模型的滯后階數(shù) 在滯后階數(shù)確定后進(jìn)行因果關(guān)系檢驗，以確定哪些序列為外生變量 至此重新構(gòu)建VAR模型（此時滯后階數(shù)已定，內(nèi)外生變量已定），再進(jìn)行AR根圖表分析， 如單位根均小于1，VAR構(gòu)建完成可進(jìn)行脈沖及方差分解 如單位根有大于1的，考慮對原始序進(jìn)行降階處理（一階單整序列處理方法：差分或取對數(shù)，二階單整序列：理論上可以差分與取對數(shù)同時進(jìn)行，但由于序列失去了經(jīng)濟(jì)含義，應(yīng)放棄此處理，可考慮序列的趨勢分解，如分解后仍然不能滿足要求，可以罷工，不建立任何模型，休息或是打砸了電腦），處理過后對新的序列（包括最初的哪些平穩(wěn)序列）不斷重復(fù)第一步與第二步，直至滿足穩(wěn)定性為止 第三步，建立最終的VAR后，可考慮SVAR模型 如果變量不僅存在滯后影響，還存在同期影響關(guān)系，則建立VAR模型不太合適，這種情況下需要進(jìn)行結(jié)構(gòu)分析。當(dāng)有一個大范圍的短期動態(tài)波動時，VEC表達(dá)式會限制內(nèi)生變量的長期行為收斂于它們的協(xié)整關(guān)系。誤差修正項反映了長期均衡對短期波動偏離自我修正的動態(tài)機(jī)制。如果為正，則表示前期的失衡部分無法在后一期作反向回歸調(diào)整。 如果Y與X具有共同的向上或向下的變化趨勢,進(jìn)行差分，X,Y成為平穩(wěn)序列，建立差分回歸模型得：ΔYt = α1ΔXt + vt 式中，vt = μt1 然而，這種做法會引起兩個問題： (1)如果X與Y間存在著長期穩(wěn)定的均衡關(guān)系 Yt = α0 + α1Xt + μt 且誤差項μt不存在序列相關(guān)，則差分式 ΔYt = α1ΔXt + vt 中的vt是一個一階移動平均時間序列，因而是序列相關(guān)的；(2)如果采用差分形式進(jìn)行估計，則關(guān)于變量水平值的重要信息將被忽略，這時模型只表達(dá)了X與Y間的短期關(guān)系，而沒有揭示它們間的長期關(guān)系。另外，使用差分變量也往往會得出不能令人滿意回歸方程。 但如果使用（*）式，即使X保持不變，Y也會處于長期上升或下降的過程中，這意味著X與Y間不存在靜態(tài)均衡。可見，簡單差分不一定能解決非平穩(wěn)時間序列所遇到的全部問題，因此，誤差修正模型便應(yīng)運(yùn)而生。假設(shè)兩變量X與Y的長期均衡關(guān)系為: Yt = α0 + α1Xt + μt 由于變量可能是非平穩(wěn)的，因此不能直接運(yùn)用OLS法。 μ， 如果將（**）中的參數(shù)，與Yt = α0 + α1Xt + μt中的相應(yīng)參數(shù)視為相等，則（**）式中括號內(nèi)的項就是t1期的非均衡誤差項。同時，（**）式也彌補(bǔ)了簡單差分模型ΔY1 = ΔXt + vt的不足，因為該式含有用X、Y水平值表示的前期非均衡程度。 (**)稱為一階誤差修正模型(firstorder error correction model)。由分布滯后模型知：一般情況下|μ|1 ，由關(guān)系式μ得0λ1。（***）體現(xiàn)了長期非均衡誤差對的控制。其主要原因在于變量對數(shù)的差分近似地等于該變量的變化率，而經(jīng)濟(jì)變量的變化率常常是穩(wěn)定序列，因此適合于包含在經(jīng)典回歸方程中。 J5 amp。更復(fù)雜的誤差修正模型可依照一階誤差修正模型類似地建立。誤差修正模型的建立（1）Granger 表述定理 誤差修正模型有許多明顯的優(yōu)點：如 a）一階差分項的使用消除了變量可能存在的趨勢因素，從而避免了虛假回歸問題； b）一階差分項的使用也消除模型可能存在的多重共線性問題； c）誤差修正項的引入保證了變量水平值的信息沒有被忽視； d）由于誤差修正項本身的平穩(wěn)性，使得該模型可以用經(jīng)典的回歸方法進(jìn)行估計，尤其是模型中差分項可以使用通常的t檢驗與F檢驗來進(jìn)行選取。 對于(1,1)階自回歸分布滯后模型 0 E9 U% s* j! X b( T4 q7 `! F$ o 如果 Yt~I(1), Xt~I(1) 因此，建立誤差修正模型，需要首先對變量進(jìn)行協(xié)整分析，以發(fā)現(xiàn)變量之間的協(xié)整關(guān)系，即長期均衡關(guān)系，并以這種關(guān)系構(gòu)成誤差修正項。（2）EngleGranger兩步法 由協(xié)整與誤差修正模型的的關(guān)系，可以得到誤差修正模型建立的EG兩步法：第一步，進(jìn)行協(xié)整回歸（OLS法），檢驗變量間的協(xié)整關(guān)系，估計協(xié)整向量（長期均衡關(guān)系參數(shù)）；第二步，若協(xié)整性存在，則以第一步求到的殘差作為非均衡誤差項加入到誤差修正模型中，并用OLS法估計相應(yīng)參數(shù)。另外，第二步中變量差分滯后項的多少，可以殘差項序列是否存在自相關(guān)性來判斷，如果存在自相關(guān)，則應(yīng)加入變量差分的滯后項。