R语言VAR模型的多行业关联与溢出效应可视化分析

R语言VAR模型的多行业关联与溢出效应可视化分析

向量自回归（VAR）模型是一种用于分析多个时间序列变量之间相互关系的统计模型。通过考虑变量自身的滞后值以及其他变量的滞后值来预测当前值。本文将使用R语言对医疗卫生、通信、金融、房地产和零售等行业的数据展开深入研究，通过构建VAR模型，分析各行业变量的影响及残差的协方差与相关矩阵，并计算传统溢出效应及其动态变化，揭示这些行业之间的相互关系和动态影响。

一、数据读取与预处理

首先，我们需要读取数据并计算收益率。以下是具体的R代码实现：

# 读取数据
data <- read.xlsx("总.xlsx", startRow = 2)

# 查看部分数据
head(data)

# 计算收益率
for (i in 1:ncol(data)) {
  data[, i] <- c(NA, diff(data[, i]) / data[, i][-length(data[, i])])
}

二、构建与估计VAR模型

接下来，我们构建具有常数项的VAR(2)模型并保存结果：

est <- VAR(data, p = 2, type = "const")

通过绘制模型结果，我们可以直观地查看模型的拟合情况：

plot(est)

三、模型估计结果分析

模型估计结果详细呈现了各个行业方程的估计系数、标准误差、t值和p值。具体分析如下：

• 医疗卫生行业：部分变量呈现出显著影响，表明某些因素对其发展和变化具有明确且重要的推动或抑制作用。
• 通信行业：部分变量的影响不显著，暗示在通信行业中，某些因素可能并非是决定其发展走向的关键因素。
• 金融行业：部分变量具有显著作用，反映出金融行业的发展受到特定因素的显著驱动。
• 房地产行业：部分变量的显著性得以体现，揭示了在房地产行业中存在对其发展具有重要影响的特定因素。
• 零售行业：一些变量具有显著影响，意味着在零售行业的发展过程中，存在着能够显著左右其发展态势的关键因素。

此外，模型还给出了残差的标准误差、多重R平方、调整后的R平方以及F统计量和相应的p值。

四、残差的协方差和相关矩阵

通过分析残差的协方差和相关矩阵，我们可以进一步了解各行业之间的关联程度。

五、计算传统溢出效应

使用Diebold & Yilmaz方法计算传统溢出效应：

spilloverDY09(est, n.ahead = 100, no.corr = F)

从计算结果可以看出：

• 医疗卫生行业自身的溢出效应达到98.46，说明该行业的变化主要受自身因素影响，对其他行业的溢出相对较小。
• 通信行业对自身的溢出效应为45.73，同时对医疗卫生行业有0.52的溢出，对金融行业的溢出仅为0.03，表明通信行业与医疗卫生行业有一定的关联，与金融行业的关联较弱。
• 金融行业自身的溢出效应为78.87，对其他行业的溢出相对较小。
• 房地产行业自身的溢出效应为53.65，对医疗卫生行业的溢出为0.10等。
• 零售行业对自身的溢出效应为23.69。

六、溢出效应的动态变化分析

通过滚动估计分析溢出效应的动态变化，并进行可视化展示：

plotOverall(sp)
plotTo(sp)
plotFrom(sp)
plotNet(sp)
plotPairwise(sp)

通过上述分析，我们可以深入理解各行业之间的关联机制和动态影响，为相关政策的制定和经济决策提供有力的理论支持和实证依据。