澳大利亚在2008 – 2009年全球金融危机期间发生了这种情况。政府发布了一揽子刺激计划,其中包括2008年12月的现金支付,恰逢圣诞节支出。
因此,零售商报告销售强劲,经济受到刺激,收入增加了。
可下载资源
VAR面临的批评是他们是理论上的; 也就是说,它们不是建立在一些经济学理论的基础上。假设每个变量都影响系统中的每个其他变量,这使得估计系数的直接解释变得困难。尽管如此,VAR在几种情况下都很有用:
- 预测相关变量的集合,不需要明确的解释;
- 测试一个变量是否有助于预测另一个变量(格兰杰因果关系检验的基础);
- 脉冲响应分析,其中分析了一个变量对另一个变量的突然但暂时的变化的响应;
- 预测误差方差分解,其中每个变量的预测方差的比例归因于其他变量的影响。
示例:用于预测消费的VAR模型
VARselect(uschange[,1:2], lag.max=8,
type="const")[["selection"]]
#> AIC(n) HQ(n) SC(n) FPE(n)
#> 5 1 1 5
R输出显示由vars包中可用的每个信息标准选择的滞后长度。由AIC选择的VAR(5)与BIC选择的VAR(1)之间存在很大差异。因此,我们首先拟合由BIC选择的VAR(1)。
var1 <- VAR(uschange[,1:2], p=1, type="const")
serial.test(var1, lags.pt=10, type="PT.asymptotic")
...
与单变量ARIMA方法类似,我们使用Portmanteau测试残差是不相关的。VAR(1)和VAR(2)都具有一些残差序列相关性,因此我们拟合VAR(3)。
...
serial.test(...)
#>
#> Portmanteau Test (asymptotic)
#>
#> data: Residuals of VAR object var3
#> Chi-squared = 34, df = 28, p-value = 0.2
该模型的残差通过了序列相关的测试。VAR(3)生成的预测如图 所示。
forecast(var3) %>%...
图 :消费和收入的VAR预测
可下载资源
关于作者
Kaizong Ye是拓端研究室(TRL)的研究员。在此对他对本文所作的贡献表示诚挚感谢,他在上海财经大学完成了统计学专业的硕士学位,专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文,如需帮助请联系我们!