但仍需事先對變量間的協(xié)整關(guān)系進(jìn)行檢驗。 A5 D! K$ i3 b39。需注意的是，用不同方法建立的誤差修正模型結(jié)果也往往不一樣。*橫截面的異方差與序列的自相關(guān)性是運(yùn)用面板數(shù)據(jù)模型時可能遇到的最為常見的問題,此時運(yùn)用OLS可能會產(chǎn)生結(jié)果失真,因此為了消除影響,對我國東、中、西部地區(qū)的分析將采用不相關(guān)回歸方法( SeeminglyUnrelated Regression, SUR)來估計方程。*一般而言，面板數(shù)據(jù)可用固定效應(yīng)(fixed effect) 和隨機(jī)效應(yīng)(random effect) 估計方法,即如果選擇固定效應(yīng)模型,則利用虛擬變量最小二乘法(LSDV) 進(jìn)行估計。它可以極大限度地利用面板數(shù)據(jù)的優(yōu)點,盡量減少估計誤差。*單位根檢驗：在進(jìn)行時間序列的分析時,研究者為了避免偽回歸問題,會通過單位根檢驗對數(shù)據(jù)平穩(wěn)性進(jìn)行判斷。隨著面板數(shù)據(jù)在經(jīng)濟(jì)領(lǐng)域應(yīng)用,對面板數(shù)據(jù)單位根的檢驗也逐漸引起重視。*協(xié)整檢驗：協(xié)整檢驗是考察變量間長期均衡關(guān)系的方法。面板協(xié)整檢驗理論目前還不成熟,仍然在不斷的發(fā)展過程中,目前的方法主要有:(1)Kao(1999)、Kao and Chiang(2000)利用推廣的DF和ADF檢驗提出了檢驗面板協(xié)整的方法,這種方法零假設(shè)是沒有協(xié)整關(guān)系,并且利用靜態(tài)面板回歸的殘差來構(gòu)建統(tǒng)計量。和Kao的方法不同的是,Pedroni的檢驗方法允許異質(zhì)面板的存在。這種檢驗的方法是檢驗變量存在共同的協(xié)整的秩。如果變量間存在長期均衡的關(guān)系,我們可以通過誤差修正模型(ECM) 來檢驗變量間的長期因果關(guān)系。關(guān)于平穩(wěn)性檢驗和協(xié)整檢驗、因果檢驗流程圖 ↗ 同階單整→協(xié)整檢驗→協(xié)整？（YES：EG兩步法 for 長期因果關(guān)系；NO：誤差修正模型ECM/VEC for 短期因果關(guān)系） ↘非同階單整→差分使平穩(wěn)→VAR→Granger因果檢驗 for 短期因果關(guān)系混合 固定（main：個體固定） 隨機(jī)（main：個體隨機(jī)） ▏▁▁▁▁▁▁▁▁▁▁▁▁ ▏▁▁▁▁▁▁▁▁▁▁▁▁▁ ▏ ▏先回歸估計 ▏先回歸估計 ↓Crosssection:fixed ↓Crosssection:random F檢驗 Hausman檢驗 ▏ ▏ H0:混合 H1:個體固定 HO:個體隨機(jī) H1:個體固定Output： ▏ ▏是先做F檢驗還是先做Hausman檢驗??；做F檢驗的時候，F(xiàn)ixed and Random、m和Crosssection specific選項應(yīng)該怎么設(shè)置??；另外我看高鐵梅上面對面板的分類有些不同，能說說有啥區(qū)別么？以Eviews6為例，來說明一下面板模型的選擇問題：F檢驗是用來在混合模型和固定效應(yīng)模型中做出選擇，而Hausman檢驗是用來在固定效應(yīng)模型和隨機(jī)效應(yīng)模型中做出選擇，所以不存在孰先孰后的問題；由于我們通常估計的個體效應(yīng)而不是時刻效應(yīng)，所以我們進(jìn)行回歸和檢驗的時候，Period選擇None。然后在個體固定回歸之后，進(jìn)行F檢驗進(jìn)行模型選擇決策1；在個體隨機(jī)回歸之后，進(jìn)行Hausman檢驗進(jìn)行模型選擇決策2，從而最終得出最佳回歸。 一、建立一個理論假說。 二、收集數(shù)據(jù)。 數(shù)據(jù)的類型有：時間序列數(shù)據(jù)。面板數(shù)據(jù)：同一個橫截面單位在跨期調(diào)查數(shù)據(jù)。 三、設(shè)定數(shù)學(xué)模型（變量之間是確定性的數(shù)量關(guān)系）總體回歸函數(shù)：：Yi=B1+B2Xi+ui，其中ui是隨機(jī)誤差項。（2）解釋變量與擾動誤差項u不相關(guān)。（4）ui的方差是常數(shù)，即同方差。（6）模型設(shè)定正確。以上這些假設(shè)保證了估計量是最優(yōu)線性無偏估計量：（1）一致性。（2）無偏性。（3）有效性。有兩種方法：顯著性檢驗法和置信區(qū)間法。這兩類錯誤是此消彼長的。他給出了在拒絕和不拒絕零假設(shè)之間無差別時的邊際顯著性水平。P值還被用于說明零假設(shè)的合理性（P值越小，零假設(shè)越缺乏合理性）。 擬合優(yōu)度。但是存在問題：如果有更多的回歸自變量加入回歸方程中去，R^2的值永遠(yuǎn)不會降低。診斷：R^2較高但t值統(tǒng)計量顯著的不多；解釋變量兩兩高度相關(guān)。診斷：殘差圖（ei與x）；懷特檢驗。補(bǔ)救：廣義最小二乘法（ut=put1+vt）。七、16