请问关于SVAR模型的一个问题 正在写准备发的论文 请各位赐教

正在做一个关于上证180行业指数板块相关度的实证文章，用的是VAR模型，做脉冲响应函数和方差分解，首先碰到一个问题是定LAG的情况，由于做了AIC BIC SC多个定阶的检验，起码在15之内，没有很统一的结果，只有一个LR指标在LAG=7的时候是显著的，于是做了VAR(7)和默认的VAR(2),结果VAR的AIC SC的值还比VAR(7)的小,是否确定VAR(2)的模型是更正确? 但是由于变量很多（10个行业指数），其拟合优度R值都比较小。。。其后做了脉冲响应和方差分解,都是基于这个VAR(2),所以向本论坛的各位高人求助.以免发生重大错误....
其二, 还想做做结构的SVAR模型(想看一下同期变化的影响度),但是用EVIEW做的时候,总是显示模块矩阵A"Matrix A is not found" 请问大概是什么地方出问题？？如果有高人能相助，愿意奉上15个以上的论坛币，谢谢各位了！！！

历史分解要在excel或Eviews中自己算，几句话也说不清楚！看看文献就会了！也就是看看别人的文章！
你问的两个问题要根据数据自己尝试！A或B矩阵自己根据数据和建立的模型设定，不需要编程！那些约束要根据你的数据、检验结果和模型决定，别弄错！不然后面的结果就全错了！
也就是常说中的论文中的重大错误。
另外，建议你首先把VAR和SVAR的思想和数学模型看懂，你什么就都会了！

Structural VAR Estimates                                
Date: 04/29/09   Time: 13:55                                
Sample (adjusted): 1995Q3 2007Q4                                
Included observations: 50 after adjustments                                
Estimation method: method of scoring (analytic derivatives)                                
Convergence achieved after 10 iterations                                
Structural VAR is over-identified (3 degrees of freedom)                                
                                
Model: Ae = Bu where E[uu']=I                                
Restriction Type: short-run text form                                
@e1=1.71*@e3+@u1                                
@e2=+c(1)*@e1+@u2                                
@e3=+c(2)*@e1+c(3)*@e2+@u3                                
where                                
@e1 represents LNTAX residuals                                
@e2 represents LNG residuals                                
@e3 represents LNGDP residuals                                
WARNING: B matrix is fixed (structural innovation variances not estimated)!!!                                
                                
        Coefficient        Std. Error        z-Statistic        Prob.  
                                
C(1)        -6.668522         0.668411        -9.976680         0.0000
C(2)         0.138208         0.944290         0.146362         0.8836
C(3)         27.30830         2.527545         10.80428         0.0000
                                
Log likelihood          97.74618                        
LR test for over-identification:                                 
Chi-square(3)          147.1573                Probability         0.0000
                                
Estimated A matrix:                                
1.000000         0.000000        -1.710000               
6.668522         1.000000         0.000000               
-0.138208        -27.30830         1.000000               
Estimated B matrix:                                
1.000000         0.000000         0.000000               
0.000000         1.000000         0.000000               
0.000000         0.000000         1.000000

大侠们请出场！！要不我悬赏点银子也行，奈何我本身没多少银子，牛人看在小妹子贫寒的情况下给点回复吧！！

好伤心啊。。。。。。。。。。。。请问有人回答一下吗？如果可以，我悬赏80个论坛币············· 2# sophia-1022

实证性的问题，没有数据，别人给你的回答都是像卖彩票，很难说对！
你可以把部分数据整个数据传上来更容易解决问题！
我猜想：你的第一问题，计量分析是艺术也是技术，所以你看一下，综合各个信息
准则，那一个准则最优估计值更有经济和实际意义，就用那一个。滞后阶数选择同样。
第二个问题：提示你的模型设定有问题，没有A矩阵，那就定义和设定。
建议用SVAR，这个模型更好，另外，做一下ECM和G因果检验和历史分解。

非常感谢楼上的回答！！如何上传数据给各位看？数据量很大，估计发出来大家都已经看得头昏了，SVAR模型中A矩阵如何定义?格兰杰因果检验都已经做出来了，现在在为脉冲响应函数和方差分解写结论和分析中，希望在近期把该问题解决！如果可以我们也可以私聊：QQ：368058994  如果帮我解决了这个问题，我奉上80个论坛币感谢你的帮助了 4# zhangtao

