如何判断滞后期数

在时间序列分析中，确定滞后期的数通常依赖于统计检验的结果，常用的方法包括自相关（Autocorrelation, AC）和偏自相关（Partial Autocorrelation, PAC）系数检验，以及信息准则如AIC（Akaike Information Criterion）和SC（Schwarz Criterion）。以下是判断滞后期数的一些常见方法：

自相关和偏自相关系数检验:

如果自相关系数（AC）在某一滞后阶数后显著不为零，而在此之后的滞后阶数AC系数显著为零，则该滞后阶数可能是滞后期数。

类似地，如果偏自相关系数（PAC）在某一滞后阶数后显著不为零，并且在此之后的滞后阶数PAC系数显著为零，则该滞后阶数也可能是滞后期数。

信息准则:

使用信息准则如AIC和SC来选择滞后期数。这些准则通过最小化模型拟合数据时的信息损失来评估模型的好坏。

在Eviews软件中，可以通过`View -> Lag Structure -> Lag Length Criteria`来查看不同滞后阶数下的AIC和SC值。选择使AIC或SC最小的滞后阶数作为最优滞后期数。

对于年度或季度数据，通常比较到P=4（即VAR（1）、VAR（2）、VAR（3）、VAR（4）模型），而对于月度数据，则可能比较到P=12。

似然比统计量LR:

当AIC与SC的最小值对应不同的滞后阶数时，可以使用似然比统计量LR来选择滞后阶数。

经验法则:

根据经验法则，选择多个评价标准（如AIC、SC、LR）中*号比较多的那一行所对应的滞后阶数作为最优滞后期数。

模型稳定性:

确保所选的滞后阶数下，VAR模型的稳定性得到保证，即单位根都在单位圆内。