statsmodels.tsa.vector_ar.var_model.VARResults¶

class statsmodels.tsa.vector_ar.var_model.VARResults(endog, endog_lagged, params, sigma_u, lag_order, model=None, trend='c', names=None, dates=None, exog=None)[source]¶

使用固定滞后阶数估计VAR(p)过程

Parameters:¶

endogndarray

endog_laggedndarray

paramsndarray

sigma_undarray

lag_orderint

modelVAR model instance

trendstr {‘n’, ‘c’, ‘ct’}

namesarray_like

内生变量名称列表，按其在endog中出现的顺序排列。

dates

exogndarray

Attributes:¶

paramsndarray (p x K x K)

估计的 A_i 矩阵, A_i = coefs[i-1]

dates

endog

endog_lagged

k_arint

VAR 过程的顺序

k_trendint

model

names

neqsint

变量数量（方程数量）

nobsint

n_totobsint

paramsndarray (Kp + 1) x K

A_i 矩阵和截距以堆叠形式 [int A_1 … A_p]

nameslist

变量名称

sigma_undarray (K x K)

白噪声过程方差 Var[u_t] 的估计

方法

acf([nlags])	计算理论自协方差函数
acorr([nlags])	自相关函数
cov_params()	模型系数的估计方差-协方差
cov_ybar()	样本均值协方差的渐近一致估计
fevd([periods, var_decomp])	计算预测误差方差分解（"fevd"）
forecast(y, steps[, exog_future])	使用先前的值 y 生成所需步数前的线性最小均方误差预测
forecast_cov([steps, method])	计算所需步数的预测协方差矩阵
forecast_interval(y, steps[, alpha, exog_future])	假设 y 是高斯分布，构建预测区间估计
get_eq_index(name)	返回请求的方程名称的整数位置
intercept_longrun()	稳定VAR过程的长期截距
irf([periods, var_decomp, var_order])	分析系统中对冲击的脉冲响应
irf_errband_mc([orth, repl, steps, signif, ...])	计算假设为正态分布的脉冲响应函数的蒙特卡洛积分误差带
irf_resim([orth, repl, steps, seed, burn, cum])	模拟脉冲响应函数，返回一个模拟数组。
is_stable([verbose])	根据模型系数确定稳定性
long_run_effects()	计算单位脉冲的长期效应
ma_rep([maxn])	计算 MA(\(\infty\)) 系数矩阵
mean()	稳定VAR过程的长期截距
mse(步数)	计算理论预测误差方差矩阵
orth_ma_rep([maxn, P])	使用P矩阵计算正交化的MA系数矩阵，使得 \(\Sigma_u = PP^\prime\)。
plot()	绘制输入时间序列
plot_acorr([nlags, resid, linewidth])	绘制样本（endog）或残差的自相关图
plot_forecast(步骤[, alpha, plot_stderr])	绘制预测图
plot_sample_acorr([nlags, linewidth])	绘制样本自相关函数
plotsim([steps, offset, seed])	绘制来自VAR(p)过程的模拟，以获得所需步数
reorder(order)	重新排序变量以进行结构规范
resid_acorr([nlags])	计算样本自相关（包括滞后0）
resid_acov([nlags])	计算中心化的样本自协方差（包括滞后0）
sample_acorr([nlags])	样本自相关
sample_acov([nlags])	示例 acov
simulate_var([steps, offset, seed, ...])	模拟VAR(p)过程所需的步数
summary()	计算控制台输出的估计摘要
test_causality(被影响[, 影响, 类型, 显著性])	测试格兰杰因果关系
test_inst_causality(causing[, signif])	测试瞬时因果关系
test_normality([signif])	使用Jarque-Bera风格的卡方全盘检验来测试正态分布误差的假设。
test_whiteness([nlags, signif, adjusted])	使用Portmanteau检验进行残差白度测试
to_vecm()

属性

aic	赤池信息量准则
bic	贝叶斯 a.k.a.
bse	系数的标准误差，重塑以匹配大小
detomega	返回带有自由度校正的白噪声协方差的行列式：
df_model	每个变量的估计参数数量，包括截距/趋势
df_resid	观测值数量减去估计参数数量
fittedvalues	模型响应变量的预测样本内值。
fpe	最终预测误差 (FPE)
hqic	Hannan-Quinn准则
info_criteria	滞后阶数选择的准则
llf	计算 VAR(p) 对数似然
pvalues	来自学生t分布的模型系数的双侧p值
pvalues_dt
pvalues_endog_lagged	pvalues_endog_laggd
resid	响应变量残差来自估计的系数
resid_corr	中心化的残差相关矩阵
roots	VAR 过程的根是方程 (I - coefs[0]*z - coefs[1]*z**2 的解。
sigma_u_mle	（有偏的）噪声过程协方差的最大似然估计
stderr	系数的标准误差，重塑以匹配大小
stderr_dt	标准错误_dt
stderr_endog_lagged	Stderr_endog_lagged
tvalues	计算t统计量。
tvalues_dt
tvalues_endog_lagged