教程 · 2026-06-24

VAR向量自回归用AI一句话完成 — 定阶、Granger因果、脉冲响应IRF与方差分解FEVD全攻略

VAR向量自回归完整教程：AI自动完成定阶（AIC/SC/HQ）、Granger因果检验、脉冲响应函数（IRF）与预测误差方差分解（FEVD），给出符合APA 7th格式的论文报告句式，SPSS+R+Stata三引擎全支持。

研究利率、GDP、通胀之间的动态传导？SPSS的VAR对话框几乎没有？R的vars包参数一大堆？这篇教程教你用AI一句话跑完VAR全套流程——从定阶到Granger因果，从IRF到FEVD——60秒输出可直接贴进论文的三线表和APA格式文字。

多变量时间序列：为什么VAR是标准选择

经济学、金融学、宏观政策研究里，核心变量之间往往相互影响、彼此反馈：

货币政策冲击如何传导到产出和物价？
股票市场与债券市场之间存在溢出效应吗？
贸易政策变化对汇率、出口和GDP的冲击持续多少期？

这类问题不能用单方程回归——自变量和因变量之间存在双向因果（内生性），单方程模型会给出有偏估计。**向量自回归（Vector Autoregression, VAR）**正是为此而生：将所有变量都视为内生变量，每个变量都对自身和其他所有变量的滞后期做回归，让数据"自己说话"，不预设任何单向因果结构。

VAR的核心分析链路是：

平稳性检验（ADF/PP）→ 确认变量是否需要差分
定阶（AIC/SC/HQ信息准则）→ 确定最优滞后阶数p
Granger因果检验 → 统计意义上哪个变量"先行"影响哪个
脉冲响应函数（IRF） → 一个变量受到冲击后，各变量如何随时间演化
预测误差方差分解（FEVD） → 各变量的预测误差中，有多大比例来自自身冲击vs他变量冲击

在SPSS里，VAR分析几乎没有对话框支持，需要借助语法命令（VAR程序仅限于特定附加模块）；在R中，vars包功能完整但参数繁多，irf()的置信带宽、fevd()的分解期数、正交化方式（Cholesky vs广义IRF）都需要逐一手动指定。

ChatSRS把全部流程压到一句自然语言指令。

案例数据：中国宏观经济三变量VAR

研究背景

研究货币政策（货币供应M2增速）、经济产出（GDP同比增速）和物价水平（CPI同比增速）之间的动态关系，使用中国1996Q1—2023Q4季度数据，共112个观测值。

数据结构

quarter     季度（1996Q1 ~ 2023Q4，共112期）
gdp_g       GDP同比增速（%，季度）
m2_g        M2货币供应增速（%，季度）
cpi_g       CPI同比涨幅（%，季度）

研究问题：三个宏观变量之间是否存在Granger因果关系？货币政策冲击（M2增速上升1%）对GDP和CPI的脉冲响应路径是什么？各变量的预测误差主要由哪些冲击驱动？

VAR分析核心概念

1. VAR(p)模型设定

VAR(p)模型对k个变量建立联立方程组：

Y_t = A_1 * Y_{t-1} + A_2 * Y_{t-2} + ... + A_p * Y_{t-p} + c + u_t

Y_t：k维内生变量向量（本例k=3：gdp_g、m2_g、cpi_g）
A_i：k×k阶系数矩阵，第i个滞后期的动态效应
c：常数向量
u_t：k维白噪声向量（同期误差允许相关，即cov(u_t)=Sigma非对角）
p：滞后阶数，由信息准则确定

VAR估计本质是逐方程OLS：每个方程独立估计，系数有效（若各方程包含相同回归量，OLS与SUR等价）。

2. 定阶准则（AIC / SC / HQ）

选择滞后阶数p时，三个信息准则各有侧重：

准则	公式	特点
AIC（Akaike）	-2ln(L)/T + 2k^2p/T	倾向选较大p，适合预测
SC/BIC（Schwarz）	-2ln(L)/T + k^2p*ln(T)/T	惩罚更重，倾向选较小p，适合推断
HQ（Hannan-Quinn）	-2ln(L)/T + 2k^2p*ln(ln(T))/T	介于AIC和SC之间

