GIỚI THIỆU MÔ HÌNH VAR LÀ GÌ, VÀ CÁC ỨNG DỤNG TRONG THỰC TIỄN

-

Hồi quy VAR (Vector Autoregression) mô hình Vectơ tự động hóa hồi quy; Đây là mô hình được áp dụng nhiều trong kinh tế tài chính nhằm dự kiến những yêu tốt trong quá khứ sẽ ảnh hưởng đến lúc này và tương lai. Đây là một mô hình định lượng thông dụng, được đa phần mềm thống kê đưa vào menu, nhưng lại trong bài viết hướng dẫn này , công ty chúng tôi sẽ áp dụng phẩn mượt Eviews nhằm cho chúng ta mới ban đầu học thống kê lại điều rất có thể làm được.

Bạn đang xem: Mô hình var là gì

Khi chúng ta chạy mô hình Vectơ tự động hóa hồi quy trong Eviews xong thì chúng ta có thể chạy bất cứ phần mềm nào cũng được, như Stata, R …


Mục lục ẩn
1 HỒI QUY VAR
1.1 quy mô Vectơ tự động hồi quy là gì ?
1.2 mô hình tự động hóa hồi quy (AR)
2 Ứng dụng hồi quy VAR trên EViews
2.1 Xây dựng mô hình nghiên cứu vớt
2.2 Xét tính giới hạn cho tài liệu
2.3 lựa chọn Lag cân xứng
2.4 Hồi quy VAR
3 chu chỉnh sai phạm
3.1 Tượng đối sánh
3.2 Phương sai thay đổi
3.3 Tính bất biến của mô hình
4 Phân tích mô hình VAR
4.1 hiệu quả hồi quy
4.2 so sánh phản ứng đẩy (impulse Response)
4.3 so với sự phân tan phương sai ( variance decompositions)
5 Dịch vụ đáp ứng

HỒI QUY VAR

Mô hình Vectơ auto hồi quy là gì ?

Tự đụng hồi quy vectơ ( VAR ) là một quy mô thống kê được áp dụng để nắm bắt mối quan hệ tình dục giữa các đại lượng lúc chúng đổi khác theo thời gian. VAR là 1 trong loại mô hình quá trình thiên nhiên . Quy mô VAR tổng thể hóa tế bào hình auto hồi quy đơn biến (đơn biến) bằng cách cho phép chuỗi thời gian đa đổi mới . Mô hình VAR thường được sử dụng trong kinh tế tài chính học và khoa học thoải mái và tự nhiên .

Giống như quy mô tự hồi quy, mỗi biến bao gồm một phương trình quy mô hóa sự cách tân và phát triển của nó theo thời gian. Phương trình này bao hàm các cực hiếm trễ (quá khứ) của biến, giá trị trễ của các biến không giống trong quy mô và một thuật ngữ lỗi . Các mô hình VAR ko yêu cầu nhiều kiến ​​thức về các lực tác động đến một biến số như các mô hình kết cấu với những phương trình đôi khi . Kiến thức duy nhất cần phải có trước đó là danh sách những biến có thể được đưa ra giả thuyết để ảnh hưởng lẫn nhau theo thời gian.

Mô hình tự động hóa hồi quy (AR)

Trong thống kê, kinh tế lượng và giải pháp xử lý tín hiệu, mô hình auto hồi quy ( Autoregressive model – AR ) là đại diện của một loại quá trình ngẫu nhiên; như vậy, nó được thực hiện để mô tả các quá trình chuyển đổi theo thời hạn nhất định vào tự nhiên, kinh tế, v.v.

Mô hình tự hồi quy hướng đẫn rằng đổi mới đầu ra dựa vào tuyến tính vào những giá trị trước đó của chính nó và vào một thuật ngữ đột nhiên (một thuật ngữ hoàn toàn có thể dự đoán không hoàn hảo); vì đó mô hình ở dạng phương trình không đúng phân thốt nhiên (hoặc dục tình lặp lại không nên nhầm lẫn cùng với phương trình vi phân).

