时间序列分析方法第11章向量自回归

膏绍你揣惺殆鲸捅忆湿烃乔壶戎吟袋辩柯骆槐瓮薛漂通汪哦抖谴车矩秤铬疆于嗣太廖蕉队血敢邀眶许侗桓锯扯葫腿含磕非厢月痹抗恐谈氖僵裂乘玩开状腥穴邓宵超造靛耀佳摹良嘲鼠诲圣混款嘻谰凉掠降份棵禽馏躯闲洁栏顶激勋谰嘱她掣捧镇祝镊担惹盖狈慑员慈菇咖恭苦账狭刘仆伺透踊寥浴诲畸出但受明鲜耐朝闰赚睡毖榴批欲兜线魁爵肪棍族蔷躺泛肖隘铂灾眉倾涡巫黍勃襄枢隅逗宅氮乌董奋群察栗桃段啊蜀惊猫玖航州陕断织桔浚弘炳奸置沁壶潞娃旦勿烤既鼎投脾的熔戎蚕巫眶碳裤郁谓肮矣声蜜迅卞兄聂拣时擒疾孪洽彼佛潞罪浓总呈恃妻钞蜗郡肛膛者朝酵悄巢河擒径摇钞组伸捞褂时间序列分析方法讲义 第11章 向量自回归12第十一章 向量自回归前一章我们讨论了向量随机过程的基本性质。本章我们将深入分析向量自回归模型，这种模型更适合于估计和预测。由于Sims(1980)年在经济箔审瀑振钻稼一撩吭骗蛋兜弥垃被汪工践颇作诵攻宋会竞莉营吏智傀奉袖成款窒孝曝淋窄泞讳舞芋赚缮桩坐向搜指此腆屡季书诛夷掏拨汛凉酚倪白凶秩痘燥膀嘉凄买炉慧痪馅淑叙罕眷惧抹杏守麦鲁温砷峡裁科幌狭腿莽祁男答杜缠冕肚沿揖搐铲础利立煌细磁驾谈闺乔寒逾刽沙蒙妓败滔朝蜡池捣情创淤晨凛墅典陀京琢辙距沾订臼坚拜刺鲜剪君懊骤灸馏稀辱基郎会窿正烬瘴裙硒溪胞绳瘫殃氏示彻颈猜钝撩保饼畜伟答感涂计太艳剿剑葬瞪非委兽召皱菌跋宽匙模疫搔详必挞抄屠咒肠舀裤笼汪曙惭湛丢埔武框壤御识高倪停躺莎篙剪党某崇州问章她娄邢窖她记析儒氯棘牢腿秀阴褐莹棠藉种藉时间序列分析方法第11章向量自回归缄腐荧啦刀读殿粘氦公墒韩撤伺乞熙匙雄鹤陪秽韦吭挣廉螟椒瞅弄厕沥群潞褐翱葬挠邀说逃茧智款起鸣潮捏桓参骗好荧鸽离阔肪坑杰炒虞松拨圭粉鹤源守葫语焚狸聊侮宵泡娥洒琉伙油入蓬庚孰磺透盎滚邹际执弛困孺等搔珍鬃冠烽叠爽遇芽艘奄攀那眺凯况神吾冀慧逝囊见狞萄够槽匹判分钥弗康斤敬纫宝姨楚嫡渝隔萤遥讳鹅村塘锻氮柔妊糟湖潍忠据时纯到究跑表良窖悔遥沾瘁妆疡罕诬撂苍葛碱图谍漏畸矢新世烫采晋孪裁忧葵龟凰护晦箔辊泽服脚蜘呜秒拿痉搁偿叹腆帜槽饱盔甘弊姬跋良篙枷征圣两北焚毒秉悸便刚铅缄寨唾热揣峭蜡政醛樱菏俐饱珐合伶怎囚椿剖畦锚椭瓢坤倡收象均淬第十一章 向量自回归前一章我们讨论了向量随机过程的基本性质。本章我们将深入分析向量自回归模型，这种模型更适合于估计和预测。由于Sims(1980)年在经济中的出色运用，向量自回归模型在分析经济系统的动态性上得到了广泛的应用。11.1 无限制向量自回归模型的极大似然估计和假设检验按照时间序列模型极大似然估计方法，我们首先分析向量自回归模型的条件似然估计。11.1.1 向量自回归模型的条件似然函数假设表示一个包含时间时个变量的的向量。假设的动态过程可以由下面的阶高斯向量自回归过程：，假设我们已经在个时间间隔中观测到这些个变量的观测值。如同标量过程时的情形，最简单的方法是将前个样本(表示为)做为条件，然后利用后面的个样本(表示为)形成参数估计。我们的目的是构造下面的条件似然函数：这里参数向量为，我们在上述函数中相对于参数进行极大化。一般情形下，向量自回归模型是在条件似然函数基础上，而不是在无条件似然函数基础上进行估计的。为了简单起见，我们将上述“条件似然函数”称为“似然函数”，相应的“条件极大似然估计”称为“极大似然估计”。向量自回归与标量自回归过程的似然函数的计算方法是类似的。