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：

  2. 预测相干变量的汇合，不须要明确的解释;

  4. 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）;

  6. 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;

  8. 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 5

R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