love 编写的 pvar 命令无法直接计算 AIC 和 BIC,但可以利用她的程序计算出的返回值计算这些统计量。相关的统计量的计算方法参见连玉君(2009,中国上市公司投资效率研究,经济管理出版社,第4章)。在“stata学术论文视频教程”(
http://baoming.pinggu.org/Default.aspx?id=134)中,我follow了Love(2006)的文章,并修改了pvar程序,命名为 pvar2。改程序的主要改进如下:
*------------------------------------
*-1.3 pvar2命令: 连玉君更新后的程序
*------------------------------------
*---------------
*-1.3.1 主要改进
help pvar2 // see Section: `What is new?'
*-(1) tsset
*-(2) helm 内化
*-(3) timeeffect 内化
*-(4) irf(#) irfformat()
*-(5) decomp(#)
*-(6) AIC, BIC, HQIC (滞后阶数选择依据)
* 估计结果可以用 est store 存储,并进而用 esttab 输出
*-(7) nograph, saving() 选项
* 设定 irf() 选项后,MC 后产生的 CI 数据会自动存储在 irf_data.dta 文件中
* 若附加 nograph 选项, 则只采用 MC 获得 IRF 数据,不输出图形
*-(8) Granger 因果检验
*-高级应用: 可以自行修改改程序(建议另存后修改)
doedit "$path\adofiles\pvar2.ado" //打开 ado 文件
doedit "$path\adofiles\pvar2.hlp" //打开 帮助文件
*--------------------------
*-1.3.3 PVAR 滞后阶数的选择
pvar2 kstock invest mvalue, lag(5) soc
===========================================
Selection Order Criteria for Panel VAR
===========================================
+------------------------------------+
|lag | AIC BIC HQIC |
|----+-------------------------------|
| 1 | 37.8491 38.5409 38.1296 |
| 2 | 34.3367 35.2221 34.6959 |
| 3 | 33.7112 34.8067 34.156 |
| 4 | 33.0443* 34.369* 33.5825* |
| 5 | 33.9323 35.5082 34.5727 |
+------------------------------------+
*-判断规则:
* (1) 选择 AIC, BIC 或 HQIC 值最小的模型;
* (2) 但三者不一致时, BIC/HQIC 倾向于选择比较精简的模型,
* AIC 倾向于选择比较"丰满"的模型,
* 通常,BIC/HQIC 优于 AIC.
* (3) 有时也不能完全依赖上述准则, 需要做一些人为判断
* (4) 计算公式: pp.56 Eq.(4-31)-Eq.(4-33)
shellout "$path\Refs\连玉君_PhD_chp4_Panel_VAR.pdf" // 博士论文第四章
*-------------------------
*-1.3.6 Granger 因果检验
pvar2 kstock invest mvalue, lag(3) granger
=============================
Granger Causality tests
=============================
Granger causality Wald tests for Panel VAR
+------------------------------------------------------------------+
| Equation Excluded | chi2 df Prob > chi2 |
|--------------------------------------+---------------------------|
| h_kstock h_invest | 52.221 3 0.000 |
| h_kstock h_mvalue | 9.0752 3 0.028 |
| h_kstock ALL | 118.88 6 0.000 |
|--------------------------------------+---------------------------|
| h_invest h_kstock | 15.613 3 0.001 |
| h_invest h_mvalue | 12.366 3 0.006 |
| h_invest ALL | 18.998 6 0.004 |
|--------------------------------------+---------------------------|
| h_mvalue h_kstock | 15.08 3 0.002 |
| h_mvalue h_invest | 2.7232 3 0.436 |
| h_mvalue ALL | 25.034 6 0.000 |
+------------------------------------------------------------------+
*-检验过程解析: invest 是否为 kstock 的 Granger 因?
local Eq "h_kstock" // 方程名称
local v "h_invest"
test [`Eq']L.`v' = [`Eq']L2.`v' = [`Eq']L3.`v' = 0
*-Notes:
* 执行 Granger 因果检验时,可以不必拘泥于 xtvarsoc 选出的滞后阶数;
* 因为 Granger 因果检验的目的在于检验 x 滞后项对 y 的联合影响
至于第二个问题,即是否需要平稳性检验。
我认为,VAR 模型都需要实现进行平稳性检验。有的文章之所以没有进行平稳性检验,例如 Love (2006) 是因为她分析的都是公司财务变量,这些变量一定是平稳的,根本无需进行单位根检验。但当研究区域经济增长时,就需要进行检验了。