还是多翻书，多思考，想办法解决。
非常同意你严谨求实的学术风格。

对不起，我现在由于人在香港，图书馆的EVIEWS的书都是英文版（而且长时间被人借走，没办法短时间内借到），短时间内通读一遍已经来不及了，现在就是非常害怕做出来的这个VAR(2)模型有比较大的纰漏，那就真的无法把手上的这篇文章写好并且投到相应较好的期刊，个人前途影响较大，而且现在导师还没确定，没有特别合适的人可以咨询，所以向大师你求教了
（1）SVAR的A矩阵该如何解决?也就是说该如何定义？我知道有编程的方法，但是是否有其他的方法？或者数据方面有可修改的余地？我的指标是上证180的10个行业指数日收盘价的对数收益率*100

   (2) 不知道大师您后面的两个模型是什么方面的？ECM和和历史分解？另最后做方差分解的时候，需要为各变量排序，是否可以以格兰杰因果检验的结果，也就是几个指数之间的影响度来进行排序？（比如零售指数影响了其他4个行业指数，公用事业影响了其他3个行业指数，所以排序就是零售在公用前，其他指数以此类推）
非常感谢您的回应， 最好请加QQ，可以与您细谈一下问题所在，谢谢：）b] 6# zhangtao

另看EVIEWS结果
VAR(2)的参数

R-squared          0.045186  0.039208  0.040338  0.070540  0.039084  0.036245  0.054710  0.043904  0.037904  0.048265
Adj. R-squared   0.010339  0.004143  0.005314  0.036618  0.004014  0.001071  0.020210  0.009010  0.002791  0.013530
Sum sq. resids  1732.949  1976.045  1556.712  1841.759  1730.847  2636.410  1977.141  2690.419  2174.315  2924.274
S.E. equation     1.778290  1.898926  1.685442  1.833269  1.777211  2.193392  1.899453  2.215745  1.991916  2.310036
F-statistic           1.296702  1.118153  1.151726  2.079485  1.114449  1.030449  1.585799  1.258202  1.079490  1.389532
Log likelihood     -1124.224 -1161.571 -1093.711 -1141.549 -1123.878 -1243.598 -1161.728 -1249.367 -1188.773 -1273.080
Akaike AIC         4.025390  4.156663  3.918141  4.086287  4.024176  4.444984  4.157218  4.465263  4.252279  4.548612
Schwarz SC       4.185709  4.316982  4.078460  4.246606  4.184495  4.605303  4.317537  4.625582  4.412598  4.708931
Mean dependent  0.119067  0.128003  0.046844  0.140017  0.069921  0.139958  0.070151  0.130117  0.082917  0.107013
S.D. dependent  1.787555  1.902872  1.689938  1.867785  1.780788  2.194567  1.918943  2.225794  1.994701  2.325824
         
Determinant resid covariance (dof adj.)   0.916382        
Determinant resid covariance   0.629158        
Log likelihood  -7941.931        
Akaike information criterion   28.65353        
Schwarz criterion   30.25672      

Lag	LogL	LR	FPE	AIC	SC	HQ
0	-8021.51	NA	1.164571*	28.53112*	28.60809*	28.56117*
1	-7931.7	176.1118	1.207557	28.56732	29.41396	28.89784
2	-7859.85	138.3385	1.334957	28.66732	30.28364	29.29831
3	-7799.2	114.6261	1.536404	28.8071	31.1931	29.73855
4	-7744.45	101.5237	1.80699	28.96785	32.12352	30.19977
5	-7671.44	132.7849	1.993624	29.06374	32.9891	30.59613
6	-7620.18	91.42775	2.378873	29.23686	33.93189	31.06971
7	-7540.52	139.2171*	2.569895	29.30914	34.77384	31.44246
8	-7476.67	109.3361	2.941355	29.43754	35.67192	31.87133

选择了VAR(7)
R-squared           0.166509  0.141280  0.132699  0.172387  0.132977  0.145644  0.150565  0.161159  0.139979  0.135314
Adj. R-squared    0.048163  0.019352  0.009552  0.054875  0.009870  0.024336  0.029955  0.042054  0.017867  0.012539
Sum sq. resids   1504.745  1757.831  1396.322  1632.372  1550.244  2316.909  1740.588  2343.218  1935.585  2632.471
S.E. equation      1.747061  1.888275  1.682943  1.819642  1.773277  2.167859  1.878991  2.180132  1.981448  2.310778
F-statistic            1.406971  1.158714  1.077570  1.466981  1.080176  1.200615  1.248365  1.353086  1.146312  1.102130
Log likelihood     -1077.015 -1120.854 -1055.926 -1099.973 -1085.415 -1198.729 -1118.074 -1201.913 -1148.018 -1234.737
Akaike AIC           4.070975  4.226432  3.996193  4.152385  4.100764  4.502585  4.216574  4.513876  4.322761  4.630274
Schwarz SC        4.616700  4.772157  4.541917  4.698110  4.646489  5.048310  4.762299  5.059601  4.868485  5.175999
Mean dependent  0.112968  0.119473  0.037179  0.136051  0.060455  0.126158  0.051389  0.117163  0.074948  0.093536
S.D. dependent    1.790716  1.906815  1.691039  1.871723  1.782094  2.194729  1.907782  2.227473  1.999389  2.325404
         