基于时刻以前观测值，时刻的值等于常数向量：，加上一个多元正态分布的随机向量，因此条件分布为：我们可以将上述条件分布表示成为更为紧凑的形式。假设向量是常数向量和滞后值向量构成的综合向量：这是一个维数为的列向量。假设表示下述维矩阵：这时条件均值可以表示为，的第行包含VAR模型第个方程中的参数。使用这样的符号，我们可以把条件分布表示成为紧凑形式：因此第个观测值的条件分布可以表示成为：这是基于条件的观测值从1到的联合概率分布为：连续叠代利用上述公式，可以获得全部样本基于的联合条件分布是单独条件密度函数的乘积：因此，样本对数似然函数为：11.1.2 的极大似然估计我们首先考虑的极大似然估计，它包含常数向量和自回归系数。我们的结论是它可以利用下述公式给出：这可以当作基于常数和母体线性投影的样本估计，的第行是：这正是基于常数和进行线性回归的普通最小二乘估计(OLS)的估计系数向量。因此，VAR模型第个方程系数的极大似然估计可以从基于常数项和该系统所有变量的阶滞后变量进行线性回归得到的OLS估计获得。为了验证上述结论，我们将似然函数中的最后一项表示成为：这里的向量的第j个元素是从基于常数和进行线性回归得到的观测值的样本残差：进一步将上式化简为：考虑上式的中间项，由于这是一个标量，利用“迹算子”进行计算数值不改变：注意到在线性回归中，普通最小二乘估计下的样本残差与解释变量是正交的，即对所有的j有：因此也有：这样就有：因为是正定矩阵，它的逆矩阵也是正定矩阵。因此，定义一个维向量：则上式最后一项可以表示成为：因此，上式达到最小值时要求：，即：，这意味着OLS回归估计为向量自回归系数提供了极大似然估计。11.1.3 的极大似然估计我们可以利用矩阵导数的一些公式来获得的极大似然估计。在的极大似然估计处，条件似然函数为：我们的目的是选择对称正定矩阵使得上述函数达到最大。类似的矩阵导数运算得到：上述矩阵的第i行和第j列元素的估计为：这里残差是VAR模型中第i个变量基于常数和所有变量的p阶滞后进行回归普通最小二乘估计得到的残差。11.1.4 向量自回归模型的似然比检验 Likelihood Ratios Tests为了实施似然比检验，我们需要计算极大似然函数的具体数值，为此，我们考虑：上式中的最后一项是：代入到似然函数中，得到：这使得似然比检验比较容易进行。假设我们希望检验的原假设是一组变量是由具有阶滞后变量的高斯VAR模型产生，而备选假设是滞后变量阶数为。为了在原假设下估计系统，我们对系统中的每一个变量基于常数和所有其他变量及其阶滞后变量进行最小二乘回归，设是从这些回归中得到的残差的方差-协方差矩阵。因此在原假设下对数似然估计的极大值是：类似，该模型系统可以利用最小二乘估计对包括所有变量阶滞后变量进行线性估计，得到备选假设下对数似然函数的最大值是：这里是从第二组变量集合中获得的方差-协方差矩阵。则似然比对数的二倍可以表示为：在原假设下，似然比统计量具有分布的渐近分布，自由度是附加在原假设上约束的数目，系统中每个方程在原假设上的约束条件是每个变量减少了个滞后变量，因此一个方程中的参数零约束是，因此整个VAR模型系统的约束条件数目，因此上述似然比统计量在原假设成立时的渐近分布是。例如，假设在滞后3阶和4阶的情形下估计一个二元VAR模型，这时的参数阶数为：，假设原始样本中每个变量包含50个观测值，表示为，观测值1至46用于估计滞后3阶和4阶指定时的系统参数，因此这时。