我不太同意你的观点，我觉得标准差是组间最容易比较的，其他的可能都含有单位和量纲，更难比较。

在使用脉冲响应函数（IRF）进行模型分析时，通常采用一个单位的标准差作为冲击大小。这是因为在向量自回归（VAR）模型中，变量间的关系通过其各自的标准误来度量，因此以1个标准差为基准的冲击能更好地比较不同变量对相同大小的随机扰动的反应。

如果想要在两组不同的VAR模型之间进行脉冲响应函数结果的比较，关键在于确保这两组模型中的冲击具有可比性。这意味着它们应该受到同等强度的“标准化”冲击。具体来说：

1. **标准化残差**：首先确认你的VAR模型使用了标准化残差（即单位方差）。这通常在估计VAR模型时自动完成。

2. **相同的冲击大小**：确保两组模型中使用的脉冲响应函数都基于相同的标准差冲击，比如都是基于每个变量的1个标准差。这样可以保证比较时冲击强度相等。

3. **可比性检查**：检查两个VAR模型中的所有变量是否具有相似的量级和单位，以避免因尺度不同而导致的结果不可比。

如果想要在Love教授提供的程序基础上进行调整，以确保两组受到相同大小的标准化冲击：

- 首先确认你的程序中是否已经使用了标准化残差。如果没有，则需要对每个模型中的每个方程的扰动项进行标准化处理。
  
- 然后，在计算脉冲响应函数时，明确规定所有冲击都采用1个标准差（或选择其他固定大小的标准冲击）。这可能涉及调整生成IRF的程序部分。

具体实现上，你可以在编写IRF代码时加入一个参数来控制冲击强度，默认设置为每个变量的一个标准差。这样在不同模型之间进行比较时，只需确保这一参数保持一致即可。

例如，在`R`语言中使用`vars`包处理VAR模型和脉冲响应函数时，可以如下操作：

```r
# 加载所需包
library(vars)

# 假设已经有一个估计好的VAR模型：var_model

# 计算基于1个标准差冲击的IRF
irf_results <- irf(var_model, n.ahead = 20, boot = FALSE) # n.ahead为响应步数，boot设定是否使用bootstrap方法来计算置信区间。

# 如果有两组模型需要比较，则在第二组模型上重复上述步骤，
# 确保irf()中的参数一致以实现冲击大小的可比性。
```

这样调整后，你就能更合理地对比不同VAR模型中脉冲响应函数的结果了。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用