下载文档原格式
VAR模型的适用范围：用于时间序列的情况VAR模型的适用范围:用于时间序列的情况下各个变量之间的相互关系，对于随机扰动变量系统进行动态分析。
一个VAR(p)模型的数学形式为: 这里是一个k维的内生变量，是一个d维的外生变量。
，…，和B是待估计的系数矩阵。
扰动向量。
他们之间相互可以使同期的关系，但不与自己的滞后值相关及不与等式右边的变量相关。
等式的右边是内生变量的滞后值，减少了出现同期性的可能。
由最小二乘法得到一致的估计。
此时即使扰动项与同期性相关， OLS依然有效，原因是所有的方程式有相同的回归量，与GLS是等同的。
实际上，由于任何序列相关都可以通过增加更多的滞后项而被调整，所有扰动项序列不相关的假设并不严格。
VAR模型稳定的条件:对于VAR(1)，Yt = c + 1 Yt-1 + ut 模型稳定的条件是特征方程 |1- I |=0的根都在单位圆以内，或相反的特征方程|I–L1|= 0的根都要在单位圆以外。
对于k>1的VAR(k)模型可以通过矩阵变换改写成分块矩阵的VAR(1)模型形式。
Yt = C + A Yt -1 + Ut模型稳定的条件是特征方程 |A-I| =0的根都在单位圆以内，或其相反的特征方程 |I-LA|=0的全部根都在单位圆以外。
VAR模型应用的顺序:在使用VAR模型的过程中，遵循这样的步骤:1、对解释变量的回归参数做相关的检验统计量。
2、分解解释变量的方差，方差分解的目的是找出每一个解释变量的方差中，其他解释变量所占解释比例。
3做脉冲响应函数，脉冲响应函数解释了变量是如何对各种冲击做出反映的。
为了构建方差分解和脉冲响应函数，理论上，解释变量应该按照对被解释变量的重要性来排列。
文中采用了双变量滞后k期的VAR模型,来研究FDI和经济增长各个效应之间的动态关系,形式如下:方程变量的解释:是2×1阶列向量;表示d×1阶确定项向量(d表示确定性变量个数);用来描述常数项Ц;时间趋势项t;季节虚拟变量(如果需要和其他一些有必要设置的虚拟变量;, …均为2×2阶参数矩阵;Ф是确定性变量;的2×d阶系数矩阵;[ ]是2×1阶随机误差列向量;在模型中，每一个元素都是非自相关的,但是不同的方程对应的随机变量之间可能存在相关性。
风险管理中的VaR方法VaR（Value at Risk）是一种常用的金融风险管理方法，能够对投资组合中的每个资产及整个组合的风险程度进行全面且精准的测量。
VaR方法旨在确定对于一定置信水平下的投资组合损失额度上限，以帮助投资者合理配置资金，减少投资风险。
一、VaR方法的定义和计算VaR是指以一定的置信水平（例如95%、99%等）为概率级别，在特定的时间周期内，所能承受的最大不利市场风险。
VaR方法的核心是通过对历史资产收益率数据的分析，来确定未来几天或几周内的可能最大损失额度上限。
VaR方法还可以在不同的置信水平下计算投资组合的风险程度，例如50%或90%等。
VaR方法的计算通常采用历史模拟法、蒙特卡罗模拟法和基于分布函数的方法等。
历史模拟法是通过对历史数据进行统计分析，得出每个资产的收益率分布，并利用这些数据模拟未来的市场风险，从而计算投资组合的VaR。
蒙特卡罗模拟法则是通过对各种因素进行随机抽样，模拟未来市场的走势，并计算投资组合的VaR。
基于分布函数的方法是利用一定形式的概率分布函数，来计算投资组合的VaR。
二、VaR方法的优缺点VaR方法具有下列优点：1. 通过计算不同置信水平下的VaR，可以灵活地控制投资组合的风险程度；2. VaR方法可以帮助投资者理解市场风险的本质，并预测未来损失的可能规模和概率；3. VaR方法可以提供决策层所需要的信息，帮助他们进行风险把握和资产配置。
