向量自回归模型

向量自我回归模型（英语：Vector Autoregression model，简称VAR模型）是一种常用的计量经济模型，由计量经济学家和宏观经济学家克里斯托弗·西姆斯（英语：Christopher Sims）提出。它扩充了只能使用一个变量的自我回归模型（简称：AR模型），使容纳大于1个变量，因此经常用在多变量时间序列模型的分析上。

定义

VAR模型描述在同一样本期间内的n个变量（内生变量）可以作为它们过去值的线性函数。

一个VAR(p)模型可以写成为：

$y_{t}=c+A_{1}y_{t-1}+A_{2}y_{t-2}+\cdots +A_{p}y_{t-p}+e_{t},$

其中：c是n × 1常数向量，A_i是n × n矩阵。e_t是n × 1误差向量，满足：

1. $\mathrm {E} (e_{t})=0\,$ —误差项的均值为0
2. $\mathrm {E} (e_{t}e_{t}')=\Omega \,$ —误差项的协方差矩阵为Ω（一个n × 'n半正定矩阵）
3. $\mathrm {E} (e_{t}e_{t-k}')=0\,$ （对于所有不为0的k都满足）—误差项不存在自我相关

例子

一个有两个变量的VAR(1)模型可以表示为：

${\begin{bmatrix}y_{1,t}\\y_{2,t}\end{bmatrix}}={\begin{bmatrix}c_{1}\\c_{2}\end{bmatrix}}+{\begin{bmatrix}A_{1,1}&A_{1,2}\\A_{2,1}&A_{2,2}\end{bmatrix}}{\begin{bmatrix}y_{1,t-1}\\y_{2,t-1}\end{bmatrix}}+{\begin{bmatrix}e_{1,t}\\e_{2,t}\end{bmatrix}},$

或者也可以写为以下的方程组：

$y_{1,t}=c_{1}+A_{1,1}y_{1,t-1}+A_{1,2}y_{2,t-1}+e_{1,t}\,$

$y_{2,t}=c_{2}+A_{2,1}y_{1,t-1}+A_{2,2}y_{2,t-1}+e_{2,t}.\,$

转换AR(p)为VAR(1)

AR(p)模型常常可以被改写为VAR(1)模型。 比如AR(2)模型：

$y_{t}=c+A_{1}y_{t-1}+A_{2}y_{t-2}+e_{t}$

可以转换成一个VAR(1)模型：

${\begin{bmatrix}y_{t}\\y_{t-1}\end{bmatrix}}={\begin{bmatrix}c\\0\end{bmatrix}}+{\begin{bmatrix}A_{1}&A_{2}\\I&0\end{bmatrix}}{\begin{bmatrix}y_{t-1}\\y_{t-2}\end{bmatrix}}+{\begin{bmatrix}e_{t}\\0\end{bmatrix}},$

其中I是单位矩阵。

结构与简化形式

结构向量自我回归

一个结构向量自我回归（Structural VAR）模型可以写成为：

$B_{0}y_{t}=c_{0}+B_{1}y_{t-1}+B_{2}y_{t-2}+\cdots +B_{p}y_{t-p}+\epsilon _{t},$

其中：c₀是n × 1常数向量，B_i是n × n矩阵，ε_t是n × 1误差向量。

一个有两个变量的结构VAR(1)可以表示为：

${\begin{bmatrix}1&B_{0;1,2}\\B_{0;2,1}&1\end{bmatrix}}{\begin{bmatrix}y_{1,t}\\y_{2,t}\end{bmatrix}}={\begin{bmatrix}c_{0;1}\\c_{0;2}\end{bmatrix}}+{\begin{bmatrix}B_{1;1,1}&B_{1;1,2}\\B_{1;2,1}&B_{1;2,2}\end{bmatrix}}{\begin{bmatrix}y_{1,t-1}\\y_{2,t-1}\end{bmatrix}}+{\begin{bmatrix}\epsilon _{1,t}\\\epsilon _{2,t}\end{bmatrix}},$

其中：

$\Sigma =\mathrm {E} (\epsilon _{t}\epsilon _{t}')={\begin{bmatrix}\sigma _{1}&0\\0&\sigma _{2}\end{bmatrix}};$

简化向量自我回归

把结构向量自我回归与B₀的逆矩阵相乘：

$y_{t}=B_{0}^{-1}c_{0}+B_{0}^{-1}B_{1}y_{t-1}+B_{0}^{-1}B_{2}y_{t-2}+\cdots +B_{0}^{-1}B_{p}y_{t-p}+B_{0}^{-1}\epsilon _{t},$

让：

$B_{0}^{-1}c_{0}=c,$ $B_{0}^{-1}B_{i}=A_{i}$ 对于 $i=1,\cdots ,p\,$ 和 $B_{0}^{-1}\epsilon _{t}=e_{t}$

我们得到p-阶简化向量自我回归（Reduced VAR）：

$y_{t}=c+A_{1}y_{t-1}+A_{2}y_{t-2}+\cdots +A_{p}y_{t-p}+e_{t}$

相关条目

• 自我回归模型（AR模型）
• 自我回归滑动平均模型（ARMA模型）
• 差分自我回归滑动平均模型（ARIMA模型）
• 格兰杰因果关系（Granger Causality）