实践规则：三个准则一致选同一p则最优；若不一致，结构推断（Granger检验）优先SC，预测分析优先AIC。三准则不一致时应进行稳健性检验。

3. Granger因果检验

Granger因果（Granger, 1969）并非哲学意义上的"因果"，而是预测意义上的先行性：

若在给定Y自身历史的基础上，加入X的历史信息能显著改善对Y的预测，则称X Granger-cause Y。

检验方法：对VAR方程做沃尔德（Wald）检验，原假设H0：X对Y方程的所有滞后系数联合为零（即X对Y无Granger因果）。

注意：Granger因果不等于真实因果；变量遗漏、时间聚合或共同驱动因素都可能导致虚假Granger因果。APA报告中应明确写"统计意义上的先行性"而非直接写"导致"。

4. 脉冲响应函数（IRF）

IRF追踪一个变量受到一个标准差冲击后，系统中所有变量在未来各期的动态响应路径。

关键技术问题：由于VAR的同期误差之间可能相关（Sigma非对角），需要对冲击进行**正交化（orthogonalization）**才能识别结构冲击：

正交化方法	原理	适用场景
Cholesky分解	对Sigma做Cholesky分解，按变量顺序依次正交	有明确理论先验（因果顺序）时
广义IRF（GIRF）	Pesaran & Shin (1998)，不依赖变量排列顺序	无明确先验、结果需对排列稳健时

Cholesky分解的顺序依赖性是VAR分析中最重要的主观选择，需要在论文中明确说明并做排列稳健性检验。

5. 预测误差方差分解（FEVD）

FEVD回答：在预测h期前的误差中，有多大比例来自变量j自身的冲击，多大比例来自其他变量的冲击？

FEVD_ij(h) = 变量j的冲击对变量i的h步前预测误差方差贡献比例

FEVD各列之和为100%。第1期的FEVD反映同期影响，随h增大趋于稳定值反映长期影响结构。

用AI一句话完成VAR分析

在 chatsrs.com 上传季度宏观数据后输入：

"对 gdp_g、m2_g、cpi_g 三个变量做VAR向量自回归分析：

先对三个变量做ADF单位根检验，确认平稳性

用AIC、SC、HQ信息准则选最优滞后阶数p（最大阶数设为8）

建立VAR(p)模型，输出各方程回归系数表（三线表格式）

做Granger因果检验，所有变量两两检验，输出Wald统计量和p值

做脉冲响应函数IRF，冲击来源为m2_g，响应变量为gdp_g和cpi_g，追踪12期，用Cholesky正交化，绘制IRF图（含95%置信带）

做预测误差方差分解FEVD，分解到12期，输出三线表

输出可直接粘贴进论文的APA 7th格式中文文字描述"

60秒后，ChatSRS完整输出以下七部分结果。

输出结果怎么读

输出1：ADF单位根检验

表1  变量单位根检验结果（ADF检验，N = 112）

变量         ADF统计量    1%临界值   5%临界值   p值      结论
gdp_g        -4.832       -3.494      -2.889     <.001    平稳（I(0)）
m2_g         -3.971       -3.494      -2.889     .002     平稳（I(0)）
cpi_g        -4.215       -3.494      -2.889     <.001    平稳（I(0)）

注：检验含截距项，无时间趋势（含趋势的LLC结论一致）。三个变量均在1%水平拒绝单位根
   原假设，可直接建立水平值VAR，无需差分或协整处理。

平稳性结论对模型设定至关重要：若变量含单位根（I(1)），则需考虑协整检验（Johansen），若存在协整关系建立VECM，若不存在则对差分序列建VAR。本例三变量均平稳，直接建立VAR(p)。

输出2：最优滞后阶数

表2  VAR滞后阶数信息准则（最大阶数 = 8）

滞后阶数    AIC         SC          HQ
1           8.342       8.621 *     8.456
2           8.187 *     8.713       8.391 *
3           8.224       9.003       8.516
4           8.261       9.304       8.671
5           8.298       9.591       8.828

注：* 表示该准则下的最小值。AIC和HQ选p=2，SC选p=1。
   采用SC准则选p=1用于Granger因果推断，采用p=2做稳健性检验。

定阶决策规则：三准则不完全一致时，Granger因果等结构推断优先SC（p=1），预测分析和IRF/FEVD优先AIC（p=2），在论文中应报告两个阶数的稳健性结果。本例正文以VAR(2)为主模型报告。

