如果能够给出具体的例子那就更好了

杨子晖在《财政政策与货币政策对私人投资的影响研究》（经济研究 2008年 第05期）这篇论文中，在介绍方差分解的局限性时提到：    传统研究方法存在的局限性（前面讲Granger因果检验的局限性）相比较而言，方差分解方法能够为我们的研究提供更多的信息，因为它考虑了经济变量间的关系在经济意义上的显著性(Sims ,1980 ;Abdullah and Rangazas ,1988) 。同时，借助预测方差分解方法我们也可对各种传导途径的有效性进行比较，然而传统的方差分解方法同样存在着一定的局限性。这是因为正确设定扰动项(innovation)之间的同期因果关系，是合理地进行方差分解的关键(Bernanke ,1986 ; Cooley and LeRoy ,1985 ;Swanson and Granger ,1997) 。然而，在国内外应用VAR 进行分析的相关文献中，大多采取传统的Choleski分解，即在正交化(orthogonalize) 过程中对扰动项施加了一个恰好识别的同期关系结构。这一方法的最大问题在于它对VAR模型的结构进行了先验的主观判断，缺乏充分的理论基础，且认为扰动项之间存在着递归的同期因果关系，这无疑是一个很强却未必真实的识别假定 (Bernanke, 1986; Cooley和LeRoy, 1985; Swanson 和Granger,1997)，而且在实际的经验分析中，常常因变量排列次序的不同而使得结论发生了迥异的变化。而Bernanke于1986 年提出的Bernanke分解，使得研究者拥有更灵活的空间，以对扰动项之间的同期因果关系进行设定。它虽然避免了类似Choleski分解中“扰动项递归关系”的强假定,但在应用SVAR(结构向量自回归模型) 进行研究的相关文献中，研究者依然需要借助先验的信息或相关的理论以对扰动项的同期关系进行设定，这就不可避免地存在着一定程度的主观色彩(Swanson 和Granger,1997)。概括一下，方差分解(Variance decomposition)即预测方差分解(Forecast error variance decomposition)的局限性主要是在分解过程中需要对扰动项做一个同期关系的假定，而这个假定往往是主观的。

            所以，简单地来理解，VAR中的方差分解是分析影响内生变量的结构冲击的贡献度。例如，有好多行业产品的需求变动会对钢铁行业产品的需求变动产生影响，像建材行业、汽车行业、机械行业、家电行业。那么如果我们想要知道这4个行业的需求变化对钢铁行业的需求变化产生的影响哪个大、哪个小呢，就可以用方差分解来做。做出来的结果是用贡献率（百分比）来表示的，如假设结果是以上4个行业在某个时点上的贡献率分别为10%，12%，16%，20%（随时间的变化，这个贡献率也是在变化的），其意思是在该时点钢铁行业需求的变动，10%是建材行业的需求变动引起的，12%是汽车行业的需求变动引起的，以此类推