温馨提示: 定期 清理浏览器缓存,可以获得最佳浏览体验。
New!
lianxh
命令发布了:
随时搜索推文、Stata 资源。安装命令如下:
. ssc install lianxh
详情参见帮助文件 (有惊喜):
. help lianxh
⛳ Stata 系列推文:
作者:吕媛 (北京大学)
邮箱:ly1562495qy@163.com
编者按:本文主要摘译自下文,特此致谢!
Source:Asali M. vgets: A command to estimate general-to-specific VARs, Granger causality, steady-state effects, and cumulative impulse–responses[J]. The Stata Journal, 2020, 20(2): 426-434. -PDF- -Link-
目录
我们常常同时关注几个经济 (和非经济) 变量的预测问题,比如 GDP 增长率和失业率。一种方法是用单位变量时间序列的方法对每个变量分别作预测。另一种方法则是将这些变量放在一起,作为一个系统来预测,以使得预测相互自洽 (mutually consistent),这称为 "多变量时间序列" (multivariate time series)。
Sims (1980) 提出的 "向量自回归" (Vector Autoregression,简记 VAR) 正是这样一种方法。自 Sims (1980) 推广以来,向量自回归 (VAR) 模型已被证明是分析经济 (和非经济) 时间序列数据的最成功模型之一。具体来看,向量自回归 (VAR) 模型可用于脉冲响应分析和方差分解分析,动态分析,预测,结构推断、描述性分析和政策分析等。但是,由于存在多个变量,因此高阶 VAR 往往会被过度参数化 (Asali,2020)。
向量自回归模型是由多元时间序列变量组成的自回归模型,主要用于预测及分析随机扰动变量。模型每个变量是其他内生变量的滞后值,因此其可以探究各种经济冲击对经济变量形成的影响。向量自回归模型 (VAR) 实质上是自回归模型和协整回归模型的结合。
假设有两个时间序列变量
其中,
在进行 VAR 建模时,需要确定变量的滞后阶数,以及 VAR 系统中包含几个变量。具体来看:
通常来讲,VAR 系统中包含的变量个数越多,则需要估计的系数越多。待估系数过多使得样本容量过小,则会增大估计误差,降低预测精度。因此,VAR 模型通常仅包含为数不多的几个变量。当然,如果 VAR 模型太小,则可能存在遗漏变量偏差。
在设定VAR模型时,主要应根据经济理论来确定哪些变量应在 VAR 模型中,比如,经济理论认为通货膨胀率、失业率、短期利息互相关联,因此可以构成一个三变量的 VAR 模型。如果 VAR 模型包含不相关的变量,则会增大估计量方差,降低预测能力。另外,可以在 VAR 系统中引入其他外生变量,比如
由于 VAR 模型包含许多参数,而这些参数的经济意义很难解释,故集中研究脉冲响应函数。脉冲响应函数研究单个变量变化所带来的扰动项是如何传播到各个变量,并且从动态上解释了各个变量之间关系。
VAR 模型的用途之一是预测,VAR 模型中 Cholesky 分解次序对方差分解具有重要影响。对于 VAR(
接下来,我们介绍一个具体案例,其中命令、数据、以及 do 文档通过以下方式获得:
net install st0602, replace //安装命令
net get st0602, replace //获取数据和 do 文档
首先,我们可以了解一下案例数据「intifada_extended_data」。该数据反映了巴勒斯坦和以色列的冲突死亡人数,本节需要关注的被解释变量为 pal_tot 和 isr_tot。此外,VAR 模型中 exog variable 为 Period2-Period7、completed、sunday-friday。
. net get st0602, replace //获取数据和 do 文档
. use intifada_extended_data.dta, clear
. des
Contains data from intifada_extended_data.dta
obs: 2,665
vars: 19 21 Jul 2019 06:45
-------------------------------------------------------------
value
variable name label variable label
-------------------------------------------------------------
date
pal_tot Total Palestinian fatalities
isr_tot Total Israeli fatalities
period periodlbl Period
completed Length of separation barrier (km)
Period2
Period3
Period4
Period5
Period6
