原文链接：http://tecdat.cn/?p=2980
澳大利亚在 2008 – 2009 年寰球金融危机期间产生了这种状况。政府公布了一揽子刺激打算，其中包含 2008 年 12 月的现金支付，恰逢圣诞节收入。因而，零售商报告销售强劲，经济受到刺激，支出减少了。
VAR 面临的批评是他们是实践上的; 也就是说，它们不是建设在一些经济学实践的根底上。假如每个变量都影响零碎中的每个其余变量，这使得预计系数的间接解释变得艰难。尽管如此，VAR 在几种状况下都很有用：
-
预测相干变量的汇合，不须要明确的解释;
-
测试一个变量是否有助于预测另一个变量（格兰杰因果关系测验的根底）;
-
脉冲响应剖析，其中剖析了一个变量对另一个变量的忽然但临时的变动的响应;
-
预测误差方差合成，其中每个变量的预测方差的比例归因于其余变量的影响。
示例：用于预测生产的 VAR 模型
VARselect(uschange\[,1:2\], lag.max=8,
type="const")\[\["selection"\]\]
#> AIC(n) HQ(n) SC(n) FPE(n)
#> 5 1 1 5R 输入显示由 vars 包中可用的每个信息规范抉择的滞后长度。由 AIC 抉择的 VAR（5）与 BIC 抉择的 VAR（1）之间存在很大差别。因而，咱们首先拟合由 BIC 抉择的 VAR（1）。
var1 <- VAR(uschange\[,1:2\], p=1, type="const")
serial.test(var1, lags.pt=10, type="PT.asymptotic")
...与单变量 ARIMA 办法相似，咱们应用 Portmanteau 测试残差是不相干的。VAR（1）和 VAR（2）都具备一些残差序列相关性，因而咱们拟合 VAR（3）。
...
serial.test(...)
#>
#> Portmanteau Test (asymptotic)
#>
#> data: Residuals of VAR object var3
#> Chi-squared = 34, df = 28, p-value = 0.2该模型的残差通过了序列相干的测试。VAR（3）生成的预测如图 所示。
forecast(var3) %>%...图：生产和支出的 VAR 预测
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. 应用 r 语言进行工夫序列（arima，指数平滑）剖析
4.r 语言多元 copula-garch- 模型工夫序列预测
5.r 语言 copulas 和金融工夫序列案例
6. 应用 r 语言随机稳定模型 sv 解决工夫序列中的随机稳定
7.r 语言工夫序列 tar 阈值自回归模型
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.python3 用 arima 模型进行工夫序列预测