VaR方法也存在以下缺点：1. VaR无法考虑极端事件的发生概率和损失程度，因此可能出现无法预测的风险；2. VaR方法的计算过程需要使用大量的历史数据和复杂的模型计算，因此可能存在计算误差和模型风险；3. VaR无法估计与市场事件无关但对投资组合损失的潜在风险，例如盈余管理、财务舞弊等。
三、VaR方法的应用VaR方法广泛应用于金融市场、投资银行、基金管理和风险管理等领域。
在基金管理中，VaR方法可用于测量基金的风险和确定合理的资产配置。
金融风险管理中VaR模型的应用摘要：随着全球金融化趋势日渐明显，全球经济发展速度不断加快，金融市场的不确定性大幅度提高，高效管理金融风险迫在眉睫。
与此同时，VaR模型优势特征明显，已被频繁应用到金融领域，成为新经济形势下金融风险测量的关键性模型。
因此，本文在分析VaR模型的基础上从不同角度入手客观探讨了其在金融风险管理过程中的应用，将金融风险最小化的同时最大化提升经济效益。
关键词：VaR模型；金融风险管理；应用我国金融领域高速发展的同时金融风险也日趋严重，金融风险具有其客观性，在金融大环境下，高效管控金融风险是金融机构与企业运营发展中面临的重要任务，也是社会大众关注的重要方面。
在多方面因素影响下，VaR模型应运而生的同时有效发展，在度量金融风险等方面有着重要作用，要全面、深入剖析金融风险管理具体情况，通过多样化路径科学运用VaR模型，最大化发挥优势作用，优化投资策略制定、资金配置等环节，从源头上降低金融风险发生系数，在实现经济效益目标中增强市场核心竞争力。
1VaR模型VaR模型就是在资产组合既定条件下，在未来一定时间内，任一金融工具、金融品种的市场价格波动之后潜在的最大损失，是当下比较流行的风险量化技术，通常情况下，中文译为在险价值、风险价值。
VaR模型是数学、经济学两大领域有机融合下的产物，也是JP摩根公司用来准确计量市场风险的产物，也就是说，VaR模型最初只是应用在市场风险度量方面，随着其持续发展，已被广泛应用到金融风险管理的多个方面。
在新形势下，经济学领域中数学学科的应用日趋日渐深入以及扩大，VaR模型可以说是数学在经济领域成功应用的客观折射。
与此同时，VaR模型和传统风险度量模式有着根本上区别，是一种以统计分析为基础的风险量化技术，优势特征鲜明，能够有效弥补传统风险度量模式实际应用中呈现的缺陷。
在VaR模型产生以及作用下，人们的投资、经营、管理等观念发生了质的变化，常将VaR模型应用到开展的投资活动中，准确度量投资对象风险，在深化把握风险大小、自身风险承受能力等基础上制定可行性较高的投资方案、投资策略，确保投资更加科学、有效，防止因盲目投资造成严重的经济损失。
应用VAR模型的15个注意点金融计量知识：应用VAR模型时的15个注意点(笔记)向量自回归（VAR,Vector Auto regression）常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响。
VAR方法通过把系统中每一个内生变量,作为系统中所有内生变量的滞后值的函数来构造模型，从而回避了结构化模型的要求。
Engle和Granger （1987a）指出两个或多个非平稳时间序列的线性组合可能是平稳的。
假如这样一种平稳的或的线性组合存在，这些非平稳（有单位根）时间序列之间被认为是具有协整关系的。
这种平稳的线性组合被称为协整方程且可被解释为变量之间的长期均衡关系。
VAR模型对于相互联系的时间序列变量系统是有效的预测模型，同时，向量自回归模型也被频繁地用于分析不同类型的随机误差项对系统变量的动态影响。
如果变量之间不仅存在滞后影响，而不存在同期影响关系，则适合建立VAR模型，因为VAR模型实际上是把当期关系隐含到了随机扰动项之中。
注意点：1、单位根检验是序列的平稳性检验，如果不检验序列的平稳性直接OLS容易导致伪回归。
