这是我做出来的VAR（向量自回归模型）的结果。看不太懂。。着急哎。。在线等

Question

怎么看估计值显著不显著啊？？不显著怎么办啊。
Vector Autoregression Estimates
Date: 05/08/12 Time: 16:43
Sample(adjusted): 1991 2010
Included observations: 20 after adjusting endpoints
Standard errors in ( ) & t-statistics in [ ]

CPI WI R STOCKR DEBTR
CPI(-1) -0.549502 -1.619005 -0.182509 -12.31265 0.015437
(0.46770) (0.62550) (0.14828) (9.18085) (0.20237)
[-1.17491] [-2.58832] [-1.23086] [-1.34112] [ 0.07628]

WI(-1) 0.950522 1.782923 0.232765 2.680205 0.126980
(0.28503) (0.38120) (0.09037) (5.59512) (0.12333)
[ 3.33483] [ 4.67710] [ 2.57582] [ 0.47903] [ 1.02961]

R(-1) -2.777405 -3.044593 0.131439 50.58329 0.195050
(1.32301) (1.76942) (0.41945) (25.9707) (0.57245)
[-2.09930] [-1.72067] [ 0.31336] [ 1.94770] [ 0.34073]

STOCKR(-1) 0.017797 0.005626 0.007951 -0.227769 0.018220
(0.01370) (0.01832) (0.00434) (0.26890) (0.00593)
[ 1.29922] [ 0.30710] [ 1.83077] [-0.84705] [ 3.07407]

DEBTR(-1) 2.978284 3.184275 0.613127 -24.22021 0.667766
(1.10657) (1.47995) (0.35083) (21.7220) (0.47880)
[ 2.69145] [ 2.15161] [ 1.74766] [-1.11501] [ 1.39467]

C 2.635758 3.758983 -0.257541 43.98076 -0.671091
(1.11127) (1.48622) (0.35231) (21.8141) (0.48083)
[ 2.37185] [ 2.52922] [-0.73100] [ 2.01616] [-1.39569]
R-squared 0.831463 0.756979 0.940896 0.369095 0.941414
Adj. R-squared 0.771272 0.670186 0.919788 0.143772 0.920491
Sum sq. resids 0.011868 0.021228 0.001193 4.573258 0.002222
S.E. equation 0.029116 0.038940 0.009231 0.571543 0.012598
F-statistic 13.81360 8.721653 44.57450 1.638071 44.99319
Log likelihood 45.91748 40.10268 68.89207 -13.62371 62.67229
Akaike AIC -3.991748 -3.410268 -6.289207 1.962371 -5.667229
Schwarz SC -3.693028 -3.111548 -5.990487 2.261090 -5.368509
Mean dependent 4.650526 4.742171 0.047521 0.299625 0.063294
S.D. dependent 0.060879 0.067805 0.032593 0.617667 0.044678
Determinant Residual Covariance 8.07E-17
Log Likelihood (d.f. adjusted) 228.6684
Akaike Information Criteria -19.86684
Schwarz Criteria -18.37324

Answer 1

发现最近问计量的问题挺多。。。那我来试着回答一下：VAR模型建立的目的跟我们一般建立的单方程（单方程多元回归&时间序列）模型不太一样。首先 它不基于任何先验的理论 因此一般来说我们不分析一种变量对另一种变量的影响 而是分析某一误差（或者说冲击）对整个系统的影响（如果还记得线性代数 就可以知道变量之间的关系体现在矩阵里）这种方法叫做IRF——脉冲响应函数方法。。。其次 还可以考察误差变化的重要程度 叫做方差分解方法。。。基本上VAR模型都要进行这两个分析。。。回到你的问题 上面说了一大堆 就是没有说显著性的问题 是因为VAR模型里面显著性不那么重要 可以允许有几个不显著的 不会影响分析结果 顶多在文章后面说一说。。。所以这个结果里并没有显著性也是因为这样 给出的结果是系数和【】里面的t值。。。比起显著性 我觉得应该更加关注平稳性 不平稳可是不行的 具体就是对你这个序列进行单位根检验（ADF基本够了）确定序列都平稳再做 不平稳的话 差分 或者找协整。。。如果果真需要看看显著性才心安 那么咱也有法子 估计出这个大表以后 在prob里面找make system 然后随便选一个（by lag就是按照滞后阶数来排列你的变量就像这样a（-1）b（-1） by variance就是按照变量来排列 a（-1）a（-2）随便选不影响结果）然后得到一个大框里里面有好多式子 选prob 然后估计 直接用OLS就行 要用SUR也可以但影响不大 得到一个结果——你想要的。。。最后我想强调一点 我见过许多同学上来就问我 为啥不显著啊？怎么才能显著啊？其实显著性的问题是相对而言的 不是说越显著模型就做的越好（例如虚假回归 根本毫无意义 好比拿你的身高解释GDP）毕竟我们这门学科叫做计量经济学 一定要有经济原理作支撑才可以。。。建议读一读高铁梅老师的《建模》那本 推到少但是比较全 而且都有操作 这样可能做的会比较好 另外我上面的许多概念 如果不懂的话 尽管baidu 都有很清楚的答案~（P.S. 别小看了VAR 2011经济学诺奖Sims能得到有一半都是因为发明了这玩意~~）追问

首先非常感谢你的回答。前面说的我看明白了。平稳性检验(ADF)和协整检验我都已经做完了，所以不会出现所谓的伪回归。
我不太理解这个大表里面的数字的含义（上面的数字），也不知道哪个是估计出来的系数。那个（）里和[ ]里的是什么不太清楚。我所说的是否显著，是指系数是否显著。因为参考的一篇论文里是这么说滴。。
还烦劳大神费心帮我回答一下，吾愿倾尽吾毕生之财富求得学习上的一知半解。。

追答

。。。其实这个分数对我实在没啥用 不给也罢 因为可能还会有其他人需要不是嘛。。。平稳性做完以后 如果平稳 就不必考虑协整了 可以这么理解下啊：协整是为了不平稳准备的 所以直接建立模型就可以了。。。括号里的结果里很清楚了啊：Standard errors（标准差） in ( ) & t-statistics （t统计量） in [ ] 而且我上面已经提到了啊 如果你是想问标准差和t统计量的含义 建议去看看多元回归的教材 或者网上也有。。。我知道你想要系数的显著性 所以按照我上面说的做就可以了啊 在prob里面找make system 然后随便选一个 然后在新的框子里 选prob 然后估计 直接用OLS就行 你会发现 结果变成了多元回归的结果一样 有Pvalue了 你试试就知道了。。。可能我写的太长了点 重点都没看到啊 呵呵 算了知道主动求学的孩子我都会帮忙的。。。分数的话 不用给了 真心没啥用处 我是来回答问题的 不是来拿分的。。。如果有其他问题 请留下你的qq吧

Answer 2

同学，做出来后点view-representation，就直接出来模型了

Answer 3

不显著就换个模型做啊