澳大利亚在2008 - 2009年全球金融危机期间发生了这种状况。澳大利亚政府发布了一揽子刺激计划，其中包括2008年12月的现金支付，恰逢圣诞节支出。所以，零售商报告销售强劲，经济受到刺激。所以，收入增长了。微信
VAR面临的批评是他们是理论上的; 也就是说，它们不是创建在一些经济学理论的基础上，这些理论强加了方程式的理论结构。假设每一个变量都影响系统中的每一个其余变量，这使得估计系数的直接解释变得困难。尽管如此，VAR在几种状况下都颇有用：app
示例：用于预测美国消费的VAR模型post
VARselect(uschange[,1:2], lag.max=8, type="const")[["selection"]] #> AIC(n) HQ(n) SC(n) FPE(n) #> 5 1 1 5
R输出显示由vars包中可用的每一个信息标准选择的滞后长度。由AIC选择的VAR（5）与BIC选择的VAR（1）之间存在很大差别。所以，咱们首先拟合由BIC选择的VAR（1）。测试
var1 <- VAR(uschange[,1:2], p=1, type="const") serial.test(var1, lags.pt=10, type="PT.asymptotic") var2 <- VAR(uschange[,1:2], p=2, type="const") serial.test(var2, lags.pt=10, type="PT.asymptotic")
与单变量ARIMA方法相似，咱们使用Portmanteau测试24测试残差是不相关的。VAR（1）和VAR（2）都具备一些残余序列相关性，所以咱们拟合VAR（3）。大数据
var3 <- VAR(uschange[,1:2], p=3, type="const") serial.test(var3, lags.pt=10, type="PT.asymptotic") #> #> Portmanteau Test (asymptotic) #> #> data: Residuals of VAR object var3 #> Chi-squared = 34, df = 28, p-value = 0.2
该模型的残差经过了串联相关的测试。VAR（3）生成的预测如图所示。ui
forecast(var3) %>%
autoplot() + xlab("Year")
大数据部落 -中国专业的第三方数据服务提供商，提供定制化的一站式数据挖掘和统计分析咨询服务spa
统计分析和数据挖掘咨询服务：y0.cn/teradat（咨询服务请联系官网客服）code
QQ：3025393450htm
QQ交流群：186388004 blog
【服务场景】
科研项目; 公司项目外包;线上线下一对一培训;数据爬虫采集;学术研究;报告撰写;市场调查。
【大数据部落】提供定制化的一站式数据挖掘和统计分析咨询
欢迎选修咱们的R语言数据分析挖掘必知必会课程！