什么是向量自回归模型啊?VAR模型？

VAR，也即Vector autoregression model，中文名字叫做向量自回归模型。简单来说，就是用模型刻画向量之间的数量关系。这就引出了VAR的适用前提：①能进行回归，自然要求数据平稳，否则会发生伪回归；②回归在向量之间发生，向量之间自然需要存在一定的关系（统计意义上的因果关系），那么就要求通过格兰杰因果检验。而格兰杰因果检验的前提要求数据平稳，因此要先进行平稳性检验。

所以

仅仅从VAR的定义来看，就可以确定的是，要先进行平稳性检验，数据平稳（不平稳进行差分）再进行格兰杰因果检验。

当然，格兰杰因果检验同时要求判断滞后阶数，滞后阶数的判断就比较见仁见智了，有些做法甚至直接做出初始的VAR进行判断（如果事先认为因果检验是成立的，这样做也未尝不可）。

那么做出来的VAR模型是不是就好了呢？也不全是。因为在时间序列模型中，存在协整这样一个调整长期均衡关系的概念，转换到VAR中来，

如果数据本身不平稳，但却又是同阶单整

，那么

通过建立误差修正模型（ECM），就可以使得模型包含长期均衡的信息，从而完善模型

。只不过ECM在VAR中改名换姓，改叫向量误差修正模型（VEC）了。

模型的构造已经基本完成，简单总结一下就是：

首先进行平稳性检验。如果平稳，则进行格兰杰因果检验；如果不平稳，差分后平稳，则对差分数据进行格兰杰因果检验，同时为了完善模型，如果数据是同阶单整的，则进行协整检验（此时协整和格兰杰互不影响，因此可以互换顺序）。

在模型构建完成之后

，如何评判模型的优劣呢？

用AR根对VAR模型的平稳性进行判断

，这也就是模型的最后一步。

匿名回答于2019-07-15 02:58:28