VAR（向量自回归）模型的stata操作

毕设发现好多姐妹都在用VAR模型，可能这是金融孩纸们必备的模型吧。毕竟过于复杂的市场总是有乱七八糟的关系。so，整一个小栗子说明一下VAR模型和它的stata命令！希望大家和正在为VAR头秃的室友都能顺利毕业！

为啥要用VAR模型

很多经济指标之间的关系纷繁复杂，可能相互之间存在多种联动关系；最重要的是，经济变量很可能会受到自身的影响，例如:上一期的汇率可能对当期的汇率产生影响;通货膨胀具有一定的惯性效应，当期的通胀可能由前几期的通胀引发。
而VAR模型就能很好地发现各个变量之间、与变量自身（滞后n期）的联动关系。

分析的基本思路及工具

如果只有两个指标，同样可以进行自回归的分析。基础的数据处理不多说，就从平稳性检验和协整开始（Eviews、stata都可处理）；处理过后判定滞后阶数，根据检验结果建立对应阶数的VAR模型；对模型进行稳定性检验（系统稳定性、联合显著性、残差自相关）；模型稳定则可进行进一步分析；例如进行格兰杰因果检验、脉冲响应和方差分析都是老套路了。（这一块推荐用stata处理，MATLAB也可进行脉冲分析）

一个小栗子

为了简洁表述，这里选取只含两个指标的例子，分别为SC（上期原油期货价）、DS（大庆原油现货价），分析二者的联动关系。
直接上命令！

tsset day #时间序列
xtset code year #面板数据，用面板注意数据预处理
varsoc sc ds,maxlag(5) #滞后阶数判定，阶数自选，看是否合适
var sc ds,lags(1，2，3...，n) #建立VAR模型
varwle//联合显著性
varlmar//残差检验
varstable,graph
vargranger//格兰杰因果检验
irf create iuf,set(macrovar) step(20)
#这个地方可能报错，iuf文件可能重复，替换一下就行
#irf create iuf,replace set(macrovar) step(20)
irf graph oirf,yline(0)//正交脉冲响应
#这里脉冲的是全部，最好单独脉冲，分析起来方便一点
irf graph oirf,yline(0) i(sc) r(ds)//单独脉冲
irf table fevd,r(sc) noci//方差分解
#这里方差分解的response是sc，impluse是ds
ivregress gmm sc ds//GMM估计
#有看到大佬还对模型进行了GMM矩估计，也是稳健性检验的一种吧，如果结果好的话就稳健！结果不好还是不要检验了8！（危险发言！）
logout,save(a) word replace:命令
#stata支持数据导出，我只能导Word...想导Excel来着,但是一直打开的是visio studio...就很无语

协整和平稳性检验这里就不提了，平稳性检验做的很多，大部分都是拿ADF值和各个临界值去比较（绝对值）。一般数据一开始都不平稳！（注意：这不是套路）然后就差分，差分一阶不行就差分二阶，二阶不行就差分三阶，一般二阶就平稳了。差分会使数据量下降，对空缺数据的处理也要注意（跑题了，打住！）。

最后补充几个常见问题：
1）脉冲响应分析之后，指标应当收敛，如果都不收敛，说明模型都不对！如果前面一系列检验还莫名其妙地通过了，那么有理由怀疑你学术zj哈哈哈哈哈。
2）VAR模型一般不会完全放进paper，尤其是滞后阶数很多的，模型太大了。应当在经济意义的基础上，拿出合适的模型去展现。格兰杰也是这样，没有经济意义，统计意义显著也没有意思（这不是你的新发现，肯定是模型错了哈哈哈哈，如果模型真的没错，隔壁顶刊合集了解一下）。
3）多画图多画图，尤其是数据预处理，平稳性检验的时候可以先看看数据集有无明显的趋势或者截距项，这有助于快速找到合适的拟合方式。（普通的reg也是这样，为什么现在大家都不愿意画lowlow的散点图呢？）

后面想到问题会再补充！and祝愿我的室友fgg能顺利毕业，且顺利研究生毕业！

日常碎碎念：听隔壁计科J老师说python的可视化做的挺好，顿时想到菜菜自己的python学习…不如主攻matplotlib和numpy吧…菜炸了菜炸了…晚安晚安…菜也要睡觉的！

嗷对！安利陈强老师的高级计量经济学！脱发必备！计量巅峰！