eviews stata计量经济学模型VAR模型VECM模型脉冲响应方差分解。计量经济学里头的VAR模型简直就是时间序列分析的万金油。这玩意儿全称叫向量自回归模型说白了就是几个变量互相解释对方。比如研究GDP和通货膨胀率的关系VAR能同时让这俩变量互为解释变量和被解释变量。Stata里搞个VAR模型代码其实挺简单var gdp inflation, lags(1/2) varstable varlmar第一行代码指定了用GDP和通货膨胀率建立VAR模型滞后阶数选1到2阶。后面varstable检查模型稳定性如果特征根都在单位圆内就稳了。varlmar做自相关检验残差要是白噪声才算合格。但这里有个坑选滞后阶数不能纯看软件默认得用varsoc先做信息准则比较不然可能过拟合。不过VAR有个致命问题——要求时间序列是平稳的。要是遇到非平稳数据VECM向量误差修正模型就该出场了。比如两组存在协整关系的GDP数据用EViews做VECM分三步走先做协整检验group gdp_group gdp1 gdp2 gdp_group.coint(none, lag2) # 无趋势项的协整检验确定协整秩看迹统计量建立VECM模型vector_ecm.ls(cverr) d(gdp1) d(gdp2) gdp1(-1) gdp2(-1)这里cverr参数特别关键它控制了误差修正项的调整速度。有个冷知识VECM结果里误差修正项的系数要是正数可能暗示模型设定有问题正常情况应该是负数才对。eviews stata计量经济学模型VAR模型VECM模型脉冲响应方差分解。说到实际应用脉冲响应函数才是重头戏。比如央行加息对股市的影响用Stata画脉冲响应图irf create var1, set(results) step(12) irf graph irf, impulse(interest_rate) response(stock_index)但要注意正交化脉冲响应对变量顺序敏感把利率放前面和股票放前面结果可能完全相反。这时候就得用理论指导排序——通常外生性强的变量放前面。方差分解更是个直观的工具能看出不同冲击的重要性占比。EViews里操作完VAR后直接点View/Variance Decomposition就行但要注意随着时间推移分解结果会趋于稳定。曾经有个案例原油价格波动中30%来自自身冲击60%来自美元指数冲击这个结构三个月后就基本固定了。其实这些模型最怕样本量不足。有个经验法则VAR模型最少需要样本量是变量数的10倍。之前见过用20个变量建模却只有100期数据的结果脉冲响应曲线抖得像心电图这模型基本就废了。时间序列分析嘛有时候耐心等数据比急着跑模型更重要。