最近在写一篇小论文，主要用的就是VAR(向量自回归模型)和SVAR(结构向量自回归模型)，这里分享一下R语言实现VAR和SVAR的整个流程。

主要步骤包括：
1.单位根检验
2.确定滞后阶数
3.格兰杰因果检验
4.模型稳定性检验
5.脉冲响应
6.方差分解
(Johansen协整检验，如果需要的话)
整个过程用到的R语言的扩展包有：

library(zoo)
library(vars)
library(tseries)

首先，数据是下面的样子：
ps：数据是时间序列类型,可以通过下面方法将dataframe转成时间序列类型

data = ts(data)

1.单位根检验

#对data的第一列进行单位根检验
adf.test(data[,1])

2.滞后阶数确定
VARselect函数结果包括AIC、HQ、SC和FPE准则

#参数y为时间序列数据，lag.max为最大滞后阶数
#参数type值包括const截距，trend趋势，both同时包含截距和趋势，none不包含截距和趋势
VARselect(y=data, lag.max = 10, type = c("const"))

3.格兰杰因果检验
格兰杰因果检验有两个方法，第一个是在构造模型之前，第二个是在构造模型之后在模型的基础上进行格兰杰因果检验。
(1)构造模型之前格兰杰因果检验

#函数格式：grangertest(yt~xt)
eg：
grangertest(Value~BCI)

(2)构造模型之后格兰杰因果检验

#函数格式：causality(VARModel,cause)
eg
var =  VAR(data ,p = 2, type = "const")
causality(var,cause=c('Count','Value'))

ps:在这里如果想要构建SVAR模型的话，需要根据实际情况构建两个矩阵amat和bmat，然后使用这两个矩阵来构建SVAR模型：

svar = SVAR(var,Amat = amat,Bmat = bmat)

4.模型稳定性检验

#这里使用“OLS-CUSUM”，它给出的是残差累积和，在该检验生成的曲线图中，残差累积和曲线以时间为横坐标，
#图中绘出两条临界线，如果累积和超出了这两条临界线，则说明参数不具有稳定性。 
sta = stability(var, type = c("OLS-CUSUM"), h = 0.15, dynamic = FALSE, rescale = TRUE)
plot(sta)##结果稳健

5.脉冲响应

#标题栏说明，这是BCI(或者其他变量)对各个变量（包括BCI自身）的脉冲响应
(1)VAR脉冲响应
var.irf<-irf(var,n.head=10)
plot(var.irf)
(2)SVAR脉冲响应
svar.irf<-irf(svar,n.ahead = 100)
plot(svar.irf)

6.方差分解

#反映了各变量的贡献率
(1)VAR方差分解
fevd1<-fevd(var, n.ahead = 10)
fevd1$Count
(2)SVAR方差分解
fevd2<-fevd(svar, n.ahead = 10)
fevd2$Value

ps：有时候需要进行Johansen协整检验

#Johansen协整检验，
#对r=0（不存在协整关系）的检验统计量大于临界值，表明拒绝原假设
yJoTest = ca.jo(data, type = c("trace"), ecdet = c("none"), K = 2) 
summary(yJoTest)

我们下次再见，如果还有下次的话！！！
欢迎关注微信公众号：516数据工作室