搭车同问这个问题。另外，skyman190给出的PPT实际上用两个非平稳的时间序列做VAR。参见其中关于消费和收入的例子。

不平稳数据也可以做VAR，只是需要协整检验，如果存在协整关系就不需要做差分使序列平稳了，如果没有协整关系，则需要对原始序列做差分，使序列平稳后，在进行VAR估计。

首先要弄清楚平稳和协整的区别。

怎么越看越晕，版本好多

从我的实践经验来看，只要数据之间都具有某阶单整，那么就说明是可以做协整检验的，如果协整检验通过了，下一步就是做VAR了，做VAR可能要你选择滞后阶数。
看你的问题，好像是问请问各位大侠在做VAR之前，时间序列的数据是否一定要平稳，先把数据整平稳了再做，只要是协整的，那么问题就在于选滞后阶数了。所以，数据只要协整就能做VAR，用原始数据就可以。

要学好计量真不容易啊！

你确定么？这个有出处么？

做VAR之前一定要保证数据是平稳的。 因为如果VAR的数据不是平稳的话就变成了spurious regression了，简单来说也就是说结果是不可信的。因此在做VAR之前一定要对每个数据作单位根检验保证你所面对的数据是平稳的（如果存在单位根，可对其进行差分处理）

但若序列之间存在长期均衡关系（协整关系cointegration），那么均衡误差对数据的预测具有预测性，因此需要在VAR的结构上加上上一期均衡误差，可以提高模型的准确性。

因此，一般用Eviews来做分析的时候步骤如下：
1. 做单位根检验，如果存在单位根，则进行协整检验（johansen test等）。 如果存在协整关系，那么需要做VECM  （注意： 如果数据之间存在协整关系，那在EView里面不需要对数据进行差分，直接对level data进行分析）

2. 若不存在协整关系，那就对数据进行差分，使其平稳，然后做VAR

这个正解

var目的就是单独分开可能不平稳的序列 放在一起具有协整关系   所以才用var的吧（个人看法）

那个时候就有用到VECM  Vector Error Correction Model 的吧？ 。。

First， check the stationarity of the data, if it is stationary in level, var; if not stationary, then the rules are simple and straightforward: If the variables are cointegrated (I(1)), then the modelling should be in VECM form; If they are not cointegrated, then the first-differenced VAR should be adopted.

有人说直接检查Johansen方法中回归出来的矩阵的rank, 如果满秩，则所有的变量都为稳定的序列，直接使用VAR，如果是0秩，则所有的序列都进行一阶差分之后VAR（前提应该是全部的序列都是I（1）），如果处于这两者的中间，那么就用error correction model。是这样的吗？

不可能是full rank；如果r=0，需要平稳，否则会有spurious regression的问题；用VECM，vector版的ecm

听老师说，貌似不存在协整就一阶差分做var，存在协整做VECM更科学

完全正解，现在看到很多文献，都已经证明了所有变量是平稳的，竟然还去做Johansen检验，说明基本原理还不懂。协整的前提就是要求不平稳的数据。

这位Chen老师的课件好棒啊！请问是哪所学校的？他的其他时间序列分析的课件可以分线给我吗？我邮箱 652277513@qq.com，感激不尽！

你好，麻烦问一下我的解释变量有5个，其中两个I（0），3个I（1），被解释变量1个I（0）
请问这时候要做协整的话应该怎么处理啊？

其实讨论的内容都是一致的

var要平稳序列，用不平稳序列做就是johansen了把

有什么区别呢？

目前没有教材特别确定的说“只要协整，就可以用原数据建立VAR模型”，确定的是“只要协整，就可以建立VECM模型”

在构建向量自回归模型（Vector Autoregression, VAR）时，时间序列的平稳性是一个关键问题。理论与实践上的共识是：**为了确保VAR模型的有效性和预测准确性，所涉及的时间序列应该要么本身就是平稳的，要么通过差分操作后达到平稳状态**。

### 平稳性的考量

- **平稳序列的重要性**：
  - 平稳时间序列具有稳定的统计特性，这意味着模型参数不会随时间变化。这对于建立基于历史数据模式的预测模型是必要的。
  
- **非平稳序列的影响**：
  - 非平稳的时间序列会导致VAR模型参数不稳定，预测效果较差，甚至可能出现虚假关系（spurious relationships）。

### 协整理论

- 当涉及非平稳但又在长期存在稳定关系的时间序列时，“协整”概念变得关键。
  
- **协整（Cointegration）**：指的是多个非平稳时间序列之间可能存在的一种长期均衡关系。即使单个序列是非平稳的，但如果它们以某种线性组合的方式是平稳的，则称这些序列是“协整”的。

### Johansen 协整检验

你提到的Johansen方法用于检测多变量系统中的协整向量数量。根据Johansen检验的结果：

- 如果秩为0，意味着没有协整关系存在，所有时间序列需要差分至平稳，再进行VAR分析。
  
- 如果秩小于变量个数但不为零，表明存在部分协整关系，此时可以构建误差修正模型（Error Correction Model, ECM）来捕捉短期动态与长期均衡之间的调整过程。

### 总结

1. **时间序列应达到平稳**：在做VAR之前，确保数据的平稳性或通过差分操作使其变得平稳。
2. **协整的重要性**：对于非平稳但存在长期稳定关系的时间序列，使用Johansen方法检验协整性，并根据结果选择合适的方法（如ECM）。

### 参考文献与出处

这个问题的答案基于时间序列分析的经典教材和论文，比如“Time Series Analysis: Forecasting and Control” by George E. P. Box, Gwilym M. Jenkins, and Gregory C. Reinsel，以及Johansen本人的著作。这些理论在经济计量学、统计学领域的权威期刊中也有广泛的讨论与应用。

### 实践建议

在实际操作中，应该首先对数据进行平稳性检验（如ADF测试），然后根据结果决定是否需要差分处理，或进一步通过Johansen协整检验来确定是否可以构建VAR模型或ECM。这样做能确保建立的模型既具有理论依据又符合实践需求。

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