亲爱的MBA智库百科用户:


过去的17年,百科频道一直以免费公益的形式为大家提供知识服务,这是我们团队的荣幸和骄傲。 然而,在目前越来越严峻的经营挑战下,单纯依靠不断增加广告位来维持网站运营支出,必然会越来越影响您的使用体验,这也与我们的初衷背道而驰。 因此,经过审慎地考虑,我们决定推出VIP会员收费制度,以便为您提供更好的服务和更优质的内容。


MBA智库百科VIP会员,您的权益将包括: 1、无广告阅读; 2、免验证复制。


当然,更重要的是长期以来您对百科频道的支持。诚邀您加入MBA智库百科VIP会员,共渡难关,共同见证彼此的成长和进步!



MBA智库百科项目组
2023年8月10日
百科VIP
未登录
无广告阅读
免验证复制
1年VIP
¥ 9.9
支付方式:
微信支付
支付宝
PayPal
购买数量:
1
应付金额:
9.9
汇率换算:
9.9
美元(USD)

按当月汇率换算,

包含手续费

打开手机微信 扫一扫继续付款
立即开通
PayPal支付后,可能会遇到VIP权益未及时开通的情况,请您耐心等待,或者联系百科微信客服:mbalib888。
温馨提示:当无法进去支付页面时,可刷新后重试或更换浏览器
开通百科会员即视为同意《MBA智库·百科会员服务规则》

支付成功

全球专业中文经管百科,由121,994位网友共同编写而成,共计436,064个条目

向量自回歸模型

用手机看条目

出自 MBA智库百科(https://wiki.mbalib.com/)

向量自回歸模型(Vector Autoregression, VAR)

目錄

[隱藏]

什麼是向量自回歸模型

  向量自回歸模型簡稱VAR模型,是一種常用的計量經濟模型,1980年由克裡斯托弗·西姆斯Christopher Sims)提出。VAR模型是用模型中所有當期變數對所有變數的若幹滯後變數進行回歸。VAR模型用來估計聯合內生變數的動態關係,而不帶有任何事先約束條件。它是AR模型的推廣,此模型目前已得到廣泛應用。

  向量自回歸(VAR)是基於數據的統計性質建立模型,VAR模型把系統中每一個內生變數作為系統中所有內生變數的滯後值的函數來構造模型,從而將單變數自回歸模型推廣到由多元時間序列變數組成的“向量”自回歸模型。VAR模型是處理多個相關經濟指標的分析與預測最容易操作的模型之一,並且在一定的條件下,多元MA和ARMA模型也可轉化成VAR模型,因此近年來VAR模型受到越來越多的經濟工作者的重視。

VAR模型的公式

  VAR模型描述在同一樣本期間內的n個變數(內生變數)可以作為它們過去值的線性函數。

  一個VAR(p)模型可以寫成為:

y_{t}=c + A_{1}y_{t-1} + A_{2}y_{t-2} + \cdots + A_{p}y_{t-p} + e_{t},

其中:cn × 1常數向量,Ain × n矩陣。etn × 1誤差向量,滿足:

  1. \mathrm{E}(e_{t}) = 0\, —誤差項的均值為0
  2. \mathrm{E}(e_{t}e_{t}') = \Omega\, —誤差項的協方差矩陣為Ω(一個n × 'n正定矩陣)
  3. \mathrm{E}(e_{t}e_{t-k}') = 0\, (對於所有不為0的k都滿足)—誤差項不存在自相關

  1.例子

一個有兩個變數的VAR(1)模型可以表示為:

\begin{bmatrix}y_{1,t} \\ y_{2,t}\end{bmatrix} = \begin{bmatrix}c_{1} \\ c_{2}\end{bmatrix} + \begin{bmatrix}A_{1,1}&A_{1,2} \\ A_{2,1}&A_{2,2}\end{bmatrix}\begin{bmatrix}y_{1,t-1} \\ y_{2,t-1}\end{bmatrix} + \begin{bmatrix}e_{1,t} \\ e_{2,t}\end{bmatrix},

或者也可以寫為以下的方程組:

y_{1,t} = c_{1} + A_{1,1}y_{1,t-1} + A_{1,2}y_{2,t-1} + e_{1,t}\,
y_{2,t} = c_{2} + A_{2,1}y_{1,t-1} + A_{2,2}y_{2,t-1} + e_{2,t}.\,

  2.轉換VAR(p)為VAR(1)