2、当检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验，但要做格兰杰检验的前提是数据必须是平稳的，否则不能做。
3、当检验的数据是非平稳（即存在单位根），并且各个序列是同阶单整（协整检验的前提），想进一步确定变量之间是否存在协整关系，可以进行协整检验，协整检验主要有EG两步法和JJ检验A、EG两步法是基于回归残差的检验，可以通过建立OLS模型检验其残差平稳性B、JJ检验是基于回归系数的检验，前提是建立VAR模型（即模型符合ADL模式）4、当变量之间存在协整关系时，可以建立ECM进一步考察短期关系，Eviews这里还提供了一个Wald－Granger检验，但此时的格兰杰已经不是因果关系检验，而是变量外生性检验，请注意识别。
5、格兰杰检验只能用于平稳序列！这是格兰杰检验的前提，而其因果关系并非我们通常理解的因与果的关系，而是说x的前期变化能有效地解释y的变化，所以称其为“格兰杰原因”。
全面风险管理VaR计算方法知识点梳理：VaR的含义——⼀个特定时期内，⼀定置信区间下的最⼤损失。
例如，某⼀天某交易在95%置信⽔平下，最⼤损失40万美元。
这里的40万就是该交易在当天的VaR。
VaR的计算⽅法1．历史模拟法历史模拟法——根据历史数据直接预测将来可能发⽣的情形。
这种⽅法的出发点是，将历史记录看作未来情况的路径之⼀，通过对不同路径的比较，得出所需结果。
第⼀，将最后⼀个数据当作是当前值，⽽将这500天的数据看做是未来1天的500种可能路径，依次求出每天的变化率与当前值的乘积，作为未来⼀天变化的可能值第⼆，根据表中计算得到的数据，求出组合的价值。
如果所求的VaR是99%置信度下，损失不超过某数值。
则可以将最坏的五种情形列出，VaR就是第五个值。
如果是N天的持续期，则在此基础上乘以T1、Excele历史模拟法单资产步骤: 选定当日资产价格，按照公式一次计算依次求出每天的变化率与当前值的乘积，（结果见J列）。
结果VaR（1,95%）值是选取的模拟结果按照从小到大排序第25个值，用的公式为：small(选中J列，25)2、Excele历史模拟法双资产步骤：假定A、B两资产投资额分别为5000和2000. 选定A、B 的当前资产价格，资产模拟结果（I列）公式为：依次为5000*A历史资产价格/11022.06+2000*B 历史资产价格/5179 ；再用small 公式（选中I列，25）补充：老师又计算资产组合的变化率，用公式：（模拟结果值-7000）/7000；VaR（1,95%）：再用small 公式选出我们预估的变化率。
再用公式7000*（1+变化率）。
2．蒙特卡洛模拟法蒙特卡洛模拟法——假设资产价格的变动服从某种随机过程，利用计算机模拟，在目标时间范围内产⽣随机价格的路径，并⼀次构建资产报酬分布，进⽽推算VaR。
映射与投资组合的VaR3. Excele蒙特卡洛单资产步骤:原理是运用公式：St=St-1+ St-1*(μΔt+δ*ε)补充说明：老师的excel结果是按照课件案例做法做的部分步骤。
线性回归模型的使用技巧和注意事项线性回归模型是一种常用的统计分析方法，用于研究自变量与因变量之间的关系。
在实际应用中，我们需要注意一些技巧和注意事项，以确保模型的准确性和可靠性。
一、数据预处理在应用线性回归模型之前，我们首先需要对数据进行预处理。
这包括数据清洗、缺失值处理和异常值处理等。
数据清洗是为了去除无效数据，确保数据的质量。
缺失值处理是为了填补缺失数据，常用的方法有均值填补、中位数填补和插值法等。
异常值处理是为了排除异常数据对模型结果的影响，可以使用箱线图和散点图等方法来检测和处理异常值。
二、特征选择在构建线性回归模型时，我们需要选择合适的自变量。
特征选择是为了筛选出对因变量影响显著的自变量。
常用的特征选择方法有相关系数法、方差分析法和逐步回归法等。
