协整分析:如果所考虑的时间序列具有相同的单整阶数，且某种线性组合（协整向量）使得组合时间序列的单整阶数降低，则称这些时间序列之间存在显著的协整关系。所谓协整关系可理解为两变量间具有长期稳定关系。 　　1987 年, Engle 和Granger 指出, 在多维时间序列系统的分析中, 如果每个分量时间序列都是 阶单整 　　的, 那么这些分量时间序列的某种线性组合会降低其单整的阶数, 这种向量时间序列称为协整系统。 　　在时间序列中常会发现两个变量存在一种长期稳定关系， 把这种长期稳定关系称为"协整关系”传统 　　的协整分析方法是通过对序列差分将其转化为平稳序列，得出其中的线性均衡关系，这种协整关系可称为线性协整，线性协整的建模理论是从实际的数据生成过程出发，在非平稳序列中寻找可能存在的长期线性均衡关系，以建立序列的结构模型!从而反映序列的运行机制。
VAR是向量自回归模型，向量自回归模型（Vector autoregression,VAR)：是基于数据的统计性质建立模型，VAR模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。VAR模型是处理多个相关经济指标与预测最容易操作的模型之一，并且在一定的条件下，多元MA和ARMA模型也可转化成VAR模型，因此近年来VAR模型受到越来越多的经济工作者的重视。 　　Y(t)=A(1)Y(t-1)+…A(n)Y(t-n)+BX(t)+e(t) 　　Y(t)是一个内生变量列向量， 　　X(t)是外生变量向量， 　　A(1),……,A(n),和B是等估的系数矩阵， 　　e(t)是误差向量。误差向量内的误差变量之间允许相关，但是这些误差变量不存在自相关，与Y(t)，Y(t-1)，……，Y(t-n)和X(t)也不相关。 　　在VAR内，每个方程的最佳估计为普通最小二乘估计