我用＆＃34; vars＆＃34; R包做多变量时间序列分析。事情就是当我进行双变量VAR时，serial.test（）的结果总是给出一个非常低的p值，所以我们拒绝H0并且残差是相关的。正确的做法是增加VAR的顺序，但即使有很高的顺序（p = 20甚至更多），我的残差仍然是相关的。 怎么可能？
我无法真正为您提供可重现的代码，因为我不知道如何重现具有始终相关残差的VAR。对我而言，这是一个非常不寻常的情况，但如果有人知道它是如何可能的话会很棒。
答案 0 :(得分：1)
这对Cross Validated来说可能是一个更好的问题，因为它不包含任何R代码或可重复的示例，但您可能需要进行更多挖掘，而不是“我的p值较低”。您是否测试了数据的正常性？另外，要说
正确的做法是增加VAR的顺序
非常不准确。您正在使用哪种类型的数据来设置高达20的滞后顺序？年度数据的典型值为1，季度为4，月度为12.您不能只是继续向您的问题投掷越来越高的订单，并期望它能解决基础数据中的问题。
假设您有一个最佳滞后值并且您的数据是正态分布的，并且您的p值仍然很低，那么有几种方法可以实现。
正序列相关的少数情况（例如，滞后-1在0.2到0.4范围内的残余自相关，或者说在1.2和1.6之间的Durbin-Watson统计量）表明模型中存在一些微调空间。考虑添加因变量的滞后和/或某些自变量的滞后。或者，如果您的统计软件中有ARIMA +回归程序，请尝试在回归模型中添加AR（1）或MA（1）项。 AR（1）项将因变量的滞后与预测方程相加，而MA（1）项增加预测误差的滞后。如果滞后2存在显着相关性，那么二阶滞后可能是合适的。
如果残差中存在显着的负相关（滞后-1自相关比-0.3更负或DW值大于2.6），请注意您可能对某些变量进行过度分配。差异倾向于在负方向上驱动自相关，而过多的差异可能导致滞后变量无法纠正的负相关的人为模式。
如果在季节性时期存在显着相关性（例如，季度数据滞后4或月度数据滞后12），则表明模型中没有正确考虑季节性。季节性可以通过以下方式之一在回归模型中处理：（i）季节性调整变量（如果它们尚未经过季节性调整），或（ii）使用季节性滞后和/或季节性差异变量（注意：要小心不要超差！），或者（iii）将季节性虚拟变量添加到模型中（即，一年中不同季节的指标变量，例如MONTH = 1或QUARTER = 2等）。虚拟变量方法可以添加季节性调整作为回归模型的一部分进行：可以估算一年中每个季节的不同加性常数。如果已记录因变量，则季节性调整是乘法的。 （需要注意的是：有可能虽然您的因变量已经过季节性调整，但您的某些自变量可能不会，导致其季节性模式泄漏到预测中。）
序列相关的主要情况（Durbin-Watson统计数据远低于1.0，自相关远高于0.5）通常表明模型中存在基本结构问题。您可能希望重新考虑已应用于相关变量和自变量的变换（如果有）。通过差分，记录和/或放气的适当组合来固定所有变量可能会有所帮助。