输出3：VAR方程系数（以GDP方程为例）

表3  VAR(2)模型GDP增速方程系数（因变量：gdp_g_t）

变量                   系数        SE       t值        p值
gdp_g_{t-1}            0.381      0.094    4.053      <.001 ***
gdp_g_{t-2}           -0.118      0.096   -1.229       .221
m2_g_{t-1}             0.183      0.062    2.952       .004 **
m2_g_{t-2}             0.074      0.063    1.175       .243
cpi_g_{t-1}           -0.124      0.087   -1.425       .157
cpi_g_{t-2}            0.089      0.088    1.011       .314
常数                    1.247      0.482    2.587       .011 *

注：* p < .05，** p < .01，*** p < .001。方程R^2 = .618，调整R^2 = .592。
   共三个方程，m2_g和cpi_g方程格式相同。

输出4：Granger因果检验结果

表4  VAR(2) Granger因果检验（Wald检验，df = 2）

原假设（H0）               chi-squared    p值        结论
m2_g不Granger-cause gdp_g  9.847          .007 **    拒绝H0，M2先行影响GDP
cpi_g不Granger-cause gdp_g  3.218          .200        不拒绝H0
gdp_g不Granger-cause m2_g   2.641          .267        不拒绝H0
cpi_g不Granger-cause m2_g   5.312          .070        不拒绝H0（边缘显著）
gdp_g不Granger-cause cpi_g  7.934          .019 *     拒绝H0，GDP先行影响CPI
m2_g不Granger-cause cpi_g   4.186          .123        不拒绝H0

注：* p < .05，** p < .01。Granger因果指统计意义上的先行性，非哲学因果。
   全模型联合检验（ALL Granger-cause）另附详表。

解读要点：

M2增速→GDP增速（p = .007）：货币供应增速对GDP增速有统计先行性，符合凯恩斯货币传导逻辑
GDP增速→CPI增速（p = .019）：产出增速对物价有统计先行性，符合菲利普斯曲线框架
M2对CPI无直接Granger因果（p = .123），货币→物价的传导可能通过产出间接实现

输出5：脉冲响应函数（IRF）

表5  M2冲击的脉冲响应（Cholesky正交化，排列：gdp_g → m2_g → cpi_g）

期数    GDP增速响应    95%下界    95%上界    CPI增速响应    95%下界    95%上界
1       0.000          0.000       0.000      0.000          0.000       0.000
2       0.284          0.091       0.477      0.023         -0.048       0.094
3       0.318          0.107       0.529      0.098          0.021       0.175
4       0.241          0.033       0.449      0.142          0.056       0.228
5       0.173          -0.021      0.367      0.161          0.067       0.255
6       0.112          -0.071      0.295      0.152          0.050       0.254
8       0.048          -0.108      0.204      0.121          0.015       0.227
10      0.019          -0.098      0.136      0.087         -0.024       0.198
12      0.007          -0.071      0.085      0.058         -0.049       0.165

注：Cholesky排列为gdp_g→m2_g→cpi_g（货币供应为中间变量）。
   ChatSRS同时输出IRF折线图，含95%置信带阴影（Bootstrap 2000次）。
   第1期GDP响应为0系Cholesky正交化的递归限制，非实证结果。

IRF图读法：

纵轴为响应变量的单位变动幅度（百分点）
横轴为滞后期数
置信带不含零：该期响应统计显著
响应衰减至零并稳定，说明VAR系统稳定（所有特征根模在单位圆内）

本例解读：M2增速1标准差正冲击后，GDP增速在第2-3期显著上升（峰值0.318，置信带不含0），第6期后不显著；CPI增速响应滞后于GDP，在第3-8期显著上升，体现"货币→产出→物价"的传导时滞结构。

输出6：预测误差方差分解（FEVD）

表6  VAR(2) 预测误差方差分解（%）

         GDP增速的预测误差分解               CPI增速的预测误差分解
期数    来自GDP冲击  来自M2冲击  来自CPI冲击    来自GDP冲击  来自M2冲击  来自CPI冲击
1        100.0        0.0          0.0            4.2           1.6          94.2
2         78.3        18.4         3.3            6.8           3.9          89.3
4         67.4        24.1         8.5            12.4          6.7          80.9
6         62.8        26.3         10.9           16.8          8.2          75.0
8         61.1        27.2         11.7           19.4          9.1          71.5
10        60.6        27.6         11.8           21.2          9.6          69.2
12        60.4        27.7         11.9           22.1          9.8          68.1

注：三列之和 = 100%。数据为该方程预测误差方差中各冲击来源的贡献比例。
   GDP增速第1期自身贡献100%为Cholesky递归识别的数学性质（排列第一的变量当期不受其他变量同期冲击影响），后续变量（M2、CPI）第1期自身贡献非100%，属于实证结果。

