👇 连享会 · 推文导航 | www.lianxh.cn
🍎 Stata：Stata基础 | Stata绘图 | Stata程序 | Stata新命令 📘 论文：数据处理 | 结果输出 | 论文写作 | 数据分享 💹 计量：回归分析 | 交乘项-调节 | IV-GMM | 时间序列 | 面板数据 | 空间计量 | Probit-Logit | 分位数回归 ⛳ 专题：SFA-DEA | 生存分析 | 爬虫 | 机器学习 | 文本分析 🔃 因果：DID | RDD | 因果推断 | 合成控制法 | PSM-Matching 🔨 工具：工具软件 | Markdown | Python-R-Stata 🎧 课程：最新专题 | 计量专题 | 关于连享会
🍓 课程推荐：2024 机器学习与因果推断专题
主讲老师：司继春 (上海对外经贸大学) ；张宏亮（浙江大学）
课程时间：2024 年 11 月 9-10 日 ；16-17日
课程咨询：王老师 18903405450（微信）
课程特色 · 2024机器学习与因果推断：
懂原理、会应用。本次课程邀请了两位老师合作讲授，目的在于最大限度地实现理论与应用的有机结合。为期四天的课程，分成两个部分：第一部分讲解常用的机器学习算法和适用条件，以及文本分析和大语言模型；第二部分通过精讲 4-6 篇发表于 Top 期刊的论文，帮助大家理解各类机器学习算法的应用场景，以及它们与传统因果推断方法的巧妙结合。 以 Top 期刊论文为范例。目前多数人的困惑是不清楚如何将传统因果推断方法与机器学习结合起来。事实上，即便是 MIT 和 Harvard 的大牛们也都在「摸着石头过河」。为此，通过论文精讲和复现来学习这部分内容或许是目前最有效的方式了。张宏亮老师此前在浙江大学按照这一模式教授了「因果推断和机器学习」课程，效果甚佳：学生们能够逐渐建立起研究设计的理念，并在构造识别策略时适当地嵌入机器学习方法。
温馨提示: 文中链接在微信中无法生效。请点击底部「阅读原文」。或直接长按/扫描如下二维码，直达原文：
作者： 吕政 (中央财经大学)
邮箱： 1433722321@qq.com
目录
1. VAR 模型的介绍
2. TVP-VAR 基本原理
3. matlab 命令
4. TVP-VAR 模型的应用
4.1 模型估计结果
4.2 等间距脉冲响应结果
4.3 分时点脉冲响应
5. 参考文献
1. VAR 模型的介绍
我们在利用计量经济模型做实证分析时，通常会以某个经济理论为依据，在此基础上借助计量模型刻画经济变量之间结构上的关系。事实上，对于实际经济中的某些问题，我们可能并不关心经济变量之间的结构关系，而是关注变量之间的动态变化关系。此外，在一个方程组中，有的变量 (内生变量) 可能会同时出现在方程的左右两边，分别作为被解释变量和解释变量。在估计这类模型时，要求方程组中的方程是可识别的 (恰好识别或过度识别) ，这就给估计和推断带来了一定难度。为了达到识别的目的，我们常常要假定某些外生变量或前定变量仅出现在某些方程中。
Sims (1980) 认为，我们为了达到识别目的所做的主观的假定往往是不可靠的，当一组变量确实存在真实的联立关系，同时我们无法判断其中的变量是否为外生变量时，原则上这些变量都应该被平等地对待，在回归之前，人为划分内生变量和外生变量的做法是不恰当的。出于这方面的考虑，Sims (1980) 提出了向量自回归模型 (VAR) 。举一个简单的例子，在两个变量的情况下，假定 受到现在和过去 的影响，并且 受到现在和过去 的影响，我们可以通过变换，将上述关系写成以下形式：
这就是 VAR 模型的一般标准形式，对于这个模型我们可以利用 OLS 进行估计。
2. TVP-VAR 基本原理
时变参数向量自回归模型 (TVP-VAR) 在 VAR 模型的基础上扩展而来，最大的改进在于它假定系数矩阵和协方差矩阵都是时变的，这有利于刻画变量之间的联立关系的非线性特征，无论是来自冲击大小的改变还是来自传导途径的改变都能得到响应。一个典型的 TVP-VAR 模型可以表示成以下形式：
其中， 是 维可观测向量，， 为 维时变系数向量。
参考 Nakajima et al. (2011) 的处理方法，假定 为下三角矩阵，该假设不仅可以保证 VAR 系统的递归识别，而且减少了待估参数的个数， 和 分别为如下 维的下三角矩阵和对角矩阵：
在上述模型中，系数向量 、矩阵 和协方差矩阵 都是时变的。时变的矩阵 意味着第 个变量冲击对第 个变量的影响是随时间而变化的。
TVP-VAR 模型可利用贝叶斯推断下的马尔科夫蒙特卡洛 (MCMC) 方法进行估计，接下来介绍 Nakajima et al. (2011) 编写的 matlab 命令。
3. matlab 命令
clear all;
close all;
my = xlsread('tvpvar\_ex.xlsx'); % 读取tvpvar\_ex.xlsx里的数据
asvar = {'RDJI'; 'RSH';'RHIS'}; % excel里仅有三列时间序列数据，
% 分别是美国道琼斯指数、上证综合指数和香港恒生指数的收益率，
% 这里记为RDJI、RSH、RHIS
nlag = 1; % 设定TVP-VAR模型的滞后阶数为1
