@TOCVECM

1.寫作目的和寫作結(jié)構(gòu)

目的

之所以寫這篇文章是因為在找尋相關(guān)系數(shù)解讀的資源中，對這方面的介紹比較少，多為專業(yè)性的代碼分析過程，本人初次使用VECM，根據(jù)R語言對系數(shù)解讀有一定困難，所以當(dāng)問題解決后記錄下過程

文章內(nèi)容結(jié)構(gòu)

本文以短期跨境資本流動的影響因素為例，構(gòu)建誤差修正模型，并最終對模型系數(shù)進(jìn)行解讀。
包括ADF檢驗、滯后階數(shù)的選擇、Johansen協(xié)整檢驗、誤差修正模型，使用到的R包有：“forecast”,“tseries”,“vars”,“urca”。
文章包括六個變量，分別是被解釋變量“跨境資本流動額cf”、解釋變量“國內(nèi)外利差llcy”、“財政赤字czcz”、“匯率變動hhcy”、“GDP增長率gdpz”、“物價水平cpi”

2.代碼過程

載入程序包并進(jìn)行數(shù)據(jù)處理

#載入程序包并引入數(shù)據(jù) pkgs <- c("forecast","tseries","vars","urca","xlsx") lapply(pkgs,library,character.only=TRUE) llcy <- read.xlsx("D:/R/RData/llcy.xlsx",1,encoding = "UTF-8") cf<- read.xlsx("D:/R/RData/cf.xlsx",1,encoding = "UTF-8") czcz<- read.xlsx("D:/R/RData/czcz.xlsx",1,encoding = "UTF-8") hlcy<- read.xlsx("D:/R/RData/hlcy.xlsx",1,encoding = "UTF-8") gdpz<- read.xlsx("D:/R/RData/gdpz.xlsx",1,encoding = "UTF-8") cpi<- read.xlsx("D:/R/RData/cpi.xlsx",1,encoding = "UTF-8") #轉(zhuǎn)化為時間序列數(shù)據(jù)并匯總 cf <- ts(cf,start=c(1999,12),frequency = 12) ... cpi <- ts(cpi,start=c(1999,12),frequency = 12) tdata <- cbind(cf,czcz,hlcy,llcy,gdpz,cpi) #確定差分階數(shù)并進(jìn)行差分，差分階數(shù)為1階 ndifftdata <- ndiffs(tdata) difftdata <- diff(tdata,differences = 1)

ADF檢驗

#分別進(jìn)行ADF檢驗。P值＜0.05，結(jié)果穩(wěn)定。 adf.test(difftdata[,1])Augmented Dickey-Fuller Testdata: difftdata[, 1] Dickey-Fuller = -7.5677, Lag order = 6, p-value = 0.01 alternative hypothesis: stationaryWarning message: In adf.test(difftdata[, 1]) : p-value smaller than printed p-value ... adf.test(difftdata[,6])

確定滯后項

#確定滯后項，根據(jù)結(jié)果確定K=2VARselect(difftdata,lag.max = 10,type = "const") $selection AIC(n) HQ(n) SC(n) FPE(n) 2 2 2 2 $criteria1 2 3 4 5 AIC(n) -2.660619e+01 -2.729752e+01 -2.718304e+01 -2.715024e+01 -2.710945e+01 HQ(n) -2.636227e+01 -2.684451e+01 -2.652096e+01 -2.627908e+01 -2.602922e+01 SC(n) -2.600068e+01 -2.617298e+01 -2.553949e+01 -2.498768e+01 -2.442787e+01 FPE(n) 2.786883e-12 1.396718e-12 1.568192e-12 1.624528e-12 1.699036e-126 7 8 9 10 AIC(n) -2.701197e+01 -2.697473e+01 -2.696870e+01 -2.698227e+01 -2.698736e+01 HQ(n) -2.572265e+01 -2.547634e+01 -2.526123e+01 -2.506572e+01 -2.486174e+01 SC(n) -2.381137e+01 -2.325512e+01 -2.273007e+01 -2.222463e+01 -2.171070e+01 FPE(n) 1.884296e-12 1.972235e-12 2.006455e-12 2.008154e-12 2.034560e-12