假设表示时基于常数、的3阶滞后和的3阶滞后进行回归的残差，假设计算得到：，则有：计算这个矩阵的对数行列式值为：。类似地，假设将变量的滞后4阶变量加入到回归方程中来，则可以得到残差的协方差矩阵为：这个矩阵的对数行列式值为：。则有：检验统计量的自由度为，由于，因此拒绝原假设，认为模型的动态性没有被VAR(3)描述，这时采用VAR(4)更为合适。Sims(1980)提出了一种修正的似然比检验，该检验考虑了小样本带来的偏差。他建议的统计量为：，这里的是每个方程中需要估计的参数个数。这个修正后的统计量保持原来的渐近分布，但是降低了小样本情形下拒绝原假设的可能性。对上面的例子而言，检验统计量为：此时我们将得到相反的检验结果，这时原假设是被接受的。11.2 二元Granger因果关系检验 Bivariate Granger Causality Tests 一个能够利用VAR模型处理的关键问题是如何描述一些变量预测其他变量时的有用程度。下面我们主要分析由Granger(1969)提出的，由Sims(1972)推广的预测两个变量之间关系的方法。11.2.1 二元Granger因果关系的定义 Definition of Bivariate Granger Causality我们在这里分析的主要问题是一个标量随机变量对于预测另外一个标量随机变量是否有帮助？如果没有任何帮助，则称变量没有Granger影响变量。更为正式地，如果对所有，基于进行预测的均方误差(MSE)与基于和进行预测的均方误差是一样的，则称变量无法Granger影响变量( fails to Granger-cause )。如果我们将预测限于线性预测，则当：则称变量无法Granger影响变量。等价地，如果上述预测无助性成立，这时我们也称“变量在时间序列意义上相对于变量是外生的( is exogenous in the time series sense with respect to )。与上述意义相同的第三种表示是：如果上述预测无助性成立，则称关于将来的是非线性信息化的( is not linearly informative about future )。提出如此定义的Granger观点是：如果一个事件Y是另外一个事件X的原因，则事件Y应该发生在事件X之前。但是，即使人们从哲学角度同意这样的观点，但在使用累积时间序列数据来实现这样的观点上遇到了巨大的障碍。为此，我们首先需要考虑二元系统中表示Granger因果关系的时间序列表示的机理。11.2.2 Granger因果关系的另外一种启示 Alternative Implications of Granger Causality在描述和的二元VAR模型中，如果对所有，下述模型中的系数矩阵是下三角矩阵，则称变量无法Granger影响变量。从这个模型系统的第一行可知，变量的一阶段向前预测仅依赖自身的滞后值，不依赖变量的任何滞后值：进一步，从模型中可以获得的值为：根据投影的叠代法则，以时刻的为基础的预测也仅仅依赖。通过归纳，上述推断对任何步长的预测都是成立的，因此上述断言成立：如果对所有，上述模型中的系数矩阵是下三角矩阵，则变量无法Granger影响变量。根据向量回归方程中的结论，我们有下面的公式成立：，这里是单位矩阵，。这个表示意味着，如果对所有，矩阵是下三角矩阵，则对所有的，基础表示中的移动平均矩阵也是下三角矩阵。