向量自回歸模型與脈沖響應分析ppt課件

《向量自回歸模型與脈沖響應分析ppt課件》由會員分享，可在線閱讀，更多相關《向量自回歸模型與脈沖響應分析ppt課件（35頁珍藏版）》請在裝配圖網(wǎng)上搜索。

,8.3 格蘭杰因果關系 從計量經(jīng)濟學發(fā)展的歷史來看，格蘭杰因果關系的概念要早于VAR模型。 格蘭杰因果關系檢驗經(jīng)常被解釋為在VAR模型中，某個變量是否可以用來提高對其他相關變量的預測能力。所以，“格蘭杰因果關系”的實質(zhì)是一種“預測”關系，而并非真正漢語意義上的“因果關系”。,,,,如果原假設成立，則有：,,,,,在VAR的相關內(nèi)容中，與格蘭杰因果關系一個相關的概念就是所謂的block exogeneity檢驗，翻譯過來可以稱為“區(qū)塊外生性”或“一攬子”外生性檢驗。在選擇VAR模型中是否要包含額外的變量時，經(jīng)常使用block exogeneity檢驗。,表8-3 格蘭杰因果關系LR檢驗結(jié)果,,表8-4格蘭杰因果關系 檢驗結(jié)果,,,8.4 向量自回歸模型與脈沖響應分析 8.4.1 VAR模型中的脈沖響應介紹 在很多情況下，VAR模型中的各個等式中的系數(shù)并不是研究者關注的對象，其主要原因就是VAR模型系統(tǒng)中的系數(shù)往往非常多。 經(jīng)濟學家和計量經(jīng)濟學者經(jīng)常使用脈沖響應函數(shù)來解釋VAR模型的經(jīng)濟學上的含義。,圖8-3 EViews中VAR 脈沖響應分析的對話界面,,,8.4.2 簡單脈沖響應函數(shù) 這里介紹的簡單IRF包括兩種形式：一是所謂的“單位殘差IRF”；另一個是“單位標準差IRF”。,,1) 單位殘差IRF,,(8.56),,,,,2）單位標準差IRF 從模型(8.66)可以看到，當隨機沖擊為單位1時，即 時，其影響馬上就能體現(xiàn)在模型(8.66)中。但是，因為VAR模型中的變量之間是線性關系，所以這種影響的大小會隨隨機沖擊的單位變化而變化。為此，經(jīng)常使用的是隨機沖擊的一個單位的標準差。,,所以，單位標準差IRF的定義是變量在受到隨機沖擊一個單位標準差的變化后的動態(tài)變化路徑。在這種IRF的計算過程中，同樣不考慮各個隨機擾動項之間的相關性（即假定相關性為0）。,,,,8.4.3 正交脈沖響應函數(shù) 在簡單IRF的介紹中，實際上有一個非常強假設，就是我們假設當 發(fā)生變化時，如變化了一個單位或者一個單位的標準差，其他的擾動項的變化為0。這種假設實質(zhì)上是假定擾動項的方差-協(xié)方差矩陣為對角矩陣，即：,,,,但一般情況下，這個方差—協(xié)方差矩陣卻并不是一個對角矩陣。解決這個問題的辦法之一就是使用所謂的“正交脈沖響應函數(shù)”。正交IRF的基本思想是依據(jù)VAR模型中變量的排列順序，將互相有相關性的擾動項 轉(zhuǎn)化成不相關的一組隨機干擾項 ，這種互不相關的特性在計量經(jīng)濟里稱為“正交”。,,如果我們能夠找到這樣的 ，則有 。這樣，就可以分析VAR模型中的變量在受到1個單位的 的沖擊后的動態(tài)路徑了，這就是正交IRF。 從上面的分析不難看到，關鍵是要將相關的擾動項向量分解成不相關的擾動項向量。到目前為止有以下幾種常用的分解方法。,,1) 三角分解,,,,,,,的沖擊對 的影響，就可以通過正交IRF計算，即：,,2）喬萊斯基分解 設 表示一個對角矩陣，對角線 位置的元素等于 的標準差。這樣，就可以將模型 重新寫成： 其中： 。,,,3) 廣義IRF 上文已經(jīng)介紹過，正交IRF的一個主要問題是其對VAR模型中變量排序比較敏感。為了克服這一問題，Pesaran and Shin (1998)在一篇快訊文章中（Economics Letters）提出了一種新方法，用以構(gòu)建隨機沖擊項的一系列正交集。該方法稱為廣義IRF。這種方法不需要將所有沖擊項都正交化，并且不受 VAR模型中變量的排序影響。,,4)User Specified IRF 有些軟件，如EViews，還為實踐者提供了自行設立脈沖響應的選項。你需要在相應的編輯窗口給出用來保存脈沖響應函數(shù)的矩陣或者是向量。但是要注意，如果VAR模型有n個內(nèi)生變量，那么脈沖響應函數(shù)的矩陣必須具有n行、1或n列，這樣，每一列便對應一個脈沖函數(shù)向量。,,8.5 VAR模型和方差分解 所謂方差分解，就是指我們希望知道一個沖擊要素 的方差能由其他隨機擾動項解釋多少。通過獲得這個信息，我們可以獲知每個特定的沖擊因素對于 的相對重要性。,,,,未來h期預測所對應的均方差：,,,,未來h期預測對應的均方差的表達式為,,,因此，第j個正交沖擊項對未來h期預測的均方差的貢獻為,,,方差分解的結(jié)果有時候?qū)AR模型中變量的排序很敏感。然而，正如Enders(2004, p.280)所指出的，無論是正交脈沖響應還是方差分解，在研究經(jīng)濟變量之間的互動關系時還是非常有幫助的。特別是，當VAR系統(tǒng)中各個等式中的隨機擾動項彼此之間的相關性比較小時，脈沖響應和方差分解受變量排序的影響就非常小了。,,在一個極端情況下，VAR系統(tǒng)中的各個擾動項彼此正交，互不相關，那么矩陣 應該是對角矩陣。在這種情況下，依據(jù)模型（8.68）可以知道，矩陣A必定是一個單位矩陣，從而 。這時，模型（8.84）中的第j個方差貢獻就變成了： 或者寫成更簡單的形式：,,,,這樣，對 未來h期的預測方差歸結(jié)到 的貢獻，或者說歸結(jié)到 的貢獻，即方差分解，可以計算為：,表8-5 VAR模型 方差分析結(jié)果,,,