VAR(p)模型常常可以被改寫為VAR(1)模型。 比如VAR(2)模型:

yt = c + A1yt − 1 + A2yt − 2 + et

可以轉換成一個VAR(1)模型:

\begin{bmatrix}y_{t} \\ y_{t-1}\end{bmatrix} = \begin{bmatrix}c \\ 0\end{bmatrix} + \begin{bmatrix}A_{1}&A_{2} \\ I&0\end{bmatrix}\begin{bmatrix}y_{t-1} \\ y_{t-2}\end{bmatrix} + \begin{bmatrix}e_{t} \\ 0\end{bmatrix},

其中I單位矩陣

向量自回歸模型的結構與簡化形式

結構向量自回歸

一個結構向量自回歸(Structural VAR)模型可以寫成為:

B_{0}y_{t}=c_{0} + B_{1}y_{t-1} + B_{2}y_{t-2} + \cdots + B_{p}y_{t-p} + \epsilon_{t},

其中:c0n × 1常數向量,Bin × n矩陣,εtn × 1誤差向量。

一個有兩個變數的結構VAR(1)可以表示為:

\begin{bmatrix}1&B_{0;1,2} \\ B_{0;2,1}&1\end{bmatrix}\begin{bmatrix}y_{1,t} \\ y_{2,t}\end{bmatrix} = \begin{bmatrix}c_{0;1} \\ c_{0;2}\end{bmatrix} + \begin{bmatrix}B_{1;1,1}&B_{1;1,2} \\ B_{1;2,1}&B_{1;2,2}\end{bmatrix}\begin{bmatrix}y_{1,t-1} \\ y_{2,t-1}\end{bmatrix} + \begin{bmatrix}\epsilon_{1,t} \\ \epsilon_{2,t}\end{bmatrix},

其中:

\Sigma = \mathrm{E}(\epsilon_{t}\epsilon_{t}') = \begin{bmatrix}\sigma_{1}&0 \\ 0&\sigma_{2}\end{bmatrix};

簡化向量自回歸

把結構向量自回歸與B0的逆矩陣相乘:

y_{t} = B_{0}^{-1}c_{0} + B_{0}^{-1}B_{1}y_{t-1} + B_{0}^{-1}B_{2}y_{t-2} + \cdots + B_{0}^{-1}B_{p}y_{t-p} + B_{0}^{-1}\epsilon_{t},

讓:

B_{0}^{-1}c_{0} = c, B_{0}^{-1}B_{i} = A_{i} 對於 i = 1, \cdots, p\,B_{0}^{-1}\epsilon_{t} = e_{t}

我們得到p-階簡化向量自回歸(Reduced VAR):

y_{t}=c + A_{1}y_{t-1} + A_{2}y_{t-2} + \cdots + A_{p}y_{t-p} + e_{t}
本條目對我有幫助252
MBA智库APP

扫一扫,下载MBA智库APP

分享到:
  如果您認為本條目還有待完善,需要補充新內容或修改錯誤內容,請編輯條目投訴舉報

本条目由以下用户参与贡献

XMJ,树语,Yixi,苏青荇.

評論(共2條)

提示:評論內容為網友針對條目"向量自回歸模型"展開的討論,與本站觀點立場無關。
丁兆海 (討論 | 貢獻) 在 2016年8月9日 18:25 發表

回複評論
M id 9afa35cb9b1079fff7f719d5d9332b3b (討論 | 貢獻) 在 2022年5月6日 10:42 發表

回複評論

發表評論請文明上網,理性發言並遵守有關規定。

打开APP

以上内容根据网友推荐自动排序生成

官方社群
下载APP
告MBA智库百科用户的一封信
亲爱的MBA智库百科用户: 过去的17年,百科频道一直以免费公益的形式为大家提供知识服务,这是我们团队的荣幸和骄傲。 然而,在目前越来越严峻的经营挑战下,单纯依靠不断增加广告位来维持网站运营支出,必然会越来越影响您的使用体验,这也与我们的初衷背道而驰。 因此,经过审慎地考虑,我们决定推出VIP会员收费制度,以便为您提供更好的服务和更优质的内容。 MBA智库百科VIP会员(9.9元 / 年,点击开通),您的权益将包括: 1、无广告阅读; 2、免验证复制。 当然,更重要的是长期以来您对百科频道的支持。诚邀您加入MBA智库百科VIP会员,共渡难关,共同见证彼此的成长和进步!
MBA智库百科项目组
2023年8月10日

闽公网安备 35020302032707号

添加收藏

    新建收藏夹

    编辑收藏夹

    20