相关系数法可以用来衡量自变量与因变量之间的线性关系强度，方差分析法可以用来比较不同自变量对因变量的影响程度，逐步回归法可以通过逐步添加和删除自变量来选择最佳模型。
三、模型评估在构建线性回归模型后，我们需要对模型进行评估。
常用的模型评估指标有均方误差（MSE）、决定系数（R-squared）和残差分析等。
均方误差可以用来衡量模型的预测误差大小，决定系数可以用来衡量模型对因变量变异的解释程度，残差分析可以用来检验模型的假设是否成立。
通过模型评估，我们可以判断模型的拟合效果和预测能力。
四、模型改进在实际应用中，线性回归模型可能存在一些问题，如多重共线性、异方差性和自相关等。
多重共线性是指自变量之间存在高度相关性，会导致模型参数估计不准确。
异方差性是指模型的误差项方差不恒定，会影响模型的预测精度。
自相关是指模型的误差项之间存在相关性，会导致模型的参数估计不准确。
针对这些问题，我们可以采取一些改进方法，如主成分回归、加权最小二乘法和时间序列分析等。
五、模型应用线性回归模型在实际应用中具有广泛的应用价值。
它可以用于预测和分析各种现象和问题，如经济增长、市场需求和人口变化等。
金融风险管理中的var模型及其应用金融风险管理是金融机构在业务运作中面临的一种重要挑战。
为了有效地管理金融风险，金融机构需要采用适当的风险测量模型和工具来评估和控制风险水平。
其中，Value at Risk (VaR) 模型是金融风险管理中最为常用的模型之一。
VaR模型是一种用来衡量金融投资组合或金融机构面临的风险程度的方法。
它可以用来估计在给定置信水平下，投资组合或资产在未来一段时间内可能出现的最大损失额。
VaR模型的核心思想是通过对历史数据的分析，计算出在未来一定时间内资产或投资组合的价值变动的可能范围，从而提供投资者或金融机构制定风险管理策略的依据。
VaR模型的应用十分广泛。
首先，在投资组合管理中，VaR模型可以帮助投资者评估不同投资组合的风险水平，并选择合适的投资策略。
通过计算不同投资组合的VaR值，投资者可以比较不同投资组合的风险敞口，并选择相对较低风险的投资组合来降低整体风险。
在金融机构的风险管理中，VaR模型可以用来评估机构面临的市场风险、信用风险和操作风险等。
金融机构可以通过计算VaR值来确定自身的风险敞口，并采取相应的风险管理措施。
例如，当VaR值超过机构预先设定的风险限制时，机构可以采取风险对冲、减仓或停止某些高风险业务等措施来控制风险。
VaR模型还可以用于金融监管。
监管机构可以要求金融机构报告其投资组合的VaR值，以评估机构的风险水平，并采取相应的监管措施。
同时，VaR模型也可以用于制定宏观风险管理政策，帮助监管机构评估整个金融系统的风险敞口，及时发现和应对系统性风险。
然而，VaR模型也存在一些局限性。
首先，VaR模型基于历史数据，对未来的不确定性无法完全捕捉。
其次，VaR模型假设资产收益率的分布是对称的，忽视了极端事件的可能性。
最后，VaR模型无法提供损失的概率分布，只能给出在一定置信水平下的最大损失额。
为了克服VaR模型的局限性，研究者们提出了许多改进和扩展的模型。
例如，Conditional VaR (CVaR) 模型可以提供在VaR水平以上的损失分布信息，对极端风险有更好的衡量能力。
系统性风险管理中的VaR模型分析一、前言在金融行业，风险管理一直是一项非常重要的工作。
为了更好地管理风险，一些模型被开发出来，VaR模型是其中之一。
在本文中，我们将深入研究VaR模型，并分析其在系统性风险管理中的应用。
二、VaR模型的概念VaR模型是风险管理领域中一种广泛使用的测量金融资产风险的方法。
VaR代表“风险价值”，是指在一定的时间内，某一特定的金融资产或投资组合在给定的置信水平下可能经历的最大亏损额度。
