最近在写一篇小论文,主要用的就是VAR(向量自回归模型)和SVAR(结构向量自回归模型),这里分享一下R语言实现VAR和SVAR的整个流程。码字不易,喜欢请点赞,谢谢!!!
主要步骤包括:
1.单位根检验
2.确定滞后阶数
3.格兰杰因果检验
4.模型稳定性检验
5.脉冲响应
6.方差分解
(Johansen协整检验,如果需要的话)
整个过程用到的R语言的扩展包有:
library(zoo)library(vars)library(tseries)
首先,数据是下面的样子:
ps:数据是时间序列类型,可以通过下面方法将dataframe转成时间序列类型
data = ts(data)
1.单位根检验
#对data的第一列进行单位根检验adf.test(data[,1])
2.滞后阶数确定
VARselect函数结果包括AIC、HQ、SC和FPE准则
#参数y为时间序列数据,lag.max为最大滞后阶数#参数type值包括const截距,trend趋势,both同时包含截距和趋势,none不包含截距和趋势VARselect(y=data, lag.max = 10, type = c("const"))
3.格兰杰因果检验
格兰杰因果检验有两个方法,第一个是在构造模型之前,第二个是在构造模型之后在模型的基础上进行格兰杰因果检验。
(1)构造模型之前格兰杰因果检验
#函数格式:grangertest(yt~xt)eg:grangertest(Value~BCI)
(2)构造模型之后格兰杰因果检验
#函数格式:causality(VARModel,cause)egvar = VAR(data ,p = 2, type = "const")causality(var,cause=c('Count','Value'))
ps:在这里如果想要构建SVAR模型的话,需要根据实际情况构建两个矩阵amat和bmat,然后使用这两个矩阵来构建SVAR模型:
svar = SVAR(var,Amat = amat,Bmat = bmat)
4.模型稳定性检验
#这里使用“OLS-CUSUM”,它给出的是残差累积和,在该检验生成的曲线图中,残差累积和曲线以时间为横坐标,#图中绘出两条临界线,如果累积和超出了这两条临界线,则说明参数不具有稳定性。 sta = stability(var, type = c("OLS-CUSUM"), h = 0.15, dynamic = FALSE, rescale = TRUE)plot(sta)##结果稳健
5.脉冲响应
#标题栏说明,这是BCI(或者其他变量)对各个变量(包括BCI自身)的脉冲响应(1)VAR脉冲响应var.irf<-irf(var,n.head=10)plot(var.irf)(2)SVAR脉冲响应svar.irf<-irf(svar,n.ahead = 100)plot(svar.irf)
6.方差分解
#反映了各变量的贡献率(1)VAR方差分解fevd1<-fevd(var, n.ahead = 10)fevd1$Count(2)SVAR方差分解fevd2<-fevd(svar, n.ahead = 10)fevd2$Value
ps:有时候需要进行Johansen协整检验
#Johansen协整检验,#对r=0(不存在协整关系)的检验统计量大于临界值,表明拒绝原假设yJoTest = ca.jo(data, type = c("trace"), ecdet = c("none"), K = 2) summary(yJoTest)