Red de conocimiento informático - Material del sitio web - Cómo usar R para construir un modelo vectorial autorregresivo

Cómo usar R para construir un modelo vectorial autorregresivo

Cómo utilizar R para crear un modelo vectorial autorregresivo (VAR)

Para implementar los siguientes pasos, el conjunto de datos ya está disponible. ¿Pueden los expertos presentar las funciones relevantes?

halfyear_vector=data.frame(hsi_ir_h_ts,cenlhkl_ir_h_ts,m2_h_ts,ue_h_ts,cpi_h_ts,exp_h_ts,gdp_h_ts)

halfyear_vector=ts(halfyear_vector,start=c(1995,1),frecuencia =2)

halfyear_vector

plot(halfyear_vector,plot.type="single",lty=1:7,col=1:7)

título ("indicadores clave")

legend("topleft",c("hsi_ir_h_ts","cenlhkl_ir_h_ts","m2_h_ts","ue_h_ts","cpi_h_ts","exp_h_ts","gdp_h_ts"), lty=1:7,col=1:7)

#Prueba de estabilidad

para (i en 1:7)

{

print(kpss.test(halfyear_vector[,i],null="Nivel"))

print(kpss.test(halfyear_vector[,i],null="Tendencia"))

p>

print(kpss.test(diff(halfyear_vector[,i]),null="Nivel"))

print(kpss.test(diff(halfyear_vector[,i]), null ="Tendencia"))

}

#Requisito 1: Realizar la prueba ADF

#Prueba de causalidad de Granger

prueba de granger. (halfyear_vector,p=7)

#Requisito 2: Hacer indicador *** juicio lineal

#Requisito 3: Hacer juicio de orden VAR

# Modelo VAR ajuste

halfyear_VAR=VAR(halfyear_vector,p=3,type="both")

halfyear_VAR

#Requisito 4: Estabilidad del sexo del modelo de precios, autocorrelación , prueba de heterocedasticidad

#Requisito 5: Exportar modelo VAR

Predicción del modelo #VAR

halfyear_VAR_Predict=predict(halfyear_VAR,n.head =1,ci=0.9999 )

plot(halfyear_VAR_Predict)

#Requisito 6: Calcular los valores predichos de los cuantiles 95%, 99% y 99,9%

--- -------------

DM Diamondback

Esta publicación fue editada por última vez por DM Diamondback el 26/2/2015 a las 15:27

p>

1. Utilice adf.test() en el paquete tseries

2. Puede calcular el rango de la matriz X qr(X)$rank. Si no es el rango completo, significa que hay Xi en él. Expresado por otras combinaciones lineales de 1000, hay una linealidad múltiple severa.

Puede realizar una regresión paso a paso utilizando el comando step(). Por ejemplo, si su modelo inicial es fm, step(fm) es suficiente

3. Puede establecer el juicio del término de retraso en adf. test(). adf.test(x, alternativa = c("estacionario", "explosivo"),

k = trunc((longitud(x)-1)^(1/3)))

Criterio AIC——

Para calcular el estadístico AIC, divida la suma de los residuos cuadrados (SS) del modelo por el tamaño de la muestra (n), luego tome el logaritmo y sume 2 veces el número de variables explicativas (k) dividido por el tamaño de la muestra.

AIC=log(SS/n)+2*k/n

Encuentre un determinado valor de k donde AIC alcanza el valor mínimo, entonces k es el orden de retraso óptimo.

Criterio SC——

SC=log(SS/n)+log(n)*k/n

4. en R Los métodos se utilizan comúnmente y LiMcLeod{portes} puede realizar pruebas multivariadas de Portmanteau Q. . . protest{portes} puede realizar una prueba Portmanteau Q unidireccional. Si configura el parámetro SquaredQ=T en la función, también puede elevar al cuadrado la secuencia y luego probar la autocorrelación. . . También equivale a realizar una prueba de heterocedasticidad. . .

La prueba de autocorrelación se puede realizar a través del gráfico ACF, la función es acf{stats}, o se utiliza la prueba de raíz unitaria ur.df{urca} para la prueba ADF o ur.pp{urca} se utiliza para la prueba PP, o ruido blanco Testing Box.test{stats} es equivalente a probar la autocorrelación de segundo orden de la secuencia. . .

El interior de {} es el nombre del paquete