R语言做面板VAR例子 |
您所在的位置：网站首页 › r语言var模型 › R语言做面板VAR例子 |
R语言做面板VAR例子
|
面板VAR步骤： （1）对各变量做平稳性检验（IPS、PP、ADF、LLC等方法检验） 是逐个变量检验？？还是一起检验？？
（2）面板数据的最优滞后阶数确定（AIC和SIC方法）
（3）在PVAR系统中进行Wald-Granger检验 （4）面板VAR估计 （5）脉冲效应 （6）面板方差分解 R语言例子： 文件pvar.csv数据结构如下：
数据包括4个内生变量（"income","tax","inds","invest"）、4个外生变量（"cons","fin","open","profit")）以及2个指示变量（"id"、“year”），两个指示变量分别为id和year分别标记样本数据点对应的地区和年份。 代码步骤： 1.读入数据文件，加载plm包 ###读取外部数据pvar.csv，保存为.CSV格式的数据 data=read.csv("pvar.csv",head=T,sep=",") ###加载plm包 library(plm)2.转换成plm包可识别的面板数据格式 ###使用pdata.frame()函数将外部读取的数据转换为plm包可以识别的面板格式， 使用index参数标记名为id和year的列，分别对应地区和时间。 注意，新版的plm包已经不再支持plm.data()函数来生成面板格式的数据， 基于plm包的其它包必须使用pdata.frame()生成可识别的面板格式的数据 pdata=pdata.frame(data,index=c("id","year"))3.检验各个变量的平稳性，例如income变量 ###使用plm包中的purtest()进行面板数据的平稳性检验。 其中，参数object设定待检验变量； exo参数设定是否包含截距项和趋势项，使用“intercept”和“trend”进行定义； test参数定义面板平稳性检验的方法，包括常用的IPS方法，该函数指定了5种不同的面板平稳性检验方法 lags参数定义信息准则，作为滞后标准，使用“AIC”和“SIC”进行定义； pmax参数定义最大滞后期； purtest(object=pdata[,3],exo="intercept",test="ips",lags="AIC",pmax=4) P值小于0.05，说明income变量序列平稳。 4.加载进行面板VAR模型估计所用的包 ###加载panelvar包进行面板VAR模型的估计，其中包括OLS估计方法和GMM估计方法。 library(panelvar)5.用pvargmm()函数进行GMM-PVAR模型的分析 注：不知道怎么用R语言确定面板数据最优滞后阶数 ###使用pvargmm()函数进行GMM-PVAR模型的分析。 其中，data参数定义数据集； dependent_vars参数定义内生变量，使用c()函数限定data数据集中的内生变量的变量名，注意字符必须使用“”； exog_vars参数定义外生变量，使用c()函数限定data数据集中的外生变量的变量名，注意字符必须使用“”； lags参数定义滞后期； transformation参数定义GMM模型的类型，包括水平模型和差分模型； steps参数定义GMM模型的估计程序，包括一步估计、两步估计和多步估计； max_instr_dependent_vars以及 max_instr_predet_vars定义GMM模型工具变量的滞后期，我们按照面板GMM的常规设置，设为99期。 gmmlag5=pvargmm(dependent_vars=c("income","tax","inds","invest"),data=pdata,lags=5,exog_vars=c("cons","fin","open","profit"),transformation="fd",steps="twostep",max_instr_dependent_vars=99,max_instr_predet_vars=99) gmmlag5内生变量均当一次因变量，再加上外生变量（自变量）
上表中：***代表 p < 0.001, **代表 p < 0.01, *代表 p < 0.05 6.对GMM估计结果进行过度识别检验（对于GMM估计，使用hansen_j_test()函数检验是否过度识别） 如果使用2sls估计估计，则用Sargan’s(1958)和Basman’s(1960)卡方统计量，这也是Wooldridge’(1995）稳健得分检验。如果采用liml估计方法，则用Anderson and Rubin’s(1950) 卡方统计量以及Basmann F统计量；如果采用GMM估计，则用hansen’s(1982)J统计量。 过度识别检验用来检验模型工具变量是否为外生变量。其原假设是：工具变量是外生的。若拒绝原假设，则说明存在工具变量与扰动项相关。 ###使用hansen_j_test()函数对GMM估计结果进行过度识别检验 hansen_j_test(gmmlag5) 结果P值大于0.05，说明接受原假设，即模型选择的工具变量时外生的，这符合工具变量选择要求。 7.对VAR估计结果进行稳定性检验 ###使用stability()函数对VAR估计结果进行稳定性检验 stability(gmmlag5) 所有特征值均在单位圆内，说明模型稳定。 8.使用oirf()函数进行脉冲响应分析 ###使用oirf()函数进行脉冲响应分析，$income为income是冲击变量，下面的数据框为对应变量的响应值。 oirf(gmmlag5,n.ahead=10)
上表为四个内生变量分别作因变量时，其他变量对因变量的脉冲响应值。 |
【本文地址】