Векторная авторегрессия

Векторная авторегрессия (VAR, от англ. Vector Autoregression) — это эконометрическая модель, используемая для анализа взаимосвязей между несколькими временными рядами. В отличие от одномерной авторегрессии (AR), где текущее значение переменной зависит от её собственных прошлых значений, VAR моделирует каждый временной ряд как линейную функцию от собственных запаздывающих значений и запаздывающих значений всех других рядов в системе. Модель была предложена Кристофером Симсом в 1980 году как альтернатива структурным макроэкономическим моделям, основанным на априорных теоретических ограничениях. VAR является ключевым инструментом макроэкономического анализа, прогнозирования и анализа импульсных откликов.

История

До появления VAR в эконометрике доминировали структурные модели, которые требовали явного задания теоретических ограничений (например, на основе экономической теории) для идентификации причинно-следственных связей. Критикуя субъективность таких ограничений, Кристофер Симс в 1980 году в статье «Macroeconomics and Reality» предложил подход, при котором все переменные в системе считаются эндогенными, а динамика описывается исключительно на основе их собственных лагов. Это позволило избежать наложения жёстких теоретических ограничений, что было особенно актуально для макроэкономических данных, где теория часто не даёт однозначных указаний.

Симс показал, что VAR-модели могут быть использованы для анализа влияния шоков (неожиданных изменений) одной переменной на другие через функцию импульсного отклика (IRF). В 2011 году Кристофер Симс получил Нобелевскую премию по экономике (совместно с Томасом Сарджентом) за эмпирические исследования причинно-следственных связей в макроэкономике, в значительной степени основанные на методологии VAR.

Определение и математическая форма

Пусть \( Y_t \) — вектор размерности \( k \times 1 \), содержащий \( k \) временных рядов, наблюдаемых в момент времени \( t \). Модель VAR порядка \( p \) (VAR(p)) записывается как:

\[ Y_t = c + A_1 Y_{t-1} + A_2 Y_{t-2} + \dots + A_p Y_{t-p} + \varepsilon_t \]

где:

• \( c \) — вектор констант размерности \( k \times 1 \);
• \( A_i \) — матрицы коэффициентов размерности \( k \times k \) для каждого лага \( i \);
• \( \varepsilon_t \) — вектор ошибок (белый шум) размерности \( k \times 1 \), который предполагается некоррелированным во времени, но может коррелировать между уравнениями в один и тот же момент времени.

Каждое уравнение в системе представляет собой регрессию одной переменной на константу и лаги всех переменных. Например, для двух переменных (\( Y_t = [y_{1t}, y_{2t}]' \)) модель VAR(1) выглядит как:

\[ y_{1t} = c_1 + a_{11} y_{1,t-1} + a_{12} y_{2,t-1} + \varepsilon_{1t} \] \[ y_{2t} = c_2 + a_{21} y_{1,t-1} + a_{22} y_{2,t-1} + \varepsilon_{2t} \]

Классификация и виды

По порядку лага

• VAR(p): модель с фиксированным числом лагов \( p \). Выбор \( p \) часто осуществляется на основе информационных критериев (AIC, BIC, HQ) или тестов отношения правдоподобия.
• VAR с бесконечным лагом: теоретическая форма, используемая для анализа долгосрочных связей.

По структуре

• Стандартная VAR (несокращённая): модель в исходной форме, где ошибки коррелированы между уравнениями.
• Структурная VAR (SVAR): модель, в которой накладываются априорные ограничения (например, на основе экономической теории) для идентификации структурных шоков. SVAR позволяет интерпретировать импульсные отклики как причинно-следственные связи.
• Байесовская VAR (BVAR): модель, в которой используются априорные распределения для коэффициентов (например, априор Миннесоты). BVAR особенно полезна при малом количестве наблюдений или большом числе параметров.

По стационарности

• VAR для стационарных рядов: применяется, если все временные ряды стационарны (не имеют тренда или сезонности).
• VAR для нестационарных рядов: если ряды нестационарны, но коинтегрированы (имеют долгосрочную равновесную связь), используется модель коррекции ошибок (VECM), которая является частным случаем VAR.

Устройство и характеристики

Оценка параметров

Параметры VAR(p) обычно оцениваются методом наименьших квадратов (МНК) для каждого уравнения отдельно. Поскольку все уравнения имеют одинаковые регрессоры (лаги всех переменных), МНК даёт состоятельные и асимптотически эффективные оценки.