FEVD解读：

GDP增速：自身冲击是主导（12期后仍占60.4%），M2冲击贡献约27.7%，表明货币政策对产出有显著解释力
CPI增速：自身冲击虽是最大来源（68.1%），但GDP冲击贡献约22.1%，货币供应冲击贡献9.8%，物价受实体经济冲击的影响大于货币的直接影响

论文里怎么报告（APA 7th格式）

APA 7th对VAR分析的报告要求较为灵活，但学术期刊（尤其经济学、金融学方向）通常要求以下要素：

方法节（完整版）

采用向量自回归（VAR）模型考察GDP增速、M2增速和CPI增速三个宏观变量之间的动态关系，样本区间为1996Q1至2023Q4，共112个季度观测值（注：按10倍参数规则，k=3、p=2的VAR至少需约210个观测值，本例样本量略显不足，IRF和FEVD结论宜结合Bootstrap置信带审慎解读）。

建模前，对三变量进行ADF单位根检验；三个变量均在1%统计显著性水平下拒绝单位根假设，确认为平稳序列，可直接建立水平值VAR。以AIC、SC和HQ信息准则确定最优滞后阶数，AIC与HQ均选p = 2，SC选p = 1，正文采用VAR(2)为基准模型。

Granger因果检验基于Wald统计量，原假设为被检验变量对方程中其余变量的全部滞后系数联合为零。脉冲响应函数（IRF）采用Cholesky正交化识别结构冲击，变量排列顺序为GDP增速→M2增速→CPI增速，置信带由Bootstrap方法（2,000次）构造。预测误差方差分解（FEVD）追踪至12期。所有分析以R 4.4（vars包v1.6）实施，检验水准alpha = .05（双尾）。

结果节（核心统计报告）

单位根检验：ADF检验结果显示，GDP增速（ADF = -4.83, p < .001）、M2增速（ADF = -3.97, p = .002）和CPI增速（ADF = -4.22, p < .001）均在1%水平拒绝单位根假设，三变量为平稳序列。

VAR定阶：基于信息准则，AIC和HQ准则均选p = 2，SC准则选p = 1；正文采用VAR(2)为基准模型，VAR(1)结果作为稳健性检验。

Granger因果检验：在VAR(2)框架下，M2增速对GDP增速存在统计意义上的先行性，chi-squared(2) = 9.85, p = .007；GDP增速对CPI增速存在统计意义上的先行性，chi-squared(2) = 7.93, p = .019；其余方向因果检验均不显著（ps > .05）。上述结果支持"货币→产出→物价"的间接传导路径。

脉冲响应：M2增速受到一个标准差正向冲击后，GDP增速在第2至4期显著上升，第3期响应峰值约为0.32个百分点（95% CI [0.11, 0.53]）；CPI增速的显著响应滞后于GDP，在第3至8期显著为正，峰值约为0.16个百分点（第5期；95% CI [0.07, 0.26]），第10期后响应不再显著。

方差分解：12期后，M2增速冲击解释了GDP增速预测误差方差的27.7%，解释了CPI增速预测误差方差的9.8%，印证了货币供应对实体产出具有较强影响力、对物价的直接解释力相对有限的实证发现。

可抄进论文的APA格式句式

Granger因果报告句式：

在VAR(p)框架下，[变量X]对[变量Y]存在统计意义上的先行性，
chi-squared([df]) = XX.XX, p = .XXX。
（注：此处Granger因果指预测先行性，非哲学意义因果关系。）

IRF报告句式：

[变量X]受到一个标准差正向冲击后，[变量Y]在第[h1]至[h2]期的响应显著为正，
峰值约为[XX]个单位（第[h]期；95% CI [[lower], [upper]]），第[h3]期后响应
不再与零有统计显著差异。

FEVD报告句式：

预测误差方差分解结果显示，[变量X]的冲击解释了[变量Y][h]期预测误差方差的[XX]%，
表明[解读]。

APA格式细节提醒：

要素	格式示例
Granger因果chi-squared	chi-squared(2) = 9.85, p = .007
IRF置信区间	95% CI [0.11, 0.53]
FEVD百分比	解释了XX%的预测误差方差
软件标注	R 4.4（vars包v1.6）
Granger因果措辞	"统计意义上的先行性"，避免写"导致"

