稳定性分析：做AR根的图表分析，如所有单位根小于1，说明VAR模型定，满足脉冲分析及方差分解所需条件之一
模型的因果关系检验 2 不过注意在做因果检验前要先确定滞后长度，方法见高铁梅 计量分析方法与建模 第2版 P302 只有满足因果关系，加上满足条件一：稳定性，则可进行脉冲及方差分解 如不满足因果关系，则所有不满足因果关系的变量将视为外生变量，至此要重新构建VAR模型，新的VAR模型将要引入外生变量的VAR模型
（2）VAR与VEC关系是：VEC是有协整约束（即有长期稳定关系）的VAR模型，多用于具有协整关系的非平稳时间序列建模 高铁梅 计理分析方法与建模 第2版 P295
15．简单说VAR模型建立时 第一步：不问序列如何均可建立初步的VAR模型（建立过程中数据可能前平稳序列，也可能是部分平稳，还可能是没协整关系的同阶不平稳序列，也可能是不同阶的不平稳序列，滞后阶数任意指定。所有序列一般视为内生向量)， 第二步：在建立的初步VAR后进行
1、滞后阶数检验，以确定最终模型的滞后阶数
2、在滞后阶数确定后进行因果关系检验，以确定哪些序列为外生变量 至此重新构建VAR模型（此时滞后阶数已定，内外生变量已定），再进行AR根图表分析，
如单位根均小于1，VAR构建完成可进行脉冲及方差分解 如单位根有大于1的，考虑对原始序进行降阶处理（一阶单整序列处理方法：差分或取对数，二阶单整序列：理论上可以差分与取对数同时进行，但由于序列失去了经济含义，应放弃此处理，可考虑序列的趋势分解，如分解后仍然不能满足要求，可以罢工，不建立任何模型，休息或是打砸了电脑），处理过后对新的序列（包括最初的哪些平稳序列）不断重复第一步与第二步，直至满足稳定性为止
第三步，建立最终的VAR后，可考虑SVAR模型
如果变量不仅存在滞后影响，还存在同期影响关系，则建立VAR模型不太合适，这种情况下需要进行结构分析。
误差修正模型（Error Correction Model，ECM）
向量误差修正模型（VEC,Vector Error Correction,）是一个有约束的VAR模型，并在解释变量中含有协整约束，因此它适用于已知有协整关系的非平稳序列。当有一个大范围的短期动态波动时，VEC表达式会限制内生变量的长期行为收敛于它们的协整关系。因为一系列的部分短期调整可以修正长期均衡的偏离，所以协整项被称为是误差修正项。误差修正项反映了长期均衡对短期波动偏离自我修正的动态机制。理论上，误差修正项应为负值，表示当失衡时，时间序列应收敛并回归长期均衡，绝对值越大则队本期误差修正作用与越强。如果为正，则表示前期的失衡部分无法在后一期作反向回归调整。
应用可参考文献：常海滨、徐成贤：我国货币政策传导机制区域差异的实证分析，经济科学，2007年第5期
1.误差修正模型的产生原因
对于非稳定时间序列，可通过差分的方法将其化为稳定序列，然后才可建立经典的回归分析模型
如：建立人均消费水平（Y）与人均可支配收入（X）之间的回归模型：
Yt = α0 + α1Xt + μt
如果Y与X具有共同的向上或向下的变化趋势,进行差分，X,Y成为平稳序列，建立差分回归模型得：
ΔYt = α1ΔXt + vt 式中，vt = μt -μ
t -1
然而，这种做法会引起两个问题： (1)如果X与Y间存在着长期稳定的均衡关系 Yt = α0 + α1Xt + μt 且误差项μt不存在序列相关，则差分式 ΔYt = α1ΔXt + vt 中的vt是一个一阶移动平均时间序列，因而是序列相关的；(2)如果采用差分形式进行估计，则关于变量水平值的重要信息将被忽略，这时模型只表达了X与Y间的短期关系，而没有揭示它们间的长期关系。
因为，从长期均衡的观点看，Y在第t期的变化不仅取决于X本身的变化，还取决于X与Y在t-1期末的状态，尤其是X与Y在t-1期的不平衡程度。另外，使用差分变量也往往会得出不能令人满意回归方程。
例如，使用ΔY1 = ΔXt + vt 回归时，很少出现截距项显著为零的情况，即我们常常会得到如下形式的方程：
式中， （*）
在X保持不变时，如果模型存在静态均衡（static equilibrium），Y也会保持它的长期均衡值不变。
但如果使用（*）式，即使X保持不变，Y也会处于长期上升或下降的过程中，这意味着X与Y间不存在静态均衡。这与大多数具有静态均衡的经济理论假说不相符。可见，简单差分不一定能解决非平稳时间序列所遇到的全部问题，因此，误差修正模型便应运而生。
2.误差修正模型的简单原理（Error Correction Model，简记为ECM）
误差修正模型（Error Correction Model，简记为ECM）是一种具有特定形式的计量经济学模型，为了便于理解，我们通过一个具体的模型来介绍它的结构。 假设两变量X与Y的长期均衡关系为:
Yt = α0 + α1Xt + μt
由于现实经济中X与Y很少处在均衡点上，因此实际观测到的只是X与Y间的短期的或非均衡的关系，假设具有如下(1,1)阶分布滞后形式
该模型显示出第t期的Y值，不仅与X的变化有关，而且与t-1期X与Y的状态值有关。
由于变量可能是非平稳的，因此不能直接运用OLS法。对上述分布滞后模型适当变形得： (**) , 式中，λ = 1 - μ，
如果将（**）中的参数，与Yt = α0 + α1Xt + μt中的相应参数视为相等，则（**）式中括号内的项就是t-1期的非均衡误差项。
