本文目录
协整检验有什么意义？
1、当你的数据时间维度t比较长的，一定要先做单位根检验，避免出现伪回归问题。
2、如果变量都拒绝了单位根存在的原假设，说明数据都是平稳的(0阶单整)，无需再进行协整检验。
协整检验是数据不平稳但是同阶单整的前提下，检验变量X与变量y之间是否存在长期均衡关系。
之所以这么麻烦，是因为时间序列数据进行回归，很容易出现虚假回归的问题，就是两个完全没有因果关系的变量，会因为都随时间t的增加而增加，呈现出相关。这样的回归是没有任何意义的，所以一定要确保数据平稳再建模。但是现实中不平稳的时间序列数据多了去了，然后格兰杰又想出能不能放松平稳性的假定，就提出了协整这一概念。
3、稳健性检验
面板回归的稳健性检验我还真没听说，可能就是检验建好的模型是不是充分合理，残差是不是白噪声？？(此处瞎扯，我去查一下)
4、内生性检验
内生性检验是指残差项ε与自变量xi之间存在相关性，违背了最小二乘法回归的5大经典假定，存在内生性的ols回归估计是有偏非一致的。
检验解释变量内生性（解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。
Hausman 检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。
协整检验特征值的意义？
1、当你的数据时间维度t比较长的，一定要先做单位根检验，避免出现伪回归问题。
2、如果变量都拒绝了单位根存在的原假设，说明数据都是平稳的(0阶单整)，无需再进行协整检验。
协整检验是数据不平稳但是同阶单整的前提下，检验变量X与变量y之间是否存在长期均衡关系。
之所以这么麻烦，是因为时间序列数据进行回归，很容易出现虚假回归的问题，就是两个完全没有因果关系的变量，会因为都随时间t的增加而增加，呈现出相关。这样的回归是没有任何意义的，所以一定要确保数据平稳再建模。但是现实中不平稳的时间序列数据多了去了，然后格兰杰又想出能不能放松平稳性的假定，就提出了协整这一概念。
3、稳健性检验
面板回归的稳健性检验我还真没听说，可能就是检验建好的模型是不是充分合理，残差是不是白噪声？？(此处瞎扯，我去查一下)
4、内生性检验
内生性检验是指残差项ε与自变量xi之间存在相关性，违背了最小二乘法回归的5大经典假定，存在内生性的ols回归估计是有偏非一致的。
检验解释变量内生性（解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。
Hausman 检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。
什么是VAR模型？
VAR，也即Vector autoregression model，中文名字叫做向量自回归模型。简单来说，就是用模型刻画向量之间的数量关系。这就引出了VAR的适用前提：①能进行回归，自然要求数据平稳，否则会发生伪回归；②回归在向量之间发生，向量之间自然需要存在一定的关系（统计意义上的因果关系），那么就要求通过格兰杰因果检验。而格兰杰因果检验的前提要求数据平稳，因此要先进行平稳性检验。
所以
仅仅从VAR的定义来看，就可以确定的是，要先进行平稳性检验，数据平稳（不平稳进行差分）再进行格兰杰因果检验。
当然，格兰杰因果检验同时要求判断滞后阶数，滞后阶数的判断就比较见仁见智了，有些做法甚至直接做出初始的VAR进行判断（如果事先认为因果检验是成立的，这样做也未尝不可）。
那么做出来的VAR模型是不是就好了呢？也不全是。因为在时间序列模型中，存在协整这样一个调整长期均衡关系的概念，转换到VAR中来，
如果数据本身不平稳，但却又是同阶单整
，那么
通过建立误差修正模型（ECM），就可以使得模型包含长期均衡的信息，从而完善模型
。只不过ECM在VAR中改名换姓，改叫向量误差修正模型（VEC）了。
模型的构造已经基本完成，简单总结一下就是：
首先进行平稳性检验。如果平稳，则进行格兰杰因果检验；如果不平稳，差分后平稳，则对差分数据进行格兰杰因果检验，同时为了完善模型，如果数据是同阶单整的，则进行协整检验（此时协整和格兰杰互不影响，因此可以互换顺序）。
在模型构建完成之后
，如何评判模型的优劣呢？
用AR根对VAR模型的平稳性进行判断
，这也就是模型的最后一步。
什么是向量自回归模型啊?VAR模型？
VAR，也即Vector autoregression model，中文名字叫做向量自回归模型。简单来说，就是用模型刻画向量之间的数量关系。这就引出了VAR的适用前提：①能进行回归，自然要求数据平稳，否则会发生伪回归；②回归在向量之间发生，向量之间自然需要存在一定的关系（统计意义上的因果关系），那么就要求通过格兰杰因果检验。而格兰杰因果检验的前提要求数据平稳，因此要先进行平稳性检验。
所以
仅仅从VAR的定义来看，就可以确定的是，要先进行平稳性检验，数据平稳（不平稳进行差分）再进行格兰杰因果检验。
当然，格兰杰因果检验同时要求判断滞后阶数，滞后阶数的判断就比较见仁见智了，有些做法甚至直接做出初始的VAR进行判断（如果事先认为因果检验是成立的，这样做也未尝不可）。
那么做出来的VAR模型是不是就好了呢？也不全是。因为在时间序列模型中，存在协整这样一个调整长期均衡关系的概念，转换到VAR中来，
如果数据本身不平稳，但却又是同阶单整
，那么通过建立误差修正模型（ECM），就可以使得模型包含长期均衡的信息，从而完善模型
。只不过ECM在VAR中改名换姓，改叫向量误差修正模型（VEC）了。模型的构造已经基本完成，简单总结一下就是：
首先进行平稳性检验。如果平稳，则进行格兰杰因果检验；如果不平稳，差分后平稳，则对差分数据进行格兰杰因果检验，同时为了完善模型，如果数据是同阶单整的，则进行协整检验（此时协整和格兰杰互不影响，因此可以互换顺序）。
在模型构建完成之后
，如何评判模型的优劣呢？用AR根对VAR模型的平稳性进行判断
，这也就是模型的最后一步。stata如何避免反向因果？
基本方法是格兰杰因果检验
