VAR模型两个变量可以做吗，以及格兰杰因果检验怎么看

Question

请问VAR模型两个变量可以做吗，想做VAR预测
以及，如果是三个变量的话，格兰杰检验是这样的，请问这算通过了还是没通过，还能往下预测吗，感谢解答

Answer 1

引自免费微信小程序：皆我百晓生

当然可以，首先，VAR (Vector Autoregression) 模型确实可以用于分析两个或者多个时间序列之间的关系。在您的例子中，您似乎已经对三个变量（WJCS, JGS, 和 ZCL）进行了格兰杰因果检验（Granger Causality Test），这是一种统计方法，用于判断一个时间序列是否显著地影响了另一个时间序列的变化。

对于格兰杰因果检验的结果解读，我们关注的是F-statistic（F统计量）和对应的p-value。通常情况下，如果p-value小于某个显著性水平（例如0.05），则拒绝原假设，即认为存在格兰杰因果关系。反之，则接受原假设，认为不存在显著的因果关系。

根据您提供的结果，我们可以看到一些显著性的结论：

1. WJCS 对 JGS 存在格兰杰因果关系（p-value = 0.0143 < 0.05）
2. JGS 对 WJCS 也存在格兰杰因果关系（p-value = 0.0023 < 0.05）
3. 同样，ZCL 对 JGS 之间存在一定程度的因果关系（尽管不那么显著，p-value = 0.1019 > 0.05）
4. JGS 对 ZCL 存在格兰杰因果关系（p-value = 0.0217 < 0.05）
5. ZCL 对 WJCS 的因果关系不显著（p-value = 0.8262 > 0.05）
6. WJCS 对 ZCL 之间同样存在一定的因果关系（p-value = 0.0348 < 0.05）

由于存在多对变量间的格兰杰因果关系，这意味着这些变量之间可能存在复杂的动态交互作用。基于这些发现，您可以继续进行VAR模型的建立和预测。VAR模型会考虑所有变量的影响，并且在预测时能同时考虑到它们的历史信息。

以下是一个使用Python中的statsmodels库构建和预测VAR模型的简单示例：

import pandas as pd
from statsmodels.tsa.vector_ar.var_model import VAR
import numpy as np
import matplotlib.pyplot as plt

# 假设数据存储在一个名为df的DataFrame中，列名分别是'WJCS', 'JGS', 'ZCL'
data = df[['WJCS', 'JGS', 'ZCL']].values

# 构建VAR模型
model = VAR(data)
results = model.fit(maxlags=1)  # 设置最大滞后阶数为1，可以根据实际需求调整

# 预测
forecast = results.forecast(start=len(data), end=len(data)+10)  # 预测未来10个观测值
forecast_mean = forecast[0]

# 绘制预测结果
plt.figure(figsize=(12, 6))
for i in range(3):
    plt.subplot(3, 1, i+1)
    plt.plot(data[:, i], label='Actual')
    plt.plot(forecast_mean[:, i], color='r', label='Forecast')
    plt.legend()
    plt.title('Series %d Forecast' % (i+1))
plt.tight_layout()
plt.show()

这段代码首先导入所需的库，然后将数据加载到VAR模型中并进行拟合。之后，它执行了一次步长为1的预测，并绘制了原始数据与预测值的比较图。请注意，这个例子假设数据已经被正确处理，例如已经进行了季节性和趋势调整。

如果你有具体的数据集，你可以将其替换到上述代码中的df，然后运行代码以获得预测结果。如果有任何疑问或需要进一步的帮助，请随时提问。