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!