文章目录

• 前言
• 一、为什么要执行协整检验
• 二、格兰杰因果和滞后阶数
• 三、脉冲图
• 四、VAR模型和VEC模型的区别

前言

由于需要建立一个价格优惠指数来反应GMV走势，接触到了很厉害的Var模型建立，这个系列初版应该有三篇（毕竟搞这个东西搞了很久）

先来看看一些理论知识

二、格兰杰因果和滞后阶数

格兰杰检验最难的部分在于确定最优滞后期，做granger检验的目的就是为了看时间序列是否存在因果关系，再把存在granger因果的变量纳入模型中。Eviews中格兰杰检验结果如下图所示：

至于如何确定?后面Var模型的阶数，在知乎上找到两种方法：

1. “根据你的分析在滞后阶数为2阶是互为因果关系的，那就可以选定阶数为2”；
2. “我是先构建VAR模型，然后根据信息准则选择最优滞后阶数，在此基础上再进行Granger检验的”；

三、脉冲图

每次都在脉冲图的产出上很艰难，因为他经常显示不出来，叫什么near singerlar matrix，真的很无奈，脉冲图有很多时候显示不出来——也许是gmv太大，需要取对数或者查分，要是谁是脉冲图杀手，请私信我，教教我～

四、VAR模型和VEC模型的区别

有 友评价过他两个的区别——“其实差不多，一般而言平稳的数据用VAR，不平稳但是协整的用VEC”，因此，如果确认原序列通过ADF检验，即原序列平稳，则使用原序列构建VAR模型，然后因果检验；如果原序列不平稳，对差分序列检验平稳性，对原序列进行协整检验，如果通过协整，则使用原序列构建VEC模型（即带修正项的VAR），再做因果检验。

由于VEC模型是含有协整约束变量构建的模型，所以在估计VEC模型前需要进行Johansen协整检验，并要确定协整关系的数量，如果变量间没有协整关系，则不能构建VEC模型。这边需要注意VEC模型中的滞后间隔说明的是一阶差分后的滞后，不需要在设定差分后的数据集了，直接原序列就好啦。