全文链接：http://tecdat.cn/?p=31108
最近咱们被客户要求撰写对于 VAR 模型的钻研报告，包含一些图形和统计输入。
作为掂量通货膨胀的根本指标，消费者价格指数 CPI 和生产者价格指数 PPI 的作用关系与传导机制始终是宏观经济钻研的外围问题。
对此问题的钻研显然具备重要的学术价值与现实意义: 当 PPI 后行地疏导着 CPI 的变动，则意味着上游价格对上游价格具备正向传导效应，物价可能因供应因素的冲击而回升，并由此引发“老本推动型通胀”的危险，此时，通胀治理应以“供应调控”为主; 反之，当 CPI 疏导着 PPI 的变动，则意味着存在上游价格对上游价格的反向倒逼机制，物价可能因需要因素的冲击而回升，并由此引发“需要拉动型通胀”的危险，此时的通胀治理则应以“需要调控”为主。
咱们围绕因果关系测验技术进行一些征询，帮忙客户解决独特的业务问题。
数据：CPI 与 PPI 月度同比数据
读取数据
head(data)
## 当月同比 CPI PPI
## 1 36556 -0.2 0.03
## 2 36585 0.7 1.20
## 3 36616 -0.2 1.87
## 4 36646 -0.3 2.59
## 5 36677 0.1 0.67
## 6 36707 0.5 2.95CPI 数据
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.3232 -1.2663 -0.5472 0.9925 6.3941
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.05348 0.30673 3.435 0.000731 ***
## t 0.01278 0.00280 4.564 9.05e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.1 on 187 degrees of freedom
## Multiple R-squared: 0.1002, Adjusted R-squared: 0.09543
## F-statistic: 20.83 on 1 and 187 DF, p-value: 9.055e-061、单位根测验
查看数据后发现须要进行节令调整
给出输入后果：
点击题目查阅往期内容
R 语言 ECM 误差修改模型、平衡修改模型、受限 VECM、协整测验、单位根测验即期利率市场数据
左右滑动查看更多
01
02
03
04
## Augmented Dickey-Fuller Test
##
## data: x
## Dickey-Fuller = -2.0274, Lag order = 0, p-value = 0.4353
## alternative hypothesis: explosive## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.66698 -0.36462 0.02973 0.39311 1.97552
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.063e-01 9.513e-02 1.117 0.2653
## z.lag.1 -4.463e-02 2.201e-02 -2.027 0.0441 *
## tt 4.876e-05 8.954e-04 0.054 0.9566
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.6307 on 185 degrees of freedom
## Multiple R-squared: 0.0238, Adjusted R-squared: 0.01324
## F-statistic: 2.255 on 2 and 185 DF, p-value: 0.1077
##
##
## Value of test-statistic is: -2.0274 1.5177 2.255
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -3.99 -3.43 -3.13
## phi2 6.22 4.75 4.07
## phi3 8.43 6.49 5.47PPI 数据
## Augmented Dickey-Fuller Test
##
## data: x
## Dickey-Fuller = -1.3853, Lag order = 0, p-value = 0.1667
## alternative hypothesis: explosive（1）若存在单位根，用差分后序列进行 2、3、4 步；
（2）若不存在单位根，就用原序列。
因而，对两个数据都进行差分。
data$CPI=c(0,diff(data$CPI))
2、测验协整关系——EG 两步法
给出输入后果
（1）若存在长期协整，用 VECM 法线性过滤，利用利用过滤后的“残差成分”再进行 3，4 步；
（2）若不存在长期协整，就不必过滤，间接进行 3、4 步。
建设长期平衡模型
## Call:
## lm(formula = PPI ~ CPI, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.6930 -0.5071 -0.0322 0.4637 3.2085
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.03678 0.06428 -0.572 0.568
## CPI 0.54389 0.10176 5.345 2.61e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8836 on 187 degrees of freedom
## Multiple R-squared: 0.1325, Adjusted R-squared: 0.1279
## F-statistic: 28.57 on 1 and 187 DF, p-value: 2.615e-07绘制残差
ts.plot(residual不存在长期协整，就不必过滤，间接进行 3、4 步
3、非线性测验——RESET 测验办法
给出输入后果
## RESET test
##
## data: data$PPI ~ data$CPI
## RESET = 0.28396, df1 = 1, df2 = 186, p-value = 0.5948
4、建设 VAR 模型、格兰杰因果测验
建设 VAR 模型给出输入后果
## $Granger
##
## Granger causality H0: CPI do not Granger-cause PPI
##
## data: VAR object var.2c
## F-Test = 5.1234, df1 = 2, df2 = 364, p-value = 0.006392
##
##
## $Instant
##
## H0: No instantaneous causality between: CPI and PPI
##
## data: VAR object var.2c
## Chi-squared = 15.015, df = 1, p-value = 0.0001067p 值小于给定的显著性程度回绝, 个别 p 值小于 0.05, 非凡状况下能够放宽到 0.1。f 统计量大于分位点即可。个别看 p 值。
格兰杰测验次要看 P 值即可。例如, 若 P 值小于 0.1, 则回绝原假如, 变量间存在格兰杰因果关系。
点击文末 “浏览原文”
获取全文残缺代码数据资料。
本文选自《R 语言 EG(Engle-Granger)两步法协整测验、RESET、格兰杰因果测验、VAR 模型剖析 CPI 和 PPI 关系》。
点击题目查阅往期内容
Matlab 用向量误差修改 VECM 模型蒙特卡洛 Monte Carlo 预测债券利率工夫序列和 MMSE 预测
R 语言向量误差修改模型 (VECMs)剖析长期利率和通胀率影响关系
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
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
Stata 狭义矩量法 GMM 面板向量自回归 VAR 模型抉择、预计、Granger 因果测验剖析投资、支出和生产数据 R 语言时变向量自回归（TV-VAR）模型剖析工夫序列和可视化
R 语言用向量自回归（VAR）进行经济数据脉冲响应钻研剖析
R 语言 arima，向量自回归（VAR），周期自回归 (PAR) 模型剖析温度工夫序列
R 语言 VAR 模型的不同类型的脉冲响应剖析
R 语言随机搜寻变量抉择 SSVS 预计贝叶斯向量自回归（BVAR）模型
R 语言时变参数 VAR 随机模型
R 语言预计时变 VAR 模型工夫序列的实证钻研剖析案例
R 语言向量自回归模型 (VAR) 及其实现
R 语言实现向量自回归 VAR 模型
R 语言预计时变 VAR 模型工夫序列的实证钻研剖析案例
Python 和 R 用 EWMA，ARIMA 模型预测工夫序列
R 语言用 LASSO，adaptive LASSO 预测通货膨胀工夫序列
Python 中的 ARIMA 模型、SARIMA 模型和 SARIMAX 模型对工夫序列预测
R 语言 arima，向量自回归（VAR），周期自回归 (PAR) 模型剖析温度工夫序列
【视频】Python 和 R 语言应用指数加权均匀(EWMA)，ARIMA 自回归挪动均匀模型预测工夫序列