依据VaR模型，金融机构可以计算出一个金融产品的最大亏损额和极端亏损概率，从而评估该金融产品的风险。
VaR模型的一般思路是：建立一个历史模型来评估某一资产或投资组合的风险。
这种模型需要以下数据：资产价值，历史价格波动率和置信水平。
三、VaR模型的类型VaR模型有三种类型：历史模拟方法，参数模型方法和混合方法。
1.历史模拟方法历史模拟方法是VaR模型中最简单的一种，同时也是最易于理解的。
该方法使用历史数据来模拟金融产品在未来的变化情况，因此仅适合于稳定的市场。
如果市场非常崩溃，历史模拟方法就会失效。
2.参数模型方法参数模型方法是使用模型来计算金融产品未来的波动率和标准差。
这种方法基于假设，例如收益率服从正态分布或t分布等等。
由于使用参数化模型的方法，因此它往往需要更多的数据，并且需要广泛的金融知识和量化技能。
3.混合方法混合方法是基于历史和参数模型的方法，是VaR模型中比较广泛使用的一种方法。
混合方法结合了历史模拟方法和参数模型方法。
它使用历史收益率来计算金融产品的波动率，并通过模型来计算未来波动率。
四、VaR模型在系统性风险中的应用系统性风险是市场范围内的风险，由于这种风险造成的影响，市场中的许多不同的资产都会体现出相似的收益和亏损。
VaR模型可以帮助金融机构管理系统性风险。
以混合方法为例，金融机构可以使用历史收益率来计算系统性风险，并使用模型来计算未来波动率。
这样做可以帮助金融机构更好地理解系统性风险的潜在影响，并在必要时采取行动。
VAR模型应用案例解析
摘要
VAR模型，即向量自回测模型，是一种时间序列技术，它可以用来证明一些财务和非财务变量之间的关联，从而让研究者更了解潜在的经济变量如何影响市场上的另一个变量。
本文将对VAR模型在实际经济和财务应用中的应用情况进行分析和讨论。
首先，将介绍VAR模型的概念和构成，然后分析它与传统经济学和金融学研究中的应用情况，最后介绍具体的案例（欧元区和美国）。
关键词：VAR模型，实际应用，时间序列技术，传统经济学和金融学一、VAR模型简介
VAR模型最早由Christopher Sims提出，他是1981年诺贝尔经济学奖得主，它在计量经济学中的发展非常迅速，并成为经济学家们最常用的时间序列分析方法之一、VAR模型的核心就是建模变量之间的动态关系，而这些变量可以是财务变量（如股价、收益率和利率），也可以是非财务变量（如汇率、消费者物价指数等）。
var模型构建思路在计算机科学领域中，模型是解决问题的重要工具。
其中，var模型是一种常用的模型构建方法，用于描述和解释现实世界中的问题。
本文将介绍var模型的构建思路，以及如何利用该模型解决实际问题。
一、var模型简介var模型是向量自回归模型（Vector Autoregressive Model）的缩写，它是一种多变量时间序列模型。
在这个模型中，每个变量都可以被其它变量的过去值解释。
通过观察和分析多个变量之间的关系，可以推断出它们之间的因果关系，进而预测未来的值。
二、var模型的构建思路要构建var模型，首先需要明确模型的输入变量和输出变量。
输入变量是影响输出变量的因素，输出变量是我们希望预测的变量。
其次，需要收集足够的时间序列数据，以便分析变量之间的关系。
接下来，可以利用统计软件或编程语言，如Python或R，进行模型的构建和分析。
在构建var模型时，需要考虑以下几个步骤：1. 确定变量的数量和类型：根据问题的需求，确定需要包含的变量数量和类型。
可以是经济学中的宏观变量，也可以是其他领域中的相关指标。
2. 收集时间序列数据：收集包含所需变量的时间序列数据，通常需要多个时间点的观测值。
3. 数据预处理：对收集到的数据进行预处理，包括数据清洗、缺失值处理、平稳性检验等。
确保数据的准确性和可靠性。
4. 确定滞后阶数：滞后阶数是指在模型中考虑的时间间隔，即过去几个时间点的值对当前值的影响。