協(xié)整檢驗

#Johansen協(xié)整檢驗。r=0時檢驗結(jié)果＞0，說明變量之間可能存在長期穩(wěn)定關(guān)系。 jo.dtdata <- ca.jo(difftdata,type = c("trace"),ecdet = c("none"),K=2) summary(jo.dtdata)###################### # Johansen-Procedure # ###################### Test type: trace statistic , with linear trend Eigenvalues (lambda): [1] 0.8024955 0.5720777 0.4174965 0.2920800 0.2593631 0.1823617Values of teststatistic and critical values of test:test 10pct 5pct 1pct r <= 5 | 50.33 6.50 8.18 11.65 r <= 4 | 125.39 15.66 17.95 23.52 r <= 3 | 211.75 28.71 31.52 37.22 r <= 2 | 346.86 45.23 48.28 55.43 r <= 1 | 559.06 66.49 70.60 78.87 r = 0 | 964.56 85.18 90.39 104.20

建立VECM

#建立誤差修正模型并得到系數(shù)矩陣 cajorls(jo.dtdata,r=1) $rlmCall: lm(formula = substitute(form1), data = data.mat)Coefficients:cf.d czcz.d hlcy.d llcy.d gdpz.d ect1 -3.974e-01 3.151e-01 7.855e-04 -4.237e-02 -2.839e-03 constant -6.614e-04 -1.030e-03 -3.964e-05 -2.398e-04 7.314e-04 cf.dl1 -7.876e-01 1.573e-01 3.301e-03 4.769e-03 -5.331e-04 czcz.dl1 1.277e+00 -1.576e+00 -2.272e-04 3.700e-02 1.140e-02 hlcy.dl1 -7.701e-01 -2.614e-01 -2.556e-01 1.196e-01 3.106e-02 llcy.dl1 1.002e-01 8.916e-02 8.467e-03 -5.061e-01 -7.919e-04 gdpz.dl1 5.090e-01 -2.184e-01 -1.153e-02 -8.293e-01 -2.255e-01 cpi.dl1 5.325e-02 9.001e-03 1.512e-03 1.864e-02 3.608e-04cpi.d ect1 -5.631e-02 constant -2.890e-03 cf.dl1 -8.496e-02 czcz.dl1 2.918e-01 hlcy.dl1 3.128e+00 llcy.dl1 1.070e-01 gdpz.dl1 4.543e+00 cpi.dl1 -5.191e-01$betaect1 cf.l2 1.000000000 czcz.l2 -6.543507191 hlcy.l2 -0.453551588 llcy.l2 -0.104339349 gdpz.l2 1.646521015 cpi.l2 -0.003871896

3.系數(shù)解讀

針對誤差修正模型的結(jié)果解讀，當(dāng)時本文不懂的地方在于如何分析結(jié)果，起關(guān)鍵作用的系數(shù)是哪些，關(guān)鍵系數(shù)從哪里找。

根據(jù)系數(shù)矩陣，ect1表示誤差修正項；constant為常數(shù)項；czcz.dl1、hlcy.dl1、llcy.dl1、gdpz.dl1、cpi.dl1分別表示解釋變量對被解釋變量的影響程度，反應(yīng)的是長期均衡關(guān)系；
$beta系數(shù)矩陣為誤差修正項的速度調(diào)整系數(shù)，反應(yīng)的是序列的短期波動收到均衡回復(fù)機(jī)制的影響情況，也就是解釋變量的短期波動對長期均衡的響應(yīng)程度。
誤差修正項的系數(shù)為-0.39，說明當(dāng)長期均衡關(guān)系出現(xiàn)1個單位變化時，短期內(nèi)總額將會減少0.39個單位。

總結(jié)

以上是生活随笔為你收集整理的R语言-误差修正模型的建立和结果解读的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。