论文部分内容阅读
在构建VAR模型时确定最优的滞后长度对于VAR模型有着重要的影响。本文在已有研究的基础上,通过构建两变量滞后一阶VAR模型和两变量滞后二阶的VAR模型数据生成过程,采用Monte Carlo模拟分析了不同的样本容量下,Akaike信息准则、Schwarz信息准则和Hannan-Quinn信息准则正确识别模型的滞后阶数的概率。分别讨论了不同的生成模式下的模型识别。以及模型是否稳定对正确识别的影响。通过固定其余参数,变化一个参数的数据生成方式给出数据生成过程中不同参数对正确识别的影响,以及相近的特征值对正确识别的影响。 本文的第一部分介绍有关背景的知识,给出本文研究的问题,及其目的和意义。第二部分介绍本文的研究思路,第三部分说明信息准则函数的原理,使用的模型,研究问题的步骤,使用的程序。第四部分给出数据并进行分析。正文的最后部分给出了结论。 通过所作的模拟,认为Schwarz信息准则的正确识别概率相对较高,适用于小样本条件。在样本容量较大时,三种准则都能很好地识别模型。