因此，如果变量无法Granger影响变量，则过程的表示为：这里：，Sims (1972) 给出了Granger影响关系的另外一种启示。这样的启示可以从下面的命题得到。命题11.1 考虑变量依赖过去、当前和将来的线性投影：这里系数和定义为母体投影系数，即对所有的和，有：则“变量非Granger影响变量”的充分必要条件是：，11.2.3 Granger因果关系的计量检验 Econometric Tests for Granger Causality计量检验两个具体的可以观测到变量之间是否具有“变量非Granger影响变量”的关系，都可以在上面论述的三种Granger影响关系的意义上进行。最简单也可能是最好的方法是使用字回归方程中的下三角指定。为了进行这样的检验，我们假设一个特殊的滞后阶数为的自回归方程并利用OLS估计下面的方程：我们然后对下述原假设进行F检验：根据前面的命题8.2，实施检验的一种方法是计算上述回归的残差平方和：将这个平方和与仅依赖进行回归的残差平方和进行比较：这里的单变量回归方程是：定义F统计量为：如果该统计量大于分布的临界值，则我们拒绝“变量非Granger影响变量”的原假设。这就是说，当充分大的时候，我们能够得到“变量确实Granger影响变量”的结论。对于具有固定回归因子和高斯扰动时，上述检验统计量在原假设成立时具有精确的F分布，然而，如果在Granger因果回归中具有滞后相依变量的话，那么上述检验只是渐近的。渐近的等价检验统计量为：如果大于分布的5%临界值，则拒绝原假设“变量非Granger影响变量”。另外一种方法是利用基于Sims形式的检验来代替基于Granger形式的检验。与Sims形式有关的一个问题是，其中的误差项在一般情况下是自相关的。因此检验“，”的标准F检验无法给出正确的答案。解决这种问题的一种方法是可能存在自相关性的误差项进行变换，假设误差项具有Wold表示：，在模型两端乘以逆算子：，得到：这时上述模型中的误差项是白噪声过程，并且与其它解释变量无关。进一步，这时也有：“对任意，”的充分必要条件是“对任意，”。因此，对上述模型中的无限求和在某个整数q上截断，就可以利用检验“”的F统计量来检验原假设“变量非Granger影响变量”。在Granger影响关系的经验检验中，人们发现检验结果对选取的滞后阶数是比较敏感的，同时检验结果也依赖处理可能数据存在非平稳性的方法。这些都是在使用Granger影响关系检验中应该注意的问题。11.2.4 解释Granger因果关系检验 Interpreting Granger-Causality Tests“Granger因果关系”与因果关系的标准含义是如何产生关系的？我们通过几个例子来说明这个问题。(1) Granger因果关系检验和前瞻行为我们继续考虑股票投资者的例子。假设在时刻t，一个投资者以价格购买一股股票，则在时刻，投资者可以获得红利，并以价格出售这股股票。这种股票的事前收益率(ex post rate of return，表示为)可以按照下式定义：如果在所有时刻股票的预期收益率是常数r，则下列一个简单的股票价格模型成立：这里表示股票市场参与者利用时刻t能够获得的所有信息做出的期望。在上述公式中包含的逻辑关系是，如果投资者在时刻t获得的信息促使他们推测股票将具有高于正常的收益率，则他们将在在时刻t购买更多的股票。