网站建设和备案的顺序,淘宝服务商,彩票系统网站建设,京东网站设计代码大家好#xff0c;我是带我去滑雪#xff01; 向量自回归#xff08;VAR#xff09;模型和误差修正模型#xff08;ECM#xff09;是时间序列分析中常用的两种模型#xff0c;它们用于研究多个变量之间的动态关系。VAR 模型适用于研究多个相关变量之间的相互影响和动态关… 大家好我是带我去滑雪 向量自回归VAR模型和误差修正模型ECM是时间序列分析中常用的两种模型它们用于研究多个变量之间的动态关系。VAR 模型适用于研究多个相关变量之间的相互影响和动态关系特别是在没有明确的因果关系方向时。ECM 是基于向量自回归模型的一种扩展旨在处理协整关系。协整关系表示变量之间存在长期均衡关系。在实践中研究人员通常使用单位根检验如ADF检验来检查时间序列是否平稳然后使用协整检验来确定是否存在协整关系。如果存在协整关系就可以考虑使用 VAR 模型和 ECM 模型来分析变量之间的关系。这些模型在经济学、金融学和其他领域中广泛应用以揭示变量之间的动态性质和长期均衡关系。
一、向量自回归模型
1平稳VAR多变量原理 平稳向量自回归VAR模型是一种多变量时间序列分析方法用于研究变量之间的动态关系。在VAR模型中所有的变量被同时建模每一个变量都被其它所有变量的滞后值所影响。这种模型假设所有的变量都是平稳的也就是说它们的均值和方差在时间上是稳定的。总的来说VAR模型的核心思想是将多个变量之间的关系纳入一个系统方程中通过时间序列的历史数据来估计这些关系从而实现对未来变量值的预测和分析。VAR模型的基本原理可以总结如下 平稳性假设 VAR模型假设所涉及的所有变量都是平稳的。平稳性是指变量的统计特性如均值和方差在时间上保持不变。如果变量不是平稳的通常需要进行差分操作直到得到平稳的数据。 滞后阶数选择 在构建VAR模型时需要选择滞后阶数lag order表示当前时刻的变量值受多少时期之前的变量值影响。选择适当的滞后阶数通常需要借助信息准则如AIC或BIC来进行。 模型参数估计 一旦选择了滞后阶数就可以用最小二乘法OLS或极大似然法来估计VAR模型的参数。这些参数代表了各个变量之间的线性关系。 脉冲响应函数和方差分解 通过VAR模型可以得到系统中各个变量对于其它变量脉冲冲击的响应模式。脉冲响应函数显示了一个变量在受到一个单位冲击时的反应情况。方差分解则能够量化各个变量在系统变动中所占的比重。 预测和融合 一旦VAR模型被估计出来就可以用来进行未来数值的预测。此外VAR模型还可以与其他模型或分析方法融合以提高预测的准确性。
2下载并整理数据为构建VAR模型做准备 下载数据可以查看前面的博客http://t.csdnimg.cn/tdjvG本期使用getSymbls函数从网络上下载IBM从2015年1月1日到2017年1月18日的股票数据数据包含IBM的开盘价、收盘价、成交量等数据。 install.packages(TTR) library(quantmod) IBM.dat getSymbols(IBM, from2015-01-01,to2017-01-18, adjust T, auto.assign FALSE) head(IBM.dat) tail(IBM.dat) Return diff(log(IBM.dat[, 4]))*100 volume log(IBM.dat[, 5]) plot(Return, xlab dates, main Time series of IBM returns) plot(volume, xlab dates, main Time series of IBM volume) dat0cbind(Return, volume) head(dat0) datna.omit(dat0) 输出结果 3估计VARp library(vars)out.varVAR(dat, p1, typeconst, seasonNULL, exogenNULL, lag.maxNULL)options(digits4)coef(out.var) 输出结果 $Return Estimate Std. Error t value Pr(|t|) Return.l 1 0.08745 0.04399 1.988 0.04737 volume.l 1 -1.11633 0.66518 -1.678 0.09391 const 5.59278 3.32232 1.683 0.09291 $volume Estimate Std. Error t value Pr(|t|) Return.l 1 0.007989 0.0002939 27.186 2.904e-101 volume.l 1 0.992436 0.0044435 223.347 0.000e00 const 0.037821 0.0221934 1.704 8.896e-02 4Granger因果关系检验 causality(out.var, causeReturn, bootTRUE, boot.runs5000) 输出结果 $Granger Granger causality H0: Return do not Granger-cause volume data: VAR object out.var F-Test 739, boot.runs 5000, p-value 2e-16 $Instant H0: No instantaneous causality between: Return and volume data: VAR object out.var Chi-squared 76, df 1, p-value 2e-16 结果显示拒绝原假设认为报酬率是交易量的格兰杰原因。
5脉冲响应分析 output.irfirf(out.var, impulse Vol, response c(Ret,Vol),bootTRUE, boot.runs1000) output.irf plot(output.irf) 二、误差修正模型 完整代码如下 library(tsDyn) lags - vars::VARselect(dat, lag.max25)$selection vecm.eg-VECM(dat, laglags[3],include const, estim 2OLS) summary(vecm.eg) summary(vecm.eg)$coefMat vecm.eg$model.specific$beta vecm.jo-VECM(dat, laglags[3], include const, estim ML) summary(vecm.jo) summary(vecm.jo)$coefMat vecm.jo$model.specific$beta library(urca) cointest_eigen - ca.jo(dat, Klags[3], typeeigen, ecdetconst,spectransitory) summary(cointest_eigen) cointest_trace - ca.jo(dat, Klags[3], typetrace, ecdetconst,spectransitory) summary(cointest_trace) 需要数据集的家人们可以去百度网盘永久有效获取
链接https://pan.baidu.com/s/1E59qYZuGhwlrx6gn4JJZTg?pwd2138 提取码2138 更多优质内容持续发布中请移步主页查看。 点赞关注,下次不迷路