可以通过观察自相关图和偏自相关图，选择合适的滞后阶数。
5. 估计var模型参数：利用最小二乘法或最大似然估计等方法，估计var模型的参数。
这些参数描述了变量之间的关系和影响程度。
6. 模型诊断：对构建的模型进行诊断，包括检验模型的拟合优度、残差序列的自相关性和正态性等。
如果模型存在问题，可以进行修正或调整。
7. 模型应用：根据构建的var模型，可以进行预测和决策分析。
通过输入变量的变化，预测未来输出变量的值，帮助决策者做出合理的决策。
应用VAR模型时的15个注意点向量自回归（VAR,Vector Auto regression）常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响。
VAR方法通过把系统中每一个内生变量,作为系统中所有内生变量的滞后值的函数来构造模型,从而回避了结构化模型的要求。
Engle和Granger（1987）指出两个或多个非平稳时间序列的线性组合可能是平稳的。
假如这样一种平稳的或的线性组合存在，这些非平稳（有单位根）时间序列之间被认为是具有协整关系的。
这种平稳的线性组合被称为协整方程且可被解释为变量之间的长期均衡关系。
VAR 模型对于相互联系的时间序列变量系统是有效的预测模型,同时，向量自回归模型也被频繁地用于分析不同类型的随机误差项对系统变量的动态影响。
如果变量之间不仅存在滞后影响,而不存在同期影响关系，则适合建立VAR 模型,因为VAR模型实际上是把当期关系隐含到了随机扰动项之中。
注意点：1、单位根检验是序列的平稳性检验，如果不检验序列的平稳性直接OLS容易导致伪回归。
2、当检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验,但要做格兰杰检验的前提是数据必须是平稳的，否则不能做。
3、当检验的数据是非平稳（即存在单位根），并且各个序列是同阶单整（协整检验的前提）想进一步确定变量之间是否存在协整关系,可以进行协整检验,协整检验主要有EG两步法和JJ检验 :①、EG两步法是基于回归残差的检验可以通过建立OLS模型检验其残差平稳性；②、检验是基于回归系数的检验，JJ 检验前提是建立VAR模型（即模型符合ADL模式）4、当变量之间存在协整关系时，可以建立 ECM 进一步考察短期关系，Eviews 这里还提供了一个Wald－Granger检验，但此时的格兰杰已经不是因果关系检验，而是变量外生性检验请注意识别。
5、格兰杰检验只能用于平稳序列，这是格兰杰检验的前提，而其因果关系并非我们通常理解的因与果的关系，而是说x的前期变化能有效地解释y的变化，所以称其为“格兰杰原因”。
6、非平稳序列很可能出现伪回归，协整的意义就是检验它们的回归方程所描述的因果关系是否是伪回归，即检验变量之间是否存在稳定的关系。
所以，非平稳序列的因果关系检验就是协整检验。
7、平稳性检验有3个作用：1）检验平稳性，若平稳，做格兰杰检验，非平稳则作协正检验。
2）协整检验中要用到每个序列的单整阶数。
3）判断时间学列的数据生成过程。
ADF 检验：1、view--unit root test,出现对话框，默认的选项为变量的原阶序列检验平稳性，确认后，若ADF 检验的P值小于 0.5,拒绝原假设,说明序列是平稳的，若P值大于0.5，接受原假设，说明序列是非平稳的；2、重复刚才的步骤，view--unit root test,出现对话框，选择1st difference,即对变量的一阶差分序列做平稳性检验，和第一步中的检验标准相同，若P值小于 0.5，说明是一阶平稳，若P值大于 0.5，则继续进行二阶差分序列的平稳性检验。