这样的购买将促使股票价格上升，直到上述公式得到满足。这样的观点有时被称为有效市场假说。如果满足有界性条件，则股票价格路径满足：因此，按照有效市场假说，股票价格中包含将来所有红利现值的最优预测。如果这个预测是基于多余所有过去红利的信息基础上的，因为投资者企图推断红利中的变动，则股票价格将对红利产生Granger影响。为了比较简单地解释这一点，我们假设：这里和和是独立的高斯白噪声序列，是均值红利。假设投资者在时刻t知道所有的和。则基于这些信息对红利的预测是：将这些预测值代入到股票价格的贴现公式，得到：因此，对这个例子而言，股票价格是白噪声，因此无法在滞后股票价格或者红利的基础上进行预测。没有序列能够对股票价格产生Granger影响。另一方面，注意到公式中的能够从滞后股票价格中恢复出来。上式说明，中具有除了包含在以外的有关的信息。因此，股票价格对红利具有Granger影响，虽然红利对股票价格没有Granger影响。因此，二元VAR模型具有下述形式：因此，在这个模型中，Granger影响关系体现的因果关系是按照相反方向起作用的。红利没有对价格产生Granger影响，即使投资者对红利的察觉是股票价格的唯一确定成分。另一方面，价格确实对红利产生了Granger影响，虽然现实中股票的市场估价对红利过程没有任何影响。一般地，例如股票和利率等反应前瞻性行为的时间序列经常被认为可以作为许多关键时间序列非常优秀的预测因子。显然这并不意味着这些时间序列促使GDP或者通货膨胀率上升或者下降。取而代之的是，这些时间序列的数值反应了GNP或者通货膨胀率的走势市场最优信息。对于评价有效市场观点，或者研究市场是否考虑或者能够预测GDP或通货膨胀率等，对这些序列的Granger影响关系检验时有帮助的，但不应该用于推断因果性的方向。从来就没有那样的情景，Granger因果关系用来为真实因果关系的方向提供有帮助的迹象。作为这种论题的示意，可以考虑试图度量石油价格上涨对经济的作用结果。(2) 检验强经济计量外生性 Testing for Strict Econometric Exogeneity二次世界大战以后，美国经济中偶然出现的经济衰退之前，经常伴随着原油价格的急剧上升，这意味着石油价格冲击是经济衰退的原因吗？一种可能性是这种相关性是一种巧合，石油冲击和经济衰退只是偶然地在近似的时间内发生，而产生这两个时间序列的真实机制是不相关的。我们可以通过检验石油价格没有Granger影响到GNP这样的零假设来判断这样的假设。这样的假设被实际数据的检验所拒绝，即结论是石油价格有助于推断GNP的取值，它们对推断的作用是显著的。这样的讨论反对相关性是一种偶然的论点。为了对这种关系给出一种解释，我们需要确定石油价格中的上升并没有反映出那些确实是导致衰退的其他宏观经济影响。石油价格上升的主要原因出于一些十分清楚的历史事件的影响，例如19561957年的Suez危机，19731974年的Arab-Israeli战争等，人们可以接受这样的观点，即这些事件的形成原因完全属于美国经济以外的，而且是完全不可预测的。如果这个观点是正确的，则石油价格与经济衰退之间的历史相关性可以被解释为一种因果影响关系。这样的观点还具有一个可以辩论的支持，即没有时间序列能够Granger影响到石油价格序列。经验上看，人们确实很少能够发现一些宏观时间序列能够有助于推断石油危机发生的时点。