setvar('data', my, asvar, nlag); % 设定数据集，不需要更改
setvar('fastimp', 1);
mcmc(10000);
drawimp(\[1 2 3\], 1); % 设定等间距脉冲响应的滞后期数，这里选取滞后1期、2期和3期
drawimp(\[93 110 240\], 0); % 设定时点脉冲响应的时间点，
% 这里选取第93期、第11期、第240期，
% 分别对应样本区间的2007年10月、2009年3月、2020年1月。
4. TVP-VAR 模型的应用
收集了 2000 年 1 月至 2020 年 3 月，美国道琼斯指数、上证综合指数和香港恒生指数的月度数据，经平稳性检验可知，三个时间序列均为一阶单整，因此利用对数收益率序列建模，经 VAR 判断滞后阶数为 1 阶，估计结果如下：
4.1 模型估计结果
表 1 中的 Geweke 收敛诊断值 (Convergence Diagnostics) 用于测定预模拟得到的马尔科夫链是否收敛于后验分布，而无效影响因子 (Inefficiency Factors) 则是后验样本均值的方差和不相关序列样本均值的方差的比率，二者均为判断 MCMC 链模拟效果的重要依据。
根据表 1 给出的估计结果可知，Geweke 诊断概率在 5% 的显著性水平下显著 (临界值为 1.96) ，并且无效因子均比较小 (绝大多数小于 60) ，说明利用 MCMC 算法进行估计是有效的。
4.2 等间距脉冲响应结果
等间距脉冲响应是指不同时间范围 (滞后期) 冲击所引起变量的脉冲响应函数。
与 VAR 模型下二维脉冲响应不同，TVP-VAR 模型可以运用变参数计算所有时点上各变量在不同滞后期的脉冲响应图。考虑到不同时期脉冲响应的可比性，设定冲击项的大小等于样本期随机波动的均值。图 1 描绘了滞后 1、2、3 期的美股、中股和港股股指冲击的动态变化过程。
以图 1 中的第一行第二列为例，进行简单的分析。第一行第二列表示道琼斯指数对上证综指的等间距脉冲响应结果，滞后 1 期的脉冲响应远大于滞后 2 期、3 期的脉冲响应，说明股指变动的短期效应更大。
4.3 分时点脉冲响应
分时点脉冲响应是指不同确定时点上的脉冲响应函数。
为了进一步考察政策利率对债券市场利率冲击的时变规律，图 2 选取了 3 个具有代表性的观察点，2007 年 10 月、2009 年 3 月、2020 年 1 月。以图 2 中的第1行第2列为例，进行简单的分析，第一行第二列表示，道琼斯指数对上证综指的分时点脉冲响应结果，在三个时点上，美股波动对上证综指的冲击，在当期的影响最大，随后趋于收敛，特别的，2020 年 1 月的冲击在第二期由正向冲击转为负向冲击，并最终趋于收敛。
5. 参考文献
温馨提示： 文中链接在微信中无法生效。请点击底部「阅读原文」。
Sims C A. Macroeconomics and reality. Econometrica: Journal of the Econometric Society, 1980: 1-48. [PDF] Nakajima J, Kasuya M, Watanabe T. Bayesian analysis of time-varying parameter vector autoregressive model for the Japanese economy and monetary policy. Journal of the Japanese and International Economies, 2011, 25(3): 225-245. [PDF]
🍓 课程推荐：2024 机器学习与因果推断专题
主讲老师：司继春 (上海对外经贸大学) ；张宏亮（浙江大学）
课程时间：2024 年 11 月 9-10 日 ；16-17日
课程咨询：王老师 18903405450（微信）
尊敬的老师 / 亲爱的同学们：
连享会致力于不断优化和丰富课程内容，以确保每位学员都能获得最有价值的学习体验。为了更精准地满足您的学习需求，我们诚挚地邀请您参与到我们的课程规划中来。请您在下面的问卷中，分享您 感兴趣的学习主题或您希望深入了解的知识领域 。您的每一条建议都是我们宝贵的资源，将直接影响到我们课程的改进和创新。我们期待您的反馈，因为您的参与和支持是我们不断前进的动力。感谢您抽出宝贵时间，与我们共同塑造更加精彩的学习旅程！https://www.wjx.cn/vm/YgPfdsJ.aspx# 再次感谢大家宝贵的意见！
New！ Stata 搜索神器：
lianxh和songblGIF 动图介绍
搜： 推文、数据分享、期刊论文、重现代码 ……
👉 安装：
. ssc install lianxh
. ssc install songbl
👉 使用：
. lianxh DID 倍分法
. songbl all
🍏 关于我们
连享会 ( www.lianxh.cn，推文列表) 由中山大学连玉君老师团队创办，定期分享实证分析经验。 直通车： 👉【百度一下： 连享会】即可直达连享会主页。亦可进一步添加 「知乎」,「b 站」,「面板数据」,「公开课」 等关键词细化搜索。