先做单位根检验,看变量序列是否平稳序列，若平稳,可构造回归模型等经典计量经济学模型；若非平稳，进行差分，当进行到第i次差分时序列平稳，则服从i 阶单整（注意趋势、截距不同情况选择，根据P值和原假设判定）。
若所有检验序列均服从同阶单整,可构造VAR模型，做协整检验（注意滞后期的选择），判断模型内部变量间是否存在协整关系，即是否存在长期均衡关系。
如果有，则可以构造 VEC 模型或者进行 Granger 因果检验，检验变量之间“谁引起谁变化”，即因果关系:第一，格兰杰因果检验是检验统计上的时间先后顺序，并不表示而这真正存在因果关系,是否呈因果关系需要根据理论、经验和模型来判定；第二，格兰杰因果检验的变量应是平稳的，如果单位根检验发现两个变量是不稳定的，那么，不能直接进行格兰杰因果检验，所以，很多人对不平稳的变量进行格兰杰因果检验，这是错误的；第三，协整结果仅表示变量间存在长期均衡关系，那么，到底是先做格兰杰还是先做协整呢？因为变量不平稳才需要协整，所以,首先因对变量进行差分,平稳后,可以用差分项进行格兰杰因果检验，来判定变量变化的先后时序，之后进行协整，看变量是否存在长期均衡；第四，长期均衡并不意味着分析的结束，还应考虑短期波动，要做误差修正检验。
8、单位根检验是检验数据的平稳性，或是说单整阶数。
9、协整是说两个或多个变量之间具有长期的稳定关系。
但变量间协整的必要条件是它们之间是同阶单整，也就是说在进行协整检验之前必须进行单位跟检验。
10、协整说的是变量之间存在长期的稳定关系，这只是从数量上得到的结论，但不能确定谁是因谁是果，而因果关系检验解决的就是这个问题。
单位根检验是检验时间序列是否平稳，协整是在时间序列平稳性的基础上做长期趋势的分析，而格兰杰检验一般是在建立误差修正模型后所建立的短期的因果关系。
故顺序自然是先做单位根检验，再过协整检验，最后是格兰杰因果检验。
单位根检验是对时间序列平稳性的检验，只有平稳的时间序列，才能进行计量分析，否则会出现伪回归现象；协整是考察两个或者多个变量之间的长期平稳关系，考察两者的协整检验通常采用恩格尔-格兰杰检验，两者以上则用 Johansen检验；格兰杰因果检验是考察变量之间的因果关系,协整说明长期稳定关系不一定是因果关系，所以需要在通过格兰杰因果检验确定两者的因果关系。
顺序一般是单位根检验，通过后如果同阶单整，再进行协整，然后在进行因果检验。
要特别注意的是只有同阶单整才能进行协整。
11、VAR建模时lag intervals for endogenous要填滞后期，但是此时你并不能判断哪个滞后时最优的，因此要试，选择不同的滞后期，至AIC或SC最小时，所对应着的滞后为最优滞后，此时做出来的VAR模型才较为可靠。
12、做协整检验前作VAR的原因是，协整检验是对滞后期和检验形式非常敏感的检验，首先需要确定最优滞后。
由于VAR是无约束的，而协整是有约束的，因此协整检验的最优滞后一般为VAR的最优滞后减去1，确定了最优滞后，再去诊断检验形式，最终才能做协整。
13、当确定了协整的个数后，往下看，有个标准化的结果，这个结果就是协整方程，由于在结果中各变量均在方程一侧，因此如果系数为正，则说明是负向关系，反之亦然。
14、协整表示变量间的长期均衡关系，貌似与你的OLS不矛盾。
（1）、如检验不协整，说明没长期稳定关系，可以做VAR模型，但是模型建立后要做稳定性分析：做AR根的图表分析，如所有单位根小于1，说明VAR 模型满足脉冲分析及方差分解所需条件之一：模型的因果关系检验，不过注意在做因果检验前要先确定滞后长度。
只有满足因果关系，加上满足条件一：稳定性，则可进行脉冲及方差分解；如不满足因果关系，则所有不满足因果关系的变量将视为外生变量，至此要重新构建VAR模型，新的VAR模型将要引入外生变量的VAR模型（2）、VAR与 VEC关系是：VEC是有协整约束（即有长期稳定关系）的VAR模型，多用于具有协整关系的非平稳时间序列建模。
