VAR模型的应用案例 (完成).docx

VAR模型应用实例 众所周知，经济的发展运行离不开大量能源的消耗，尤其是在现代经济发展的过程中，能源的重要性日益提升。我国自改革开放以来，经济发展取得长足的进步，经济增长率一直处于较高的速度，经济的高速增长带来了能源的大量消耗，进而带来了我国能源生产的巨大提高。因此，研究经济增长率与能源生产增长率之间的关系具有重要的意义，能为生源生产提供一定的指导意义。 基本的数据 我们截取1978—2015年中国经济增长速度（GDP增速）和中国能源生产增长速度数据，具体数据如下： 表1 1978——2016年中国经济和能源生产增长率 年份 国内生产总值增长速度（%） 能源生产增长速度（%） 年份 国内生产总值增长速度（%） 能源生产增长速度（%） 1978 11.7 10.4 1997 9.2 0.3 1979 7.6 3.7 1998 7.8 -2.7 1980 7.8 -1.3 1999 7.7 1.6 1981 5.1 -0.8 2000 8.5 5 1982 9 5.6 2001 8.3 6.4 1983 10.8 6.7 2002 9.1 6 1984 15.2 9.2 2003 10 14.1 1985 13.4 9.9 2004 10.1 15.6 1986 8.9 3 2005 11.4 11.1 1987 11.7 3.6 2006 12.7 6.9 1988 11.2 5 2007 14.2 7.9 1989 4.2 6.1 2008 9.7 5 1990 3.9 2.2 2009 9.4 3.1 1991 9.3 0.9 2010 10.6 9.1 1992 14.2 2.3 2011 9.5 9 1993 13.9 3.6 2012 7.9 3.2 1994 13 6.9 2013 7.8 2.2 1995 11 8.7 2014 7.3 0.9 1996 9.9 3.1 2015 6.9 1.2 序列平稳性检验（单位根检验） 使用Eviews9.0来创建一个无约束的VAR模型，用gdp表示的是中国经济的增长率，用nysc表示中国能源生产的增长率，下面分别对gdp和nysc进行单位根检验，验证序列是否平稳，能否达到建立VAR模型的建模前提。 图2.1 经济增速（GDP）的单位根检验 图2.2 能源生产增速（nysc）的单位根检验 经过检验，在1%的显著性水平上，gdp和nysc两个时间序列都是平稳的，符合建模的条件，我们建立一个无约束的VAR模型。 VAR模型的估计 图3.1 模型的估计结果 图3.2 模型的表达式 4.模型的检验 4.1模型的平稳性检验 图4.1.1 AR根的表 由图4.1.1知，AR所有单位根的模都是小于1的，因此估计的模型满足稳定性的条件。 图4.1.2 AR根的图 通过对GDP增长率和能源生产增长率进进行了VAR模型估计，并采用AR根估计的方法对VAR模型估计的结果进行平稳性检验。AR根估计是基于这样一种原理的:如果VAR模型所有根模的倒数都小于1，即都在单位圆内，则该模型是稳定的;如果VAR模型所有根模的倒数都大于1，即都在单位圆外，则该模型是不稳定的。由图4.1.2可知，没有根是在单位圆之外的，估计的VAR模型满足稳定性的条件。 4.2 Granger因果检验 图4.2.1 Granger因果检验结果图 Granger因果检验的 原假设是：H0：变量x不能Granger引起变量y 备择假设是： H1：变量x能Granger引起变量y 对VAR（2）进行Granger因果检验在1%的显著性水平之下，经济增速（GDP）能够Granger引起能源生产增速（NYSC）的变化，即拒绝了原假设；同时，能源生产增速（NYSC）能够Granger经济增速（GDP）的变化，即拒绝了原假设，接受备择假设。 5滞后期长度 图5.1 VAR模型滞后期选择结果 从上图可以看出LR, FPE, AIC, SC, HQ都指向同样的2阶滞后期，因此应该选择VAR（2）进行后续的分析。 6.脉冲函数 图6.1 各因素脉冲响应函数结果图 从图6.1可以看出： 经济增长率（GDP）和能源生产（NYSC）各自对于自身的冲击，在前四期是快速下降的趋势，并且出现负值的情况。但是，GDP增速的变化基本上在第七期就保持了持平的一个状况；而能源生产（NYSC）的变化是在第九期的时候实现持平的状态。 能源生产增长率（NYSC）对于经济增长率（GDP）的脉冲响应分析，当给经济增长一个正的冲击的时候，在前两期是呈现一个下降的趋势，主要的原因应该是，经济增长促进能源生产的提高是存在滞后期的，但是但很快就出现了上升的趋势在第五期的时候达到最大值，之后出