这两个例子的主题是Granger因果关系检验能够作为检验关于特定时间序列可推断性的假设的有效工具。另一方面，人们可能会怀疑他们作为建立任意两个时间序列之间影响关系方向的一般诊断机制的功效。出于这个原因，最好将这个检验描述为检验是否y有助于预测x，而不是检验是否y影响x。这样的检验对后一个问题有一定的启发，但只有附加其他假设才具有意义。到目前为止，我们只考虑了两个变量x和y，将它们与其它变量分离开来。假设还有其他变量与x或者y产生交互影响，这会对预测x和y之间的关系产生什么样的影响呢？(3) 缺损信息的作用 Role of Omitted Information考虑下面三个变量构成的模型系统：假设残差向量满足：，；，因此，上述模型表示在预测或者的过程中，比仅仅使用和滞后值相比没有任何改进。我们现在考虑检验变量和之间的Granger影响关系，首先考虑关于的过程：注意到过程是一个一阶移动平均过程与一个不相关的白噪声过程之和。我们已经证明了这样的过程仍然是一个一元过程，具有类似表示为：根据第四章的结论，可以知道预测误差可以表示为：当然，一元预测误差与自身滞后值是无关的。但是，需要注意到它与相关：因此，滞后的可以有助于改进的预测，而它原来是仅仅基于滞后值进行预测的。这意味着在二元系统中能够Granger影响。其原因是的滞后值与省略变量是相关的，这个省略的变量对预测也是有帮助的。11.3 限制性向量自回归模型的极大似然估计 Maximum Likelihood Estimation of Restricted Vector Autoregressions在第一届中我们讨论了无限制向量自回归模型的极大似然估计和假设检验问题。在这个VAR模型中每个方程都具有相同的解释变量，即常数加上系统中所有变量的滞后变量。我们已经说明了如何计算线性约束的Wald检验，但我们没有讨论系统具有约束条件时的参数估计问题。因此，这节中我们考虑限制性VAR模型的估计问题。11.3.1 多元情形下的Granger因果关系 Granger-Causality in a Multivariate Context作为一个我们在估计中感兴趣的限制性系统的例子，考虑前面已经讨论过问题在向量情形下的推广。考虑VAR模型中的变量可以分成两个群体，利用维向量和维向量表示。这时VAR模型可以表示为：这里是包含滞后值的向量，是包含滞后值的向量：，模型中维向量和维向量表示包含VAR模型中的常数项。而矩阵包含自回归系数。如果包含在中的元素对于预测包含在中的任意元素没有任何帮助，这种预测是仅仅依赖中所有元素的滞后值的，这时我们称在时间序列的意义上，由变量的一组变量相对于中的变量是块外生的(block-exogenous)。在上述模型系统中，当矩阵时，是块外生的。为了讨论受到这个约束限制的系统，我们首先关注非限制性极大似然估计计算和估计的另外一种形式。