Выбор порядка лага

Для определения оптимального числа лагов \( p \) используются:

• Информационные критерии: AIC (Akaike Information Criterion), BIC (Bayesian Information Criterion), HQ (Hannan-Quinn). Чем меньше значение критерия, тем лучше модель.
• Тесты отношения правдоподобия: последовательное сравнение моделей с разным числом лагов.

Проверка адекватности

После оценки модели проверяют:

• Автокорреляцию остатков: тест Льюнга-Бокса или множителей Лагранжа.
• Нормальность остатков: тест Жарка-Бера.
• Стабильность модели: все корни характеристического многочлена должны лежать внутри единичного круга.

Анализ импульсных откликов (IRF)

Функция импульсного отклика показывает, как изменяется одна переменная во времени в ответ на единичный шок (стандартное отклонение) в другой переменной. Для идентификации шоков в стандартной VAR используется разложение Холецкого, которое предполагает рекурсивную структуру причинности (переменные упорядочиваются от наиболее экзогенной к наиболее эндогенной).

Декомпозиция дисперсии ошибок прогноза (FEVD)

Показывает, какая доля дисперсии ошибки прогноза каждой переменной объясняется шоками в каждой из переменных системы. Это позволяет оценить относительную важность различных шоков.

Применение

Макроэкономика

VAR широко используется для анализа влияния монетарной и фискальной политики. Например, с помощью VAR изучают, как изменение процентной ставки (шок денежно-кредитной политики) влияет на инфляцию и ВВП. В России такие модели применяются Центральным банком для анализа трансмиссионного механизма денежно-кредитной политики.

Финансы

В финансовой эконометрике VAR используется для моделирования динамики доходностей активов, валютных курсов и волатильности. Например, VAR может оценить, как шок на фондовом рынке США влияет на российский рынок.

Энергетика

VAR применяется для анализа взаимосвязей между ценами на нефть, газ и электроэнергию, а также их влияния на макроэкономические показатели.

Климатология

В климатических исследованиях VAR используется для моделирования взаимосвязей между различными климатическими индексами (например, Эль-Ниньо и температурами).

Пример

Рассмотрим простую модель VAR(1) для двух переменных: темп роста ВВП России (\( g_t \)) и инфляция (\( \pi_t \)). Оценка модели по данным за 2000–2023 годов может дать следующие коэффициенты (условные):

\[ g_t = 0.5 + 0.3 g_{t-1} - 0.1 \pi_{t-1} + \varepsilon_{1t} \] \[ \pi_t = 0.2 + 0.1 g_{t-1} + 0.8 \pi_{t-1} + \varepsilon_{2t} \]

Анализ импульсного отклика покажет, что положительный шок инфляции (\( \varepsilon_{2t} \)) приводит к снижению роста ВВП в последующие периоды, а шок роста ВВП — к умеренному росту инфляции.

Критика

Основные ограничения VAR:

• Проклятие размерности: с ростом числа переменных \( k \) и лагов \( p \) число оцениваемых параметров быстро растёт (\( k + k^2 p \)), что может привести к переобучению и нестабильности оценок при малом числе наблюдений.
• Чувствительность к спецификации: результаты (импульсные отклики) могут сильно зависеть от выбора порядка лага, метода идентификации шоков (например, разложение Холецкого) и включения дополнительных переменных.
• Отсутствие структурной интерпретации: стандартная VAR не позволяет установить причинно-следственные связи без дополнительных ограничений (SVAR).
• Предположение о линейности: VAR предполагает линейные связи, что может быть неадекватным для нелинейных процессов (например, финансовых кризисов).

Связь с другими методами

• ARIMA: одномерная модель, не учитывающая взаимосвязи между рядами.
• VECM: модель коррекции ошибок, применяемая для нестационарных коинтегрированных рядов.
• Гранжер-причинность: тест, основанный на VAR, проверяет, улучшает ли включение лагов одной переменной прогноз другой.
• Структурные уравнения (SEM): более общий класс моделей, допускающий одновременные связи, но требующий большего числа априорных ограничений.

Источники

1. Sims, C. A. (1980). Macroeconomics and Reality. Econometrica, 48(1), 1–48.
2. Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
3. Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer.
4. Enders, W. (2014). Applied Econometric Time Series (4th ed.). Wiley.
5. Центральный банк Российской Федерации. (2023). Обзор денежно-кредитной политики.