第8讲 VAR模型.ppt

10 基本VAR模型的拟合与绘图 11 VAR模型的预测 对于“iic.dta”的数据，我们先拟合模型： var dln_inv dln_inc dln_consump if qtrtq(1979q1) 这里，我们用条件语句“if qtrtq(1979q1)”对样本区间做了限定，这是为了方便后面对动态预测值和样本观测值进行对比。此外，我们没有设定模型的滞后期，这里使用了默认的设置，滞后期为1到2期。 下面，我们进行动态预测并作图。输入命令： fcast compute f1_, step(8) fcast graph f1_dln_inv f1_dln_inc f1_dln_consump, observed 其中，第一步为计算动态预测值，并将各预测变量命名为前缀“f1_”+内生变量名。step(8)设定预测的步长为8。因为我们在拟合模型时使用的样本为1979年第1季度之前的，这样，我们的动态预测值会从1979年第1季度开始，并持续8个区间，也就是说，预测到1980年第4季度为止。 第二步对各预测值作图，选项observed表明我们会同时画出各变量的实际观测值。 有时，我们希望将不同模型的预测结果放到一幅图中进行比较，stata可以很容易实现这一点。例如，我们还拟合了如下VAR模型并进行了预测： var dln_inv dln_inc dln_consump if qtrtq(1979q1), lags(1/4) fcast compute f2_, step(8) 其中，第一步拟合了滞后期为1到4期的VAR模型。第二步进行了动态预测，并将预测值的前缀设为f2_。下面，我们将这次和前一次对dln_inv的预测结果放到一幅图中： graph twoway line f1_dln_inv f2_dln_inv dln_inv qtr if f1_dln_inv . 其中，graph twoway line表明我们要做线图，y轴的变量有f1_dln_inv、f2_dln_inv和dln_inv，x轴的变量为qtr。条件语句if f1_dln_inv .表明，我们要对f1_dln_inv不为“.”的观测值作图。因为动态预测的步长为8期，事实上，我们只有8个预测数据。 二、协整与向量误差修正模型 实验基本原理 实验内容及数据来源 本书附带光盘的data文件夹的“regincom.dta”工作文件给出了美国八个地区1948–2002年的人均可支配收入数据，主要变量包括：year=年度，new_england=新英格兰地区的人均可支配收入，mideast=中东部地区的人均可支配收入，southeast=东南部地区的人均可支配收入，ln_ne=新英格兰地区人均可支配收入的对数，ln_me=中东部地区人均可支配收入的对数，ln_se=东南部地区人均可支配收入的对数…… 对于这些数据，我们想要分析东南部地区和中东部地区人均可支配收入的长期均衡关系以及短期变动情况。 对各变量进行单位根检验，我们不能拒绝各个地区人均可支配收入的对数存在单位根。又因为资本和劳动可以在各个地区自由流动，因而，我们可以期待，没有一个地区的数据会与其他地区的序列有大的偏离，也就是说各个地区的数据间应该存在协整关系。我们考虑拟合一个VEC模型。 利用“regincom.dta”的数据，我们将讲解VEC模型阶数的确定、协整关系的检验、模型的拟合、协整方程平稳性的检验、残差自相关检验和正态性检验、irf系列函数的估计与作图以及模型的预测等内容。 实验操作指导 1 确定模型阶数 要确定VEC模型的滞后阶数，可以通过varsoc命令，在拟合模型之前或之后均可。命令格式与VAR模型完全相同。 这里，我们通过如下命令确定模型阶数： varsoc ln_me ln_se 对ln_me和ln_se进行作图，我们有： line ln_me ln_se year 命令中，y轴变量为ln_me和ln_se，x轴变量为year。 下面，我们通过命令来检验ln_me和ln_se之间是否存在协整关系。输入命令： vecrank ln_me ln_se, lags(1) 我们也可以使用最大特征值统计量来判断协整关系的个数。命令为： vecrank ln_me ln_se, lags(1) max notrace 其中，选项max表明汇报最大特征值统计量，notrace表明不汇报迹统计量。 2 拟合VEC模型 下面，我们对数据拟合VEC模型。输入命令： vec ln_me ln_se, lags(1) 因为我们前面检验协整关系的个数为1，所以我们就不必再使用选项rank()进行协整方程个数的设置，因为其默认值就是1。 3 协整方程的平稳性检验 在拟合完VEC模型之后，如果要进