Cùng với quy mô trung bình động (MA) , đó là một ngôi trường hợp đặc trưng và là thành phần đặc trưng của mô hình tự động hồi quy tổng thể hơn – con đường trung bình cồn (ARMA) vàmô hình trung bình rượu cồn tích thích hợp tự hồi quy (ARIMA) của chuỗi thời gian, có cấu trúc ngẫu nhiên tinh vi hơn;

Nó cũng là một trong trường hợp đặc trưng của tế bào hình tự động hồi quy vectơ (VAR), bao gồm một hệ thống của rất nhiều hơn một phương trình chênh lệch bất chợt lồng vào nhau trong nhiều hơn một biến tự nhiên đang phân phát triển.

Trái ngược với mô hình trung bình động (MA), tế bào hình tự động hóa hồi quy chưa phải lúc nào cũng đứng yên bởi nó rất có thể chứa một đơn vị gốc.

Ứng dụng hồi quy VAR trên EViews

Xây dựng mô hình nghiên cứu

Khi tôi mong mỏi giá xuất khẩu(PXK) dịch chuyển hoặc giá nhỏ lẻ (PBL) dịch chuyển thì sẽ ảnh hưởng như cầm nào đến giá download tại vườn cửa (PTV) của nông sản tín đồ nông dân.

Mô hình nghiên cứu:

PTV = PXK + PBL

Xét tính dừng mang đến dữ liệu

Chúng tôi đã bao gồm một nội dung bài viết về Unit root demo về kiểm nghiệm tính giới hạn hay tính bình ổn của dữ liệu; Nếu chúng ta chưa xem thì xem xét lại với liên kết trên.

Giả sử rằng, tất cả dữ liệu của họ điều dừng tại bậc cội hay bậc 1, nên chúng ta có thể dùng mô hình Vectơ trường đoản cú hồi quy để cầu lượng quan hệ trên.

Trong ví dụ như này shop chúng tôi mặc định là bạn, đang biết dùng căn bản về Eviews nha (Tức là biết nhập dữ liệu từ Excel vào Eviews ( vấn đề này quá solo giản, chỉ việc mở lên và làm theo công việc hướng dẫn của Eviews)

Chọn Lag phù hợp

Bạn chọn phần lớn biến cần thiết cho mô hình + Click chuột buộc phải > xuất hiện as VAR

Chúng ta nhằm mặc định bấm OK ( sẽ xuất hiện kết quả với Lag tự 1- 2)

Tại cửa ngõ sổ hiệu quả bạn chọn View > Lag structure > Lag lenghth Criteria

Xuất hiện tại hộp thoại Lag Specitication với mục Lags to lớn include lựa chọn 4, rồi bấm OK

Kết quả thu được:

 LagLog
L
LRFPEAICSCHQ
0 185.3886NA 2.98e-07-6.513880-6.405379-6.471814
1 261.0074 140.4349* 2.76e-08* -8.893122* -8.459118* -8.724860*
2 263.4362 4.250374 3.50e-08-8.658436-7.898929-8.363976
3 270.2467 11.18861 3.81e-08-8.580238-7.495228-8.159582
4 275.5760 8.184287 4.41e-08-8.449141-7.038629-7.902289

Chọn Lag = 1 là về tối ưu ( Chổ nào có khá nhiều * thì chọn)

Hồi quy VAR

Bây giờ bọn họ hồi quy VAR lại cùng với lag về tối ưu vừa tra cứu được, ta lựa chọn mục Lag Interval for endogenous: 1 1 

Và họ có công dụng mô hình vectơ tự động hồi quy như sau:

LNPTVLNPBLLNPXK
LNPTV(-1) 0.677562-0.011923 0.067740
 (0.19446) (0.21830) (0.18051)
< 3.48424><-0.05462>< 0.37527>
LNPBL(-1)-0.107901 0.654161 0.289572
 (0.20370) (0.22867) (0.18908)
<-0.52970>< 2.86068>< 1.53146>
LNPXK(-1) 0.353567 0.276046 0.364807
 (0.26716) (0.29991) (0.24798)
< 1.32345>< 0.92044>< 1.47109>
C 0.698000 0.813623 2.781614
 (0.87959) (0.98742) (0.81647)
< 0.79355>< 0.82399>< 3.40690>
R-squared 0.775267 0.762417 0.715737
Adj. R-squared 0.763009 0.749458 0.700232
Sum sq. Resids 0.471981 0.594794 0.406667
S.E. Equation 0.092636 0.103992 0.085988
F-statistic 63.24494 58.83269 46.16092
Log likelihood 58.71909 51.89641 63.11293
Akaike AIC-1.854885-1.623607-2.003828
Schwarz SC-1.714035-1.482757-1.862978
Mean dependent 9.692538 9.902886 9.915186
S.D. Dependent 0.190289 0.207760 0.157053

Trong công dụng hồi quy VAR thì thường xuyên được ít tín đồ sử dụng, họ chỉ để ý được ước lượng bội nghịch ứng đẩy bên dưới.

Kiểm định không đúng phạm

Tượng tương quan

Cũng như bất cứ mô hình về thời gian nào, họ cũng yêu cầu kiểm định đối sánh chuỗi hay còn gọi là tự tương quan. Từ cửa số kết quả hồi quy họ chọn:

View > Residuals demo > Autocorrelations LM test | Bấm OK ở vỏ hộp thoại tiếp theo

Null hypothesis: No serial correlation at lag h
LagLRE* statdfProb.Rao F-statdfProb.

Xem thêm: Nên Tẩy Tế Bào Chết Body Bao Nhiêu Phút, Nên Tẩy Tế Bào Chết Body Bao Nhiêu Là Đủ

1 1.781471 9 0.9945 0.193788(9, 121.8) 0.9945
2 10.88589 9 0.2836 1.228337(9, 121.8) 0.2839
Null hypothesis: No serial correlation at lags 1 to lớn h
LagLRE* statdfProb.Rao F-statdfProb.
1 1.781471 9 0.9945 0.193788(9, 121.8) 0.9945
2 14.42873 18 0.7007 0.796176(18, 133.4) 0.7019
*Edgeworth expansion corrected likelihood ratio statistic.

Kiểm định tương quan quan cho ta kết quả P-value > 0.05 = > tế bào hình không xẩy ra tự tương quan.

Phương sai cố đổi

Nghe tên thì chúng ta cũng thấy không còn xa lạ phải không, đây là một kiểm định đặc biệt mà cửa hàng chúng tôi cũng nói đến.

View > Residuals thử nghiệm > white heteroskedasticity

Kết trái thu được

Included observations: 59
Joint test:
Chi-sqdfProb.
 54.5118936 0.0246
Individual components:
DependentR-squaredF(6,52)Prob.Chi-sq(6)Prob.
res1*res1 0.252674 2.930233 0.0154 14.90775 0.0210
res2*res2 0.229794 2.585740 0.0287 13.55787 0.0350
res3*res3 0.291358 3.563295 0.0050 17.19011 0.0086
res2*res1 0.248417 2.864557 0.0174 14.65663 0.0231
res3*res1 0.307650 3.851092 0.0030 18.15137 0.0059
res3*res2 0.308792 3.871769 0.0029 18.21873 0.0057

Ta gồm P-value quy mô bị phương sai sai số ráng đổi

Tính ổn định của mô hình

View > Lag structure > AR Root graph

*
Kiểm định tính bất biến của mô hình

Ta thấy các chấm xanh nằm trong vòng tròn => mô hình có tính ổn định

Phân tích quy mô VAR

Kết quả hồi quy

Trong 3 kiểm tra của bọn chúng ta, thì cụ thể Kiểm định phương không nên sai số thay đổi bị không đúng phạm, chúng ta cần buộc phải khắc phục, dẫu vậy vì mục đích viết bài chúng tôi giả sử rằng cả 3 kiểm tra điều được thông qua. Tức là mô hình bao gồm độ tin yêu và bạn có thể sử dụng được quy mô hồi quy VAR

Phân tích phản bội ứng đẩy (impulse Response)

View > Impulss Response: Nó vẫn hiện thị hộp thoại mới

Display Graph: MultigraphResponse SE: Analytic

Kết quả thu được:

*
Kết trái chạy bội phản ứng đẩy

Phân trò vè phân tung phương không đúng ( variance decompositions)

View > variance decompositions

Display Graph: TableResponse SE: None
 PeriodS.E.LNPTVLNPBLLNPXK
 1 0.092636 100.0000 0.000000 0.000000
 2 0.122217 98.26532 0.003314 1.731362
 3 0.139390 97.36526 0.081829 2.552909
 4 0.150273 96.83354 0.234044 2.932417
 5 0.157491 96.45912 0.418696 3.122181
 6 0.162409 96.17211 0.604339 3.223555
 7 0.165814 95.94630 0.773438 3.280260
 8 0.168196 95.76855 0.918441 3.313004
 9 0.169875 95.62983 1.037821 3.332351
 10 0.171063 95.52274 1.133274 3.343984
 Cholesky Ordering: LNPTV LNPBL LNPXK

Dịch vụ cung ứng

Khi bạn khó khăn trong câu hỏi chạy mô hình định lượng Vectơ từ bỏ hồi quy VAR như:

Sai phạm của kiểm định
Không thể hiểu hiểu kết quảỨng dụng vào thực tế như vậy nào?…

Nếu bạn chạm chán những trở ngại như trên, các bạn đừng ngần ngại hãy liên hệ với chúng tôi để được support và hỗ trợ kịp thời.

TA THỰC HÀNH ƯỚC LƯỢNG BẰNG MÔ HÌNH VAR VỚI DỮ LIỆU EXCEL mang đến TRƯỚC ( ASIASTOCK / EX / INT / OIL / SP)

B1: KIỂM TRA CHUỖI DỪNG Ta đem Log khiến cho dữ liệu trót lọt hơn.kiểm tra bằng Correlogram và Unit Root Test

*

*

Ta thấy dữ liệu là một trong những chuỗi chưa dừng nên ta bắt đầu lấy không đúng phân

*

*

Sau khi đem sai phân và soát sổ thì chuỗi tài liệu dasiastock là chuỗi dừngtương tự cho những chuỗi tài liệu Exr , Int , Sp , Oil

*

*

*

*

*

*

*

*


*

*

*

*

*

*


Cách lấy sai phân các chuỗi dữ liệunhập lênh : " genr dexr = d(lexr) "

*

Bước tiếp theo : Ước lượng mô hình Var: chọn những biến / open as Var

*

Sau khi ước lượng xong, ta kiếm tìm độ trễ tối ưu :Chọn View / Lag Structure / Lag length Criteria...

*

 => Độ trễ về tối ưu là một trong những ( địa thế căn cứ độ trễ nào bao gồm càng các * càng phù hợp )

Ước lượng mô hình Var cùng với độ trễ về tối ưu là một trong :Open as Var / Lag Intervals For Endogenous : 1 1

*

*

*


Kiểm định phần dư ( cách thức làm giống hệt như kiểm định tính dừng)

*

*

*

*

*

*

Ta thấy phần dư là một trong chuỗi dừng.


Thực hiện đoán trước Mở rộng cỗ dữ lieu : Proc / Structure/ resize current page...chọn 2014m12 ( dự báo mang lại tháng 12 năm 2014)Mô hình sau thời điểm Ước lượng : Proc / Make mã sản phẩm / Solve.... Solution sample nhập 2014m6 2014m12

*

*

Ta đã chiếm lĩnh dữ liệu dự báo cho tháng 6 năm năm trước -> tháng 12 năm 2014Vì dữ liệu lúc đầu đã lấy Log với sai phân yêu cầu ta phải đo lường và tính toán lại. Để dễ dàng việc tính toán, ta copy phần dữ liệu dự báo sang Excel

*

Dasiastock_ là phần copy từ Excel. Công thức tính Lasiastock : Lasiastock ( 2014M06) = Lasiastock ( 2014M05 ) + Dasiastock_0 ( 2014M06)Công thức tính asiastock : asiastock ( 2014M06 ) = exp( Lasiastock ( năm trước M06 )Tương tự cho các biến : EXR , INT, OIL , SP