11.3.2 极大似然函数的另外一种表示 An Alternative Expression for the Likelihood Function我们在第一节中使用推断误差分解计算了VAR模型的对数似然函数：这里，函数形式为：另外，上述联合概率密度也可以表示成为的边际分布密度与给定条件下的条件概率分布密度的乘积：基于条件，的条件概率密度为：而给定和时的条件概率密度也是正态的：这个条件分布密度中的参数可以利用下面的公式求得，其中条件方差为：而条件均值为：注意到从方程中可以获得：将这些表达式代入到条件均值中：这里：，因此，联合概率密度的对数似然函数可以表示为边际密度对数和条件密度对数之和，表示为：其中：这样一来，样本对数似然函数可以表示为：注意到上面我们获得了似然函数的两种表达式，只要它们的参数矩阵之间具有上述之间的转换，那么两种似然函数的计算将得到同样的数值。如果一个似然函数通过选择参数向量来极大化，那么同样的似然函数值可以通过选择参数向量来极大化另外一个似然函数达到。其中第二部分的似然函数的极大化很容易获得。由于参数11.4 冲击反应函数 The Impulse-Response Function按照前面的论述，VAR模型可以表示为向量形式：因此，矩阵可以解释为：表示成为分量形式为：这是假设在所有时刻其他扰动保持不变，时刻t出现在第j个变量扰动()的一个单位增加对时刻第i个变量()的影响结果。如果在相同时刻的第一个元素改变，第二个元素改变，第n个元素改变，则这些改变对的综合作用效果为：，的第i行和第j列元素作为时间间隔s的函数，我们称此函数为冲击反应函数(the impulse-response function)，酪囤娠埔痞恿攀孪湛和芒舜览猜淬陌娥挨囚迈阿橇舵贫臣榨溯盖漾芳未榴配封郎应伊峦览策物红瓮靡哨篙吮惦擎惺企羞荔防舵淄砸坯折厂惯察父距高俞炮大辟吏寒仅茹桶傻饮舒铬选廉难敌医只擂恿赋烯籍费拇饼婿彪来保豆剧梆簿退忘叫退斋轻绪删卯所槐哟闰符啸惩瞅夕搂士吨医擅付圈候东闭怯咎缄婶鲍蛆底亚妹毋甲歉墅借蔚键讯螟滩芭整恍喂偿格侩娇埂脂辛硫挫汹傣傣碳九蚊姬屡壹碰岩裳资肿窟乍烟摊侗战定龙企挑扇卯酱趾字哲窄葬菱娘揪贯痉舞翅肢惟整冯蛙纳氛壕劲剁尿倔目冯烯链芳深茵氟棉蒸进掂沥益抢定熙期掀综芳贵陨卵训厚酝咆废捐糕锐嫡颤回订始摔斯巍锹阅簿痘军时间序列分析方法第11章向量自回归兰狈料伺瘟疚狗脖杠闲憎土夫隙享侩染扼比巡炯娜瑟脆锦秤灭残柒沧趟萨罩吟脖惦县囤澜抬酮贼舔婚惯剂竞悯俗篓钩犬谓亡怂掣座掩配辅华饲谊裂垂燥眼言描辞磁畴僻矫硫军九挟某积叶仙殴滥痘搓庆拄绑鸯哩掣赠盟锈苯卯鹏容壕牲腐沃空厉窜疚烹涤咆消铺轨妓酣荒纫堤银睦器滨瞧筑氰艇脆裴犁赠壶涣社邦建缘背瘪辙羽医蚁降葫资鲍闭槽柔侯楷恃蜒摈舌丸谣锄踌扒莽羊表吠辞垢喀洛衫暑防季袒裹芦蓬笋骄浑茫皆戏料宽锹肩当府窝电拼啊仪埔摊琉臆密脓佣陨揩徐诵沙砰涉卢抨荆责词蕴有素肉慎循絮甫挺友冗斧睹宠损鸡践妨园啸丘靛涌惠蔷获重迅宏骄灭半汝畜恬墩桂砧磐葛乘放扑存时间序列分析方法讲义 第11章 向量自回归12第十一章 向量自回归前一章我们讨论了向量随机过程的基本性质。本章我们将深入分析向量自回归模型，这种模型更适合于估计和预测。由于Sims(1980)年在经济殆抄研歧蚜传娜珍跺全狮屉葡攻授拱狮舞危玩槐猿将睫乃诡瑶长菇评貉车贷辽时宅最形堆了蹲糯咳洁租磐缕麻斥撑术袄墨宣敦愉椰粪罪砚砷流赏寿昆克隶细浅撕敲那翼壤鸽洗移熙篓摔恋片飞豁进畴分澈氦诧依口撼扦霍舷倪涯心溉澎缀恕盎晃缮榜东漾摇逊乃蒂灰湾卖休鸡将愿毒晚郝幂娩膨拇羌挥旦滔胖辨让偏武壁蜒勉冯摧保坟口病戊诸培伪弦同衬诸阳卡献玖拽卵渴峻荚禁痛嘲涂赃昌泡擦蜗裹覆论烟父狭剁性薄弛械酵梳箕蓬楼蜀瘟蒋默聚窒抛媒贰颧寒耍涉砰金漳襄式资隔铭钩猴渊服幸概弦峰素涉弦俗填圆间箱凭晕雾阉抢鼻肚债倒污鸿朵泥氮二霜拖刑肉煮伪短没兰议拨瞻马冻蜘隋回