网站调用字体,从零学建设网站,wordpress文章总是被修改,免费行情网站大全全文下载链接#xff1a;http://tecdat.cn/?p27784 河源市是国务院1988年1月7日批准设立的地级市#xff0c;为了深入研究河源市公路交通与经济发展的关系#xff0c;本文选取了1988#xff0d;2014年河源市建市以来24年的地区生产总值#xff08;GDP#xff09;和公路通… 全文下载链接http://tecdat.cn/?p27784 河源市是国务院1988年1月7日批准设立的地级市为了深入研究河源市公路交通与经济发展的关系本文选取了19882014年河源市建市以来24年的地区生产总值GDP和公路通车里程GL的时间序列数据其中公路通车里程GL用来反映河源市公路交通发展状况地区生产总值GDP反映河源市的经济增长状况点击文末“阅读原文”获取完整代码数据。 相关视频 为了消取数据的异方差将原始数据取对数分别记做LogGDP和LogGL数据见表采用ADF法对LogGDP和LogGL的平稳性进行单位根检验。 首先对19882014年河源市24年的LogGDP和LogGL时间序列进行ADF单位根检验单位根检验结果如表 t值和p值是等效的p值要求小于给定的显著水平越小越好小于0.05.等于0是最好的。结果显示LogGDP和LogGL的ADF值分别为-3.160130和-1.895105均大于水平值说明接受原假设LogGDP和LogGL序列存在单位根为非平稳序列。因此需要对LogGDP和LogGL序列继续第二步检验即对LogGDP和LogGL的一阶差分进行检验结果如表 结果显示LogGDP和LogGL经过一阶差分检验得到一阶差分序列DLogGDP和DLogGL的p值分别为0.0046和 0.0000均小于0.05的显著值。由于DLogGDP和DLogGL都是单整序列且单整阶数相同均为I1所以LogGDP和LogGL两序列之间可能存在协整关系。 点击标题查阅往期内容 向量自回归VAR的迭代多元预测估计 GDP 增长率时间序列|数据分享 左右滑动查看更多 01 02 03 04 GDP与公路交通里程GL协整性检验 由序列的平稳性检验结果可知河源市地区生产总值GDP和公里通车里程GL在19882014年这个时间序列中可能存在协整关系协整检验的方法有Engle Granger两步法和Johansen极大似然法前者适合对两变量的模型进行协整检验后者适合在多变量的VAR模型中进行检验。 利用engle和granger提出的两步检验法 首先建立OLS回归模型结果为 首先建立模型yaxce结果为loggdp 2.332247*loggl -7.210750 由ADF单位根检验结果可以看出上述变量是一阶平稳的符合granger因果关系检验的条件现对各变量之间进行granger因果关系检验以确定它们之间的相互影响关系取滞后阶数为2阶。 granger因果检验 从结果可知拒绝loggl不能granger loggdp的假设即loggl granger引起loggdp但是不能拒绝loggdp不能granger引起loggl即接受loggdp不能granger引起loggl。 同时对方程的残差进行ADF检验结果可以看出残差序列不是平稳的因此loggdp和loggl之间不存在协整关系。 建立VAR模型 利用Eviews计量经济分析软件本文对logGDP、loggl变量建立VAR(1)模型对于VAR模型滞后阶数的选择得到如表所列的5个评价指标且5个指标均认为1阶合理即建立VAR(1)模型。 同时有两类回归统计量出现在VAR对象估计输出的底部 输出的第一部分的标准OLS回归统计量。根据各自的残差分别计算每个方程的结果并显示在对应的列中。 输出的第二部分是VAR模型的回归统计量。 即协整方程式是 LOGGDP1.36534925116*LOGGDP(-1)-0.326349983643*LOGGDP(-2)0.139864325278*LOGGL(-1)-0.239810823184*LOGGL(-2)0.44758535991 可以看到VAR模型的所有根模的倒数都小于1即都在单位圆内则该模型是稳定的。可以对VAR模型进行一个标准差的脉冲响应函数分析。 脉冲响应函数是用来衡量随机扰动项的一个标准差冲击对其他变量当前与未来取值的影响轨迹它能够比较直观地刻画变量之间的动态交互作用。 本文继续利用方差分解技术分析经济增长速度、交通量增长之间的相互贡献率。进行方差分解示意图。 各变量对经济增长速度的贡献率。 实证检验 为了检验所建立交通量VAR预测模型的效果用EVIEWS软件对loggdp历史数据仿真得到如下预测模型。 loggdp coef(1) loggdp(-1) coef(2) loggdp(-2) coef(3) loggl(-1) coef(4) loggl(-2) coef(5) coef(1) 1.3653493 coef(2) -0.3263500 coef(3) 0.1398643 coef(4) -0.2398108 coef(5) 0.4475854 用VAR方法建立的GDP预测模型预测精度较高效果较好。此外可以得到如下的比较图 同时对loggl历史数据仿真得到如下预测模型。 loggl coef(1) loggdp(-1) coef(2) loggdp(-2) coef(3) loggl(-1) coef(4) loggl(-2) coef(5) coef(1) 0.9502916 coef(2) -0.8089714 coef(3) 0.5952874 coef(4) -0.0153147 coef(5) 1.7812591 以及历年loggl预测值、loggl实际值。 采用VAR方法建立的GDP预测模型有一个显著优点即它不用对当期的GDP或其他变量作出预测只用历史的GDP和交通量数据就可以对GDP做出比较准确的预测由于减少中间变量预测的传递相应提高了模型预测精度。 点击文末“阅读原文” 获取全文完整资料。 本文选自《Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化》。 点击标题查阅往期内容 R语言实现向量自回归VAR模型 R语言随机搜索变量选择SSVS估计贝叶斯向量自回归BVAR模型 向量自回归VAR模型分析消费者价格指数 (CPI) 和失业率时间序列 Matlab创建向量自回归VAR模型分析消费者价格指数 (CPI) 和失业率时间序列 Stata广义矩量法GMM面板向量自回归 VAR模型选择、估计、Granger因果检验分析投资、收入和消费数据 R语言时变向量自回归TV-VAR模型分析时间序列和可视化 R语言用向量自回归VAR进行经济数据脉冲响应研究分析 R语言arima向量自回归VAR周期自回归(PAR)模型分析温度时间序列 R语言VAR模型的不同类型的脉冲响应分析 R语言随机搜索变量选择SSVS估计贝叶斯向量自回归BVAR模型 R语言时变参数VAR随机模型 R语言估计时变VAR模型时间序列的实证研究分析案例 R语言向量自回归模型(VAR)及其实现 R语言实现向量自回归VAR模型 R语言估计时变VAR模型时间序列的实证研究分析案例 Python和R用EWMAARIMA模型预测时间序列 R语言用LASSOadaptive LASSO预测通货膨胀时间序列 Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测 R语言arima向量自回归VAR周期自回归(PAR)模型分析温度时间序列 【视频】Python和R语言使用指数加权平均(EWMA)ARIMA自回归移动平均模型预测时间序列
