金融计量-VAR模型的概念和构造.doc

《金融计量-VAR模型的概念和构造.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、实验报告六VAR模型的概念和构造一、实验目的理解VAR模型的概念，掌握VAR模型的形式和特点，掌握VAR模型的识别、估计、检验和预测，了解似然比检验法，掌握脉冲响应的作用和应用，掌握使用Eviews软件进行相关的检验。二、实验步骤1.数据选取与处理本实验以1995年第1季度到2015年第3季度的国民生产总值GDP、进口额IM和出口额EX作为研究对象。从财经网站下载得到以上数据，得到GDP、IM、EX的季度时间序列。将处理过的数据导入Eviews软件。在Eviews软件中对导入的数据作处理，为了保证数据的平稳性，对这三组数据都取增长率。在命令框

2、中分别输入“genrGDPDL=DLOG(GDP)”、“genrIMDL=DLOG(IM)”、“genrEXDL=DLOG(EX)”，得到GDP、IM、EX的增长率GDPDL、IMDL和EXDL。2.建立VAR模型利用Eviews软件对GDPDL、IMDL和EXDL建立VAR模型，由于选取的是季度数据，滞后长度选择从1到5，得到的不同滞后值下的AIC值和SC值如Error!Referencesourcenotfound.所示。表1不同滞后值下的AIC值和SC值滞后值12345AIC值-6.-7.-9.-11.35442-11.39700SC值

3、-5.-7.-8.-10.17606-9.由上表可以看出，随着滞后值不断增大，AIC值不断减小；SC值在滞后值为4时出现最小值，而且此时的AIC值下降速度突然变小，所以选择滞后项为4，得到的模型估计结果如Error!Referencesourcenotfound.所示。 VectorAutoregressionEstimates Date:04/09/16Time:15:26 Sample(adjusted):1996Q22015Q3 Includedobservations:78afteradjustments Standarderrors

4、in()&t-statisticsin[]GDPDLEXDLIMDLGDPDL(-1)-0.-0. 0. (0.05191) (0.26850) (0.24811)[-0.32630][-1.24671][0.87699]GDPDL(-2)-0. 0.-0. (0.05154) (0.26659) (0.24634)[-0.82091][0.80131][-0.00733]GDPDL(-3)-0. 0.-0. (0.04490) (0.23223) (0.21459)[-2.44992][1.96953][-0.62898]GDPDL(-4)

5、 0.-0.-0. (0.04444) (0.22985) (0.21239)[16.9959][-3.08868][-3.24319]EXDL(-1) 0. 0. 1. (0.02398) (0.12404) (0.11462)[7.96779][1.90667][9.34604]EXDL(-2)-0. 0.-0. (0.03873) (0.20030) (0.18509)[-0.57011][0.25144][-0.64036]EXDL(-3) 0.-0. 0. (0.03690) (0.19084) (0.17635)[0.14216]

6、[-1.01677][0.20929]EXDL(-4)-0. 0.-0. (0.01885) (0.09752) (0.09011)[-0.54002][0.17657][-1.61008]IMDL(-1) 0.-0.-0. (0.02376) (0.12287) (0.11354)[0.93468][-0.05935][-1.91804]IMDL(-2) 0.-0.-0. (0.02311) (0.11953) (0.11045)[0.41315][-0.26798][-0.66118]IMDL(-3) 0. 0.-0. (0.02058)

7、 (0.10647) (0.09838)[0.67640][1.45644][-0.37652]IMDL(-4)-0. 0. 0. (0.01808) (0.09350) (0.08640)[-1.37641][0.10797][3.65046]C 0. 0. 0. (0.00433) (0.02240) (0.02070)[1.11994][1.73670][1.01721] R-squared 0. 0. 0. Adj.R-squared 0. 0. 0. Sumsq.resids 0. 0. 0. S.E.equation 0. 0. 

8、0. F-statistic 650.4893 24.39010 26.92652 Loglikelihood 240.4061 112.2270 118.3881