Period7
Period8
dayofweek
sunday
monday
tuesday
wednesday
thursday
friday
-------------------------------------------------------------
Sorted by: date
. *模型分析
. vgets pal_tot isr_tot if date>=14882 & date<=16451, maxlag(14) t(1) exog(Period2-Period7 completed sunday-friday) format(%9.3f)
FULL Specification
| pal_tot | isr_tot
| isr_tot | pal_tot
-------------+-----------+-----------
GC | 24.952 | 17.974
(pv) | 0.035 | 0.208
LR | 1.320 | 0.094
se | 0.435 | 0.042
(pv) | 0.002 | 0.026
CIR | 1.615 | 0.179
se | 0.655 | 0.096
(pv) | 0.014 | 0.062
GETS Specification
| pal_tot | isr_tot
| isr_tot | pal_tot
-------------+-----------+-----------
GC | 21.519 | 13.332
(pv) | 0.011 | 0.064
LR | 1.233 | 0.084
se | 0.408 | 0.041
(pv) | 0.003 | 0.042
CIR | 1.523 | 0.158
se | 0.582 | 0.089
(pv) | 0.009 | 0.075
GC 指的是格兰杰因果关系,因此,在完整的说明中,以色列死亡是由格兰杰造成的巴勒斯坦人死亡。也就是说,以色列对暴力做出反应,暴力程度达到5% (pv = 0.035),而巴勒斯坦人对暴力没有反应 (pv = 0.208)。但是,一旦考虑了 GETS (AAB) 规范,我们就会看到双方分别以 0.011 和 0.064 的
LR 是指 LR 效果。在当前情况下,以色列反应职能的 LR 效应是指以色列每丧生一个以色列人造成的巴勒斯坦人死亡人数。在完整的规范中,该值为 1.32,在 GETS 规范中,该值为 1.233,两者在统计上都非常重要。最后,CIR 是指一方对另一方的暴力行为的回应,并考虑了另一方的回应。这些数据在统计上也很重要,在完整的和 GETS 规范中,以色列的反应功能分别为 1.615 和 1.523。
在末尾添加选项诊断程序的命令行如下,分析结果和未添加选项诊断程序分析相同。
vgets pal_tot isr_tot if date>=14882 & date<=16451, maxlag(14) t(1) exog(Period2-Period7 completed sunday-friday) format(%9.3f) diagnostics
VAR 模型已被证明是描述时间序列数据动态,提供准确的预测和结构推断,并为政策分析提供有用的基础模型。尽管如此,文献仍主张通过应用 parsimonious 理论来实现更简约、更准确的规范,而不受到过度参数化的影响。
同时,使用 GETS 方法进行 VAR 分析非常重要,因为其可以得到更准确的推断。本文介绍的命令 vget
简化了使用 VAR 和 GETS VARs,以及从这些模型进行统计推断的过程,例如研究不同变量的 Granger 因果关系及其稳态 LR 效应和 CIR。它还提供统计检验,其结果可能会使所发现的格兰杰因果关系具有真实性。
Note:产生如下推文列表的 Stata 命令为:
lianxh VAR Granger, m
安装最新版lianxh
命令:
ssc install lianxh, replace
免费公开课
最新课程-直播课
专题 | 嘉宾 | 直播/回看视频 |
---|---|---|
⭐ 最新专题 | 文本分析、机器学习、效率专题、生存分析等 | |
研究设计 | 连玉君 | 我的特斯拉-实证研究设计,-幻灯片- |
面板模型 | 连玉君 | 动态面板模型,-幻灯片- |
面板模型 | 连玉君 | 直击面板数据模型 [免费公开课,2小时] |
⛳ 课程主页
⛳ 课程主页
关于我们
课程, 直播, 视频, 客服, 模型设定, 研究设计, stata, plus, 绘图, 编程, 面板, 论文重现, 可视化, RDD, DID, PSM, 合成控制法
等
连享会小程序:扫一扫,看推文,看视频……
扫码加入连享会微信群,提问交流更方便
✏ 连享会-常见问题解答:
✨ https://gitee.com/lianxh/Course/wikis
New!
lianxh
命令发布了:
随时搜索连享会推文、Stata 资源,安装命令如下:
. ssc install lianxh
使用详情参见帮助文件 (有惊喜):
. help lianxh