1 门限自回归模型概述
门限自回归模型（TAR）是单变量时间序列模型中自回归模型（AR）对应的非线性模型。
只要数据是时间序列，就需要考虑平稳性！门限自回归模型也不例外！
2 门限自回归模型的形式
yt-1为门限变量，虽然y的其他滞后项也可以为门限变量，但一般在单变量自回归模型中门限变量一般就只用yt-1；
γ为门限值。
yt-1为受门限影响的变量，其在门限两侧的系数分别为δ1和δ2，除此之外，y的其他滞后项也可以受到门限变量的影响。
3 门限自回归模型的应用
我们仍以ARMA模型中的shibor例子进行展示。
3.1 新建工作文件、数据录入及平稳性检验
参照ARMA模型中的shibor例子，新建工作文件、进行单位根检验、绘制自相关偏自相关图！
经检验，shibor数据平稳。
3.2 估计AR模型
在ARMA模型中，我们建立了shibor的ARMA(1,1)模型，这里为了展示门限自回归模型，所以我们在AR(2)模型的基础上建立TAR模型
在EViews主窗口中依次选择Quick/Estimate Equation；
在Equation Estimation窗口的Equation specification中输入shibor shibor(-1) shibor(-2)进行估计。
在AR(2)的估计结果窗口，可以看出，shibor(-1)和shibor(-2)的系数均显著！
3.3 估计TAR模型
在AR(2)的估计结果窗口，点击上方的Estimate按钮，重新进入估计设置窗口。
在Equation Estimation窗口的Method中选择THRESHOLD -...
在Equation Estimation窗口的Equation specification中输入shibor shibor(-1) shibor(-2);
List of non-threshold regressors表示不受门限变量影响的解释变量，这里留空；
Threshold variable specification中输入门限变量shibor(-1)，点击确定进行估计。
在TAR估计结果窗口中可以发现，shibor(-1)有一个门限值：1.7449999，将AR模型分成了两个。当shibor(-1)小于1.744999时有122个样本；当shibor(-1)大于1.744999时有94个样本。
与AR(2)对比，发现R-squared有所提升，且AIC、SC明显下降，因而TAR(2)模型明显优于AR(2)模型。
我们继续估计TAR模型的其他形式！
在上面门限自回归模型估计结果窗口中，点击上方的Estimate按钮，重新进入估计设置窗口；
在Equation Estimation窗口的Equation specification中输入shibor shibor(-1);
List of non-threshold regressors中输入不受门限影响的变量：shibor(-2);
Threshold variable specification中输入门限变量shibor(-1)，点击确定进行估计。
在TAR估计结果窗口中可以发现，shibor(-1)有一个门限值：1.6019999，将AR模型分成了两个。当shibor(-1)小于1.6019999时有100个样本；当shibor(-1)大于1.6019999时有116个样本。
与前一个TAR模型对比，发现R-squared、AIC和SC相差不大，因而两个TAR模型相差不大。
不过由于前1个TAR模型中第一个门限方程中shibor(-2)的系数不显著，而当前TAR模型所有变量的系数均显著，所以最终选择该模型来估计我国shibor利率！