15、简单说 VAR 模型建立时，第一步：不问序列如何均可建立初步的VAR 模型（建立过程中数据可能前平稳序列，也可能是部分平稳，还可能是没协整关系的同阶不平稳序列，也可能是不同阶的不平稳序列，滞后阶数任意指定。
所有序列一般视为内生向量)，第二步：在建立的初步VAR 后进行①滞后阶数检验，以确定最终模型的滞后阶数②在滞后阶数确定后进行因果关系检验，以确定哪些序列为外生变量至此重新构建VAR模型（此时滞后阶数已定，内外生变量已定），再进行AR根图表分析，如单位根均小于1，VAR构建完成，可进行脉冲及方差分解；如单位根有大于1的，考虑对原始序进行降阶处理（一阶单整序列处理方法：差分或取对数，二阶单整序列处理方法：理论上可以差分与取对数同时进行，但由于序列失去了经济含义，应放弃此处理，可考虑序列的趋势分解，如趋势分解后仍然不能满足要求，可以罢工，不建立任何模型，休息或是打砸了电脑），处理过后对新的序列（包括最初的哪些平稳序列）不断重复第一步与第二步，直至满足稳定性为止；第三步:建立最终的 VAR 后,可考虑SVAR模型。
如果变量不仅存在滞后影响，还存在同期影响关系，则建立VAR 模型不太合适，这种情况下需要进行结构分析。
1、首先，如果变量都是平稳的，如增长率、cpi、实际汇率等少数变量则直接可以用VAR模型、格兰杰因果关系检验、脉冲响应、方差分解等；2、70年代以前的建模都是以“序列平稳”为隐含假设的，70 年代 GRANGER 提出“伪回归”问题，从此建模进入了“非平稳”与“协整”的时代，因此，现在对时间序列建模时不进行平稳性和非平稳序列协整性检验是不严格的；而且，如果序列非平稳或非协整，则建模的关键性检验—残差白噪声检验可能是不能通过的。
（有的文章不进行平稳性和协整性检验有三种情况：一是按传统方法建模；二是突出文章的经济学意义而简化方法；三是建模成功与否靠残差检验一锤定音），也就是说VAR模型（含因果关系检验模型前提是平稳或协整）；3、早期的 VAR 是没有考虑平稳的问题，但是现在做VAR的步骤一般是这样的：第一步：单位根检验，UNIT ROOT TEST对全部的变量进行单位根检验，早期单位根检验：单位根检验用ARMA图看也可以，如果都平稳不用做协整检验和模型平稳性检验，则回到1；第二步：协整检验，在两个变量的情况下，用Engle-Granger method 和 Johansen协整检验或者Stock and Watson方法，但是在多个变量的情况下最好不要用Engle-Granger的方法，用Johansen方法，[回归出来的矩阵的rank,如果满秩，则所有的变量都为稳定的序列，直接使用VAR，如果是0秩，则所有的序列都进行一阶差分之后VAR（前提应该是全部的序列都是 I（1），如果处于这两者的中间，那么就用error correction model]；第三步：滞后期确定，（操作见 EVIEWS6.0中var模型下view-lag structure 最后一列，多种准则比较选多数准则认同的最优滞后期，保证所有的残差都不存在自相关性，即white noise，然后进行格兰杰因果关系检验、脉冲响应、方差分解……）；第四步：建立VAR模型：（因果关系检验），（操作见EVIEWS6.0中var模型下view-lag structure第一列），平稳性检验通过（单位根r<1)，表明模型平稳，即脉冲响应（冲击）是收敛的（如果冲击是发散的，不符合实际经济系统，再分析则毫无经济意义），可做脉冲脉冲响应、方差分解等；如果没通过平稳性检验，则不能直接做脉冲响应和方差分解，可以以差分变量做VAR模型，再说脉冲响应和方差分解,也就是说只有平稳的VAR模型（非指序列平稳而是模型平稳，模型单位根小于1在单位圆内）才可以做脉冲响应、方差分解，VAR模型模型不平稳使用差分变量后建 VAR 模型。
