在对话框内添入适当的信息。 1.选择说明类型 选择无约束向量自回归( Unrestricted VaR)或者向量误差修正 Vector error correction)。前面例子中的VAR是无约束VAR,会在下面 详细解释VEC模型。 2.设置样本区间 3.设置变量 在相应的编辑栏中输入适当的内生及外生变量。系统通常会自动给出 常数c作为外生变量。如果所列的序列太长,我们可以先建立一个包含这 些序列的组对象,然后直接输入组的名字
6 在对话框内添入适当的信息。 1. 选择说明类型 选择无约束向量自回归（ Unrestricted VAR ）或者向量误差修正 （ Vector Error Correction ）。前面例子中的VAR是无约束VAR，会在下面 详细解释VEC 模型。 2. 设置样本区间 3. 设置变量 在相应的编辑栏中输入适当的内生及外生变量。系统通常会自动给出 常数c作为外生变量。如果所列的序列太长，我们可以先建立一个包含这 些序列的组对象，然后直接输入组的名字
4.在相应的编辑框中输入滞后信息这一信息将会告诉 EViews哪个 滞后变量应该被包括在每个等式的右端。这一信息应成对输入:每一对 数字描述一个滞后区间。例如,滞后对 告诉 EViews用系统中所有内生变量的一阶到四阶滞后变量作为等式 右端的变量 可以添加代表滞后区间的任意数字,但都要成对输入。例如: 24691212 表示:用2-4阶,6-9阶及第12阶滞后变量 前面例子对话框中的VAR模型。取P、M1和TB3三个内生变量,这 个模型用了1-2阶滞后变量并且仅仅常数是外生变量 其余两个菜单( Cointegration和 Restrictions)仅与ⅤEC模型有关, 将在后面介绍
7 4. 在相应的编辑框中输入滞后信息 这一信息将会告诉EViews哪个 滞后变量应该被包括在每个等式的右端。这一信息应成对输入：每一对 数字描述一个滞后区间。例如，滞后对： 1 4 告诉EViews用系统中所有内生变量的一阶到四阶滞后变量作为等式 右端的变量。 可以添加代表滞后区间的任意数字，但都要成对输入。例如： 2 4 6 9 12 12 表示：用 2 – 4 阶，6 – 9 阶及第 12 阶滞后变量。 前面例子对话框中的VAR模型。取IP、M1和TB3三个内生变量，这 个模型用了1 – 2 阶滞后变量并且仅仅常数是外生变量。 其余两个菜单（Cointegration 和 Restrictions）仅与VEC模型有关， 将在后面介绍
§222,2VAR估计的输出 日设定了VAR,单击OK。 EViews将会在VAR窗口显示估计结果 (VAR01):〓Var VARI orkfile: BaSICS view Procs Objects Print Name Free Estimate Stats Impulse resid Vector Autoregression Estimates Vector Autoregression Estimates Date:01/2401Time:14:00 Sample(adjusted): 1959: 03 1989: 12 Included observations: 370 after adjusting endpoint s Standard errors in (&t-statistics in [ P(1) 1.2925680.2183060.087563 05037)0.17572) DD4745 [25524][1.24237][1.84535 P(2) 0.2885960.185510078138 ①.17730 0.0478 [5.7858][1.05223][183203] M1(1) 0024185 1.42873 0.01317)0.04596)001241 [18356][31.0843][5.45158] 表中的每一列对应VAR中一个内生变量的方程。对方程右端每一个变量, EViews会给出系数估计值、估计系数的标准误差及t-统计量。例如在TB3方 程中P(-1)的系数是0.087563。(VARO2包含外生变量)
8 表中的每一列对应VAR中一个内生变量的方程。对方程右端每一个变量， EViews会给出系数估计值、估计系数的标准误差及 t - 统计量。例如在TB3方 程中IP(-1)的系数是0.087563。 (VAR02包含外生变量) §22.2.2 VAR估计的输出 一旦设定了VAR，单击OK。EViews将会在VAR窗口显示估计结果 (VAR01) ：
两类回归统计量出现在VAR估计输出的底部: War: VRI Workfile: BaSICS 回区 iew Procs Obiects Pr rint Name Freeze EstimateStats Impulse Resi ds Vector Autore gression Estimates R-squared 0.999213 0.999902 096E552 Adj. R-squared 0999200 0.999901 0955999 um sg. resid 116.8355 1421.978 103.98 S.E. equation 0.567328 1.979215 0.534459 F-statistic 76794.59 519380.4 1748.275 og likelihood 311.7511 -774.07302895589 Akaike Alc 1.722979 4.222016 1.603516 Schwarz sc 1.797018 4.295055 1.77655 Mean depender 70.79376 338.5638 5.315352 S.D. dependent 20.0554819863492898474 Determinant Residual Covariance 0.342794 Log Likelihood (d f. adjusted -1376956 Akaike Information Criteria 7556519 Schwarz Criteria 7778537 输出的第一部分显示的是每个方程的标准OS回归统计量。分别计算每 个方程的结果(使用各自的残差项),并被显示在对应的列中。第二部分是 VAR系统的回归统计量
9 两类回归统计量出现在VAR估计输出的底部： 输出的第一部分显示的是每个方程的标准OLS回归统计量。分别计算每 个方程的结果（使用各自的残差项），并被显示在对应的列中。第二部分是 VAR系统的回归统计量
5223VAR视图和过程 旦估计一个VAR模型, EViews会提供关于被估计VAR模型的各种视 图。这一部分仅讨论与VAR模型有关的特定的视图。其它的视图和过程可 参考第21章:系统估计 5231诊断视图 在VAR窗口的 View/Lag Structure和vew/ Residual tests菜单下将提供 系列的诊断视图。这些将有利于检验被估计VAR模型的合适性。 1、 Lag structure(滞后结构) AR Roots table/ Graph(AR根的图表) 如果被估计的VAR模型所有根的模小于1并且位于单位圆内,则其是 稳定的。如果模型不稳定,某些结果将不是有效的(如:脉冲响应标准误 差)。共有如个根,其中k是内生变量的个数,P是最大滞后阶数。前 面的例子中存在一个根大于1,所以模型是不稳定的(VAR01)。将P、M1 差分得到的VAR模型是稳定的(VAR03)
10 §22.3 VAR 视图和过程 一旦估计一个VAR模型，EViews会提供关于被估计VAR模型的各种视 图。这一部分仅讨论与VAR模型有关的特定的视图。其它的视图和过程可 参考第21章：系统估计。 §22.3.1 诊断视图 在VAR窗口的View/Lag Structure和View/Residual Tests菜单下将提供一 系列的诊断视图。这些将有利于检验被估计VAR模型的合适性。 1、Lag Structure (滞后结构) AR Roots Table/Graph (AR根的图表) 如果被估计的VAR模型所有根的模小于1并且位于单位圆内，则其是 稳定的。如果模型不稳定，某些结果将不是有效的（如：脉冲响应标准误 差）。共有 kp 个根，其中 k 是内生变量的个数，p 是最大滞后阶数。前 面的例子中存在一个根大于1，所以模型是不稳定的(VAR01)。将IP、M1 差分得到的VAR模型是稳定的(VAR03)