وقتی چند متغیر بهطورِ متقابل روی هم اثر میگذارند (دلار روی طلا و طلا روی دلار)، یک معادله کافی نیست. در «الگوهایِ معادلاتِ همزمان» هر متغیر همزمان در معادلهٔ دیگری ظاهر میشود و مسئلهٔ شناسایی پیش میآید: بدونِ فرضهایِ اضافه نمیتوان ضرایبِ ساختاری را از داده جدا کرد. VAR راهحلِ عملیِ سری زمانی است: هر متغیر را روی وقفههایِ همهٔ متغیرها رگرس میکند.
VAR(1) دومتغیره
yt = c + A·yt-1 + εt که yt بردارِ بازدههایِ دو دارایی و A ماتریسِ ضرایب است. VAR باید روی سریِ مانا برآورد شود (بازدهها یا تفاضلها). تعدادِ وقفه با AIC/BIC انتخاب میشود.
شرطِ پایداری: همهٔ مقدارهایِ ویژهٔ A باید قدرمطلقِ کمتر از ۱ داشته باشند.
علیتِ گرنجر و تابعِ واکنش به ضربه
| ابزار | چه میگوید | چه نمیگوید |
|---|---|---|
| علیتِ گرنجر | وقفههایِ x در پیشبینیِ y اطلاعاتِ اضافه دارند | علتِ اقتصادی یا ساختاری را ثابت نمیکند |
| تابعِ واکنش به ضربه (IRF) | پاسخِ یک متغیر در دورههایِ بعد به شوکِ یک واحدیِ متغیر دیگر | به ترتیبِ متغیرها (تجزیهٔ چولسکی) حساس است |
| تجزیهٔ واریانسِ خطایِ پیشبینی | سهمِ هر شوک در خطایِ پیشبینی | به همان ترتیبِ متغیرها وابسته است |
اگر متغیرها I(1) و همجمع باشند، VAR روی تفاضلها اطلاعاتِ بلندمدت را از دست میدهد؛ باید VECM بهکار برد (درس ۱۰). در مدلهایِ چندمعادلهای هرچه متغیرها و وقفهها زیادتر باشند، پارامترها سریعتر زیاد میشوند: VAR با ۴ متغیر و ۵ وقفه ۸۰ ضریبِ شیب دارد.
from statsmodels.tsa.api import VAR
data = df[["gold_ret", "usd_ret"]].dropna()
model = VAR(data)
print(model.select_order(maxlags=8).summary()) # lag selection
res = model.fit(2)
print(res.test_causality("gold_ret", ["usd_ret"], kind="f").summary())
irf = res.irf(10); irf.plot(orth=True)یادآوری: «گرنجر-علتبودن» یعنی قدرتِ پیشبینی نه رابطهٔ علّی. تصمیمِ معاملاتی را فقط روی همین آزمون نگذارید.
