est <- VAR(exampleSim, p = 2, type = "const")

VAR 模型估计结果

1. 对各个行业方程的估计系数、标准误差、t 值和 p 值进行了详细呈现和分析。
2. 医疗卫生行业
   部分变量呈现出显著影响，这表明在医疗卫生领域，某些因素对其发展和变化具有明确且重要的推动或抑制作用。
3. 通信行业
   部分变量的影响不显著，暗示在通信行业中，某些因素可能并非是决定其发展走向的关键因素。
4. 金融行业
   部分变量具有显著作用，反映出金融行业的发展受到特定因素的显著驱动。
5. 房地产行业
   部分变量的显著性得以体现，揭示了在房地产行业中存在对其发展具有重要影响的特定因素。
6. 零售行业
   一些变量具有显著影响，意味着在零售行业的发展过程中，存在着能够显著左右其发展态势的关键因素。
7. 给出了残差的标准误差、多重 R 平方、调整后的 R 平方以及 F 统计量和相应的 p 值。

遵循的是标准的 Diebold & Yilmaz 方法。

从各行数据来看：

• 医疗卫生行业自身的溢出效应（即对自身的影响）达到 98.46，说明该行业的变化主要受自身因素影响，对其他行业的溢出相对较小。
• 通信行业对自身的溢出效应为 45.73，同时对医疗卫生行业有 0.52 的溢出，对金融行业的溢出仅为 0.03 等，表明通信行业与医疗卫生行业有一定的关联，与金融行业的关联较弱。
• 金融行业自身的溢出效应为 78.87，对其他行业的溢出相对较小。
• 房地产行业自身的溢出效应为 53.65，对医疗卫生行业的溢出为 0.10 等。
• 零售行业对自身的溢出效应为 23.69。

溢出效应分析

1. 计算传统的溢出效应，给出了各行业之间的溢出和接收的具体数值。
2. 通过滚动估计分析溢出效应的动态变化，并进行可视化展示。

利用这些，可以绘制所得的溢出度量。

plotOverall(sp)

plotTo(sp)

plotFrom(sp)

plotNet(sp)

plotPairwise(sp)

上述代码实现了数据的读取、收益率的计算、VAR (2) 估计值的计算与保存，接着基于估计值进行连通性度量的计算，包括传统溢出效应等，并通过一系列绘图函数展示相关结果。通过这样的处理和分析，能够深入研究数据中的内在关系和特征。