Determinant resid covariance (dof adj.)   0.777479        
Determinant resid covariance   0.202473        
Log likelihood  -7552.417        
Akaike information criterion   29.29935        
Schwarz criterion   34.75660        

显然最后AIC SC的值比VAR(2)更大 ，所以各位给个结论吧 谢谢~

6# zhangtao

这个SVAR做起来非常简单，你怎么弄得这么复杂？
                               
Variance Decomposition of LNTAX:                               
Period        S.E.        Shock1        Shock2        Shock3
                               
1         0.149726         0.045776         99.82037         0.133854
2         0.224293         31.42801         66.63451         1.937482
3         0.242456         36.24338         61.14052         2.616100
4         0.260430         42.54914         54.17679         3.274065
5         0.272809         46.35751         49.85308         3.789416
6         0.285120         49.78102         45.99168         4.227303
7         0.296313         52.51835         42.87806         4.603586
8         0.307198         54.90139         40.16759         4.931025
9         0.317610         56.94727         37.83302         5.219711
10         0.327706         58.74502         35.77912         5.475864
11         0.337485         60.33124         33.96375         5.705013
12         0.346995         61.74523         32.34366         5.911111
13         0.356258         63.01328         30.88920         6.097522
14         0.365298         64.15792         29.57519         6.266893
15         0.374134         65.19658         28.38197         6.421450
16         0.382783         66.14373         27.29324         6.563027
17         0.391259         67.01117         26.29566         6.693175
18         0.399574         67.80872         25.37807         6.813205
19         0.407740         68.54465         24.53111         6.924238
20         0.415766         69.22592         23.74685         7.027234
                               
Variance Decomposition of LNG:                               
Period        S.E.        Shock1        Shock2        Shock3
                               
1         0.042388         25.39867         0.333087         74.26825
2         0.053436         30.35416         1.617809         68.02803
3         0.071727         44.65251         3.388485         51.95901
4         0.088278         52.86340         4.340170         42.79643
5         0.105840         59.57907         4.747900         35.67303
6         0.122699         64.29416         4.896711         30.80912
7         0.139228         67.88302         4.916605         27.20038
8         0.155138         70.60748         4.884795         24.50772
9         0.170486         72.73973         4.831388         22.42889
10         0.185239         74.43269         4.772306         20.79501
11         0.199427         75.80150         4.713972         19.48453
12         0.213071         76.92365         4.659392         18.41696
13         0.226203         77.85585         4.609561         17.53459
14         0.238856         78.63913         4.564665         16.79621
15         0.251063         79.30415         4.524464         16.17138
16         0.262855         79.87405         4.488562         15.63739
17         0.274263         80.36657         4.456511         15.17692
18         0.285316         80.79550         4.427867         14.77664
19         0.296039         81.17167         4.402221         14.42611
20         0.306457         81.50372         4.379202         14.11708
                               
Variance Decomposition of LNGDP:                               
Period        S.E.        Shock1        Shock2        Shock3
                               
1         0.589458         97.79455         2.202495         0.002953
2         0.643776         97.79405         2.195633         0.010322
3         0.711257         97.91741         2.066444         0.016142
4         0.741776         97.97795         2.003184         0.018861
5         0.766215         98.00863         1.959773         0.031599
6         0.781825         98.01510         1.938416         0.046488
7         0.793627         98.00467         1.928122         0.067205
8         0.802274         97.98369         1.925184         0.091129
9         0.809040         97.95488         1.926538         0.118579
10         0.814424         97.92085         1.930583         0.148562
11         0.818877         97.88294         1.936303         0.180758
12         0.822655         97.84226         1.943088         0.214648
13         0.825952         97.79954         1.950557         0.249901
14         0.828895         97.75534         1.958466         0.286197
15         0.831577         97.71005         1.966661         0.323293
16         0.834064         97.66398         1.975040         0.360984
17         0.836404         97.61736         1.983534         0.399106
18         0.838633         97.57038         1.992097         0.437527
19         0.840777         97.52316         2.000698         0.476142
20         0.842856         97.47582         2.009315         0.514867
                               
Factorization: Structural