常见问题 FAQ

Q1：VAR和单方程回归（OLS）有什么本质区别？什么时候必须用VAR？

A：OLS单方程回归假设解释变量是外生的——即X影响Y，但Y不影响X。当变量之间存在反馈（互为因果）或你无法确定因果方向时，单方程回归会产生内生性偏误，系数估计有偏且不一致。VAR把所有变量都当作内生变量处理，不预设哪个是"因"哪个是"果"，而是让数据自己展示动态结构。实践判断规则：若理论或先验知识支持双向影响（如货币-产出-物价、股价-汇率-利率），应优先考虑VAR；若明确有单向因果先验，OLS或联立方程模型更合适。

Q2：VAR定阶三个准则不一致，怎么选？

A：这是VAR实证中最常见的两难困境。实践操作如下：(1) 若分析目的是结构推断（Granger因果、IRF解释），优先SC（BIC），因为SC对过度参数化的惩罚更重，阶数低的模型自由度更多，检验更有效；(2) 若分析目的是预测，优先AIC，阶数略大有助于减少预测偏差；(3) 无论如何都要做稳健性检验：以不同阶数重跑主要结论，若Granger因果和IRF的定性结论不变，说明结论稳健，在论文中脚注报告即可。ChatSRS在输出时会自动标注三准则推荐阶数，并提示做稳健性检验。

Q3：Cholesky正交化的变量排列顺序怎么确定？对结果影响大吗？

A：Cholesky分解是递归识别策略：排列靠前的变量当期不受排列靠后变量的同期冲击影响，靠后的变量则受排列靠前所有变量的同期影响。顺序设定本质是一种递归外生性假设，应基于经济理论或制度先验决定（如货币政策决策于季末，产出数据发布于下季初，则M2应排在GDP之前）。排列顺序对短期（前1-2期）IRF影响较大，对中长期和FEVD影响通常较小。稳健性检验：尝试所有可能的排列（k个变量有k!种排列），若定性结论稳定则可信。若对顺序无把握，应改用广义IRF（GIRF）——GIRF不依赖排列顺序，ChatSRS支持一句话切换。

Q4：变量含单位根（I(1)）时，还能用VAR吗？

A：含I(1)变量时，有三种处理路径，选哪个取决于协整关系是否存在：(1) 差分VAR：将I(1)变量差分为I(0)后建立VAR——简单但损失长期水平信息，且若变量存在协整会导致误设；(2) VECM（向量误差修正模型）：若变量之间存在协整（Johansen检验显著），应建立VECM，它在VAR框架内加入误差修正项，同时捕捉短期动态和长期均衡关系，是I(1)变量的推荐做法；(3) 水平VAR（含I(1)变量不差分）：Sims等人证明若关注IRF和FEVD的预测推断，水平VAR的估计量渐进有效，但Granger因果的Wald检验需修正（Toda-Yamamoto方法）。在ChatSRS中输入"对I(1)变量做Johansen协整检验，若协整则建VECM"即可自动走协整路径。

Q5：样本量多少才够做VAR？小样本怎么办？

A：VAR参数数量是 k^2 * p + k（含常数项），k个变量p阶VAR共有 k*(kp+1) 个待估参数。本例k=3, p=2，参数数量为 3(3*2+1)=21 个。经验规则：有效观测数至少应为参数数量的10倍以上（即本例至少需210个观测，112个季度略显不足）。应对小样本的方法：(1) 降低阶数p（提高SC准则权重）；(2) 减少变量数k（聚焦核心三变量）；(3) 使用贝叶斯VAR（BVAR），通过Minnesota先验正则化估计；(4) Bootstrap置信带用于IRF（替代渐进正态理论）。ChatSRS在检测到自由度紧张时会自动提示并推荐BVAR选项。

小结

VAR向量自回归是多变量时间序列分析的核心工具，完整实施需要五步骤：平稳性确认→信息准则定阶→Granger因果检验→IRF脉冲响应→FEVD方差分解。每一步都有统计前提和报告规范，在SPSS/R/Stata中手动完成约需2-3小时，且稍有疏漏就会被审稿人打回。

ChatSRS把全套流程压到一句自然语言指令，结果格式直接符合APA 7th标准，IRF图含Bootstrap置信带，FEVD三线表可直接复制进论文。（本文方法节示例以R 4.4 vars包实施；如需SPSS或Stata输出，在ChatSRS中注明引擎即可切换。）

三个关键报告细节：Granger因果必须写"统计先行性"而非"导致"；IRF必须说明Cholesky正交化顺序并做稳健性检验；FEVD百分比各列之和应为100%（用于自查）。