关于数据挖掘:Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化

38次阅读

共计 2721 个字符,预计需要花费 7 分钟才能阅读完成。

全文链接:http://tecdat.cn/?p=27784

河源市是国务院 1988 年 1 月 7 日批准设立的地级市,为了深入研究河源市公路交通与经济倒退的关系,本文选取了 1988-2014 年河源市建市以来 24 年的地区生产总值(GDP)和公路通车里程(GL)的工夫序列数据,其中公路通车里程(GL)用来反映河源市公路交通倒退情况,地区生产总值(GDP)反映河源市的经济增长情况。为了消取数据的异方差,将原始数据取对数,别离记做 LogGDP 和 LogGL,数据见表,采纳 ADF 法对 LogGDP 和 LogGL 的平稳性进行单位根测验。

首先,对 1988-2014 年河源市 24 年的 LogGDP 和 LogGL 工夫序列进行 ADF 单位根测验,单位根测验后果如表:

t 值和 p 值是等效的,p 值要求小于给定的显著程度,越小越好,小于 0.05. 等于 0 是最好的。结果显示,LogGDP 和 LogGL 的 ADF 值别离为 -3.160130 和 -1.895105,均大于程度值,阐明承受原假如,LogGDP 和 LogGL 序列存在单位根,为非安稳序列。因而,须要对 LogGDP 和 LogGL 序列持续第二步测验,即对 LogGDP 和 LogGL 的一阶差分进行测验,后果如表:

结果显示,LogGDP 和 LogGL 通过一阶差分测验,失去一阶差分序列 D(LogGDP)和 D(LogGL)的 p 值别离为 0.0046 和 0.0000,均小于 0.05 的显著值。因为 D(LogGDP)和 D(LogGL)都是单整序列,且单整阶数雷同,均为 I(1),所以 LogGDP 和 LogGL 两序列之间可能存在协整关系。

GDP 与公路交通里程 GL 协整性测验 

 由序列的平稳性测验后果可知,河源市地区生产总值 GDP 和公里通车里程 GL 在 1988-2014 年这个工夫序列中可能存在协整关系,协整测验的办法有 Engle Granger 两步法和 Johansen 极大似然法前者适宜对两变量的模型进行协整测验后者适宜在多变量的 VAR 模型中进行测验。

 

利用 engle 和 granger 提出的两步检验法:

首先建设 OLS 回归模型,后果为 

首先建设模型:y=ax+c+e,后果为 loggdp= 2.332247*loggl + -7.210750

由 ADF 单位根测验后果能够看出上述变量是一阶安稳的合乎 granger 因果关系测验的条件.现对各变量之间进行 granger 因果关系测验以确定它们之间的相互影响关系.取滞后阶数为 2 阶。

granger 因果测验:

从后果可知回绝 loggl 不能 granger loggdp 的假如,即 loggl granger 引起 loggdp;然而不能回绝 loggdp 不能 granger 引起 loggl,即承受 loggdp 不能 granger 引起 loggl。

同时,对方程的残差进行 ADF 测验后果能够看出残差序列不是安稳的,因而 loggdp 和 loggl 之间不存在协整关系。

建设 VAR 模型 

利用 Eviews 计量经济剖析软件,本文对 logGDP、loggl 变量建设 VAR(1)模型,对于 VAR 模型滞后阶数的抉择,失去如表所列的 5 个评估指标,且 5 个指标均认为 1 阶正当即建设 VAR(1)模型。

同时,有两类回归统计量呈现在 VAR 对象预计输入的底部:

输入的第一局部的规范 OLS 回归统计量。依据各自的残差别离计算每个方程的后果,并显示在对应的列中。

输入的第二局部是 VAR 模型的回归统计量。

即协整方程式是:

LOGGDP=1.36534925116*LOGGDP(-1)-0.326349983643*LOGGDP(-2)+0.139864325278*LOGGL(-1)-0.239810823184*LOGGL(-2)+0.44758535991

 能够看到 VAR 模型的所有根模的倒数都小于 1,即都在单位圆内,则该模型是稳固的。能够对 VAR 模型进行一个标准差的脉冲响应函数剖析。

脉冲响应函数是用来掂量随机扰动项的一个标准差冲击对其余变量以后与将来取值的影响轨迹它可能比拟直观地刻画变量之间的动静交互作用。

本文持续利用方差合成技术剖析经济增长速度、交通量增长之间的互相贡献率。进行方差合成示意图。

各变量对经济增长速度的贡献率。

实证测验

为了检验所建设交通量 VAR 预测模型的成果,用 EVIEWS 软件对 loggdp 历史数据仿真,失去如下预测模型。

loggdp  = @coef(1) loggdp(-1)  + @coef(2) loggdp(-2)  + @coef(3) loggl(-1)  + @coef(4) loggl(-2)  + @coef(5)

  @coef(1) =  1.3653493

  @coef(2) = -0.3263500

  @coef(3) =  0.1398643

  @coef(4) = -0.2398108

  @coef(5) =  0.4475854

用 VAR 办法建设的 GDP 预测模型预测精度较高,成果较好。此外,能够失去如下的比拟图:

    同时,对 loggl 历史数据仿真,失去如下预测模型。

loggl  = @coef(1) loggdp(-1)  + @coef(2) loggdp(-2)  + @coef(3) loggl(-1)  + @coef(4) loggl(-2)  + @coef(5)

  @coef(1) =  0.9502916

  @coef(2) = -0.8089714

  @coef(3) =  0.5952874

  @coef(4) = -0.0153147

  @coef(5) =  1.7812591

    以及历年 loggl 预测值、loggl 理论值。

采纳 VAR 办法建设的 GDP 预测模型有一个显著长处,即它不必对当期的 GDP 或其余变量作出预测,只用历史的 GDP 和交通量数据,就能够对 GDP 做出比拟精确的预测,因为缩小两头变量预测的传递,相应进步了模型预测精度。


 

最受欢迎的见解

1. 在 python 中应用 lstm 和 pytorch 进行工夫序列预测

2.python 中利用长短期记忆模型 lstm 进行工夫序列预测剖析

3.Python 用 RNN 循环神经网络:LSTM 长期记忆、GRU 门循环单元、回归和 ARIMA 对 COVID-19 新冠疫情新增人数工夫序列

4.Python TensorFlow 循环神经网络 RNN-LSTM 神经网络预测股票市场价格工夫序列和 MSE 评估准确性

5.r 语言 copulas 和金融工夫序列案例

6.R 语言用 RNN 循环神经网络、LSTM 长短期记忆网络实现工夫序列长期利率预测

7.Matlab 创立向量自回归(VAR)模型剖析消费者价格指数 (CPI) 和失业率工夫序列 和失业率工夫序列 ”)

8.r 语言 k -shape 工夫序列聚类办法对股票价格工夫序列聚类

9.R 语言联合新冠疫情 COVID-19 股票价格预测:ARIMA,KNN 和神经网络工夫序列剖析

正文完
 0