（**）式表明：Y的变化决定于X的变化以及前一时期的非均衡程度。同时，（**）式也弥补了简单差分模型ΔY1 = ΔXt + vt的不足，因为该式含有用X、Y水平值表示的前期非均衡程度。因此，Y的值已对前期的非均衡程度作出了修正。 (**)称为一阶误差修正模型(first-order error correction model)。 （**）式可以写成： # _( {! Y* `2 _+ U
其中:ecm表示误差修正项。由分布滞后模型知：一般情况下|μ|<1 ，由关系式μ得0<λ<1。可以据此分析ecm的修正作用：
(1)若(t-1)时刻Y大于其长期均衡解α0 + α1X，ecm为正，则(-λecm)为负，使得ΔYt减少；
(2)若(t-1)时刻Y小于其长期均衡解α0 + α1X，ecm为负，则(-λecm)为正，使得ΔYt增大。
（***）体现了长期非均衡误差对的控制。
需要注意的是：在实际分析中，变量常以对数的形式出现。
其主要原因在于变量对数的差分近似地等于该变量的变化率，而经济变量的变化率常常是稳定序列，因此适合于包含在经典回归方程中。 于是:
(1)长期均衡模型
Yt = α0 + α1Xt + μt( a& J5 @& ~1 I2 V
中的α1可视为Y关于X的长期弹性（long-run elasticity） (2)短期非均衡模型 中的β1可视为Y关于X的短期弹性（short-run elasticity）。
更复杂的误差修正模型可依照一阶误差修正模型类似地建立。
3。误差修正模型的建立 （1）Granger 表述定理
误差修正模型有许多明显的优点：如 a）一阶差分项的使用消除了变量可能存在的趋势因素，从而避免了虚假回归问题； b）一阶差分项的使用也消除模型可能存在的多重共线性问题； c）误差修正项的引入保证了变量水平值的信息没有被忽视； d）由于误差修正项本身的平稳性，使得该模型可以用经典的回归方法进行估计，尤其是模型中差分项可以使用通常的t检验与F检验来进行选取。 因此，一个重要的问题就是：是否变量间的关系都可以通过误差修正模型来表述？
就此问题，Engle 与 Granger 1987年提出了著名的Grange表述定理（Granger representaion theorem）：
如果变量X与Y是协整的，则它们间的短期非均衡关系总能由一个误差修正模型表述：
ΔYt = lagged(ΔY,ΔX) ? λμ 式中，μ数。
t ? 1
t ? 1
+ εt
是非均衡误差项或者说成是长期均衡偏差项， λ是短期调整参
对于(1,1)阶自回归分布滞后模型
如果 Yt~I(1), Xt~I(1) ; 那么 的左边ΔYt~I(0) ，右边的ΔXt ~I(0) ，
因此，只有Y与X协整，才能保证右边也是I(0)。
因此，建立误差修正模型，需要首先对变量进行协整分析，以发现变量之间的协整关系，即长期均衡关系，并以这种关系构成误差修正项。然后建立短期模型，将误差修正项看作一个解释变量，连同其它反映短期波动的解释变量一起，建立短期模型，即误差修正模型。 （2）Engle-Granger两步法
由协整与误差修正模型的的关系，可以得到误差修正模型建立的E-G两步法：第一步，进行协整回归（OLS法），检验变量间的协整关系，估计协整向量（长期均衡关系参数）；第二步，若协整性存在，则以第一步求到的残差作为非均衡误差项加入到误差修正模型中，并用OLS法估计相应参数。需要注意的是：在进行变量间的协整检验时，如有必要可在协整回归式中加入趋势项，这时，对残差项的稳定性检验就无须再设趋势项。另外，第二步中变量差分滞后项的多少，可以残差项序列是否存在自相关性来判断，如果存在自相关，则应加入变量差分的滞后项。 （3）直接估计法
也可以采用打开误差修整模型中非均衡误差项括号的方法直接用OLS法估计模型。但仍需事先对变量间的协整关系进行检验。 如对双变量误差修正模型
可打开非均衡误差项的括号直接估计下式： 2 q7 o; A5 D! K$ i3 b' s2 U9 c% M
这时短期弹性与长期弹性可一并获得。需注意的是，用不同方法建立的误差修正模型结果也往往不一样。
这是我在查阅各种资料后得出的关于面板数据的总结，最近在做面板的实证论文，所以需要这个，欢迎大家继续扩充，只要是关于面板的都行，关于具体如何在Eviews6中实现的更好，不甚感激。
*横截面的异方差与序列的自相关性是运用面板数据模型时可能遇到的最为常见的问题,此时运用OLS可能会产生结果失真,因此为了消除影响,对我国东、中、西部地区的分析将采用不相关回归方法( SeeminglyUnrelated
Regression, SUR)来估计方程。而对于全国范围内的估计来说,由于横截面个数大于时序个数,所以采用截面加权估计法(Cross SectionWeights, CSW) 。 *一般而言，面板数据可用固定效应(fixed effect) 和随机效应(random effect) 估计方法,即如果选择固定效应模型,则利用虚拟变量最小二乘法(LSDV) 进行估计;如果选择随机效应模型,则利用可行的广义最小二乘法(FGLS) 进行估计(Greene ,2000) 。它可以极大限度地利用面板数据的优点,尽量减少估计误差。至于究竟是采用固定效应还是随机效应,则要看Hausman 检验的结果。 *单位根检验：在进行时间序列的分析时,研究者为了避免伪回归问题,会通过单位根检验对数据平稳性进行判断。但对于面板数据则较少关注。随着面板数据在经济领域应用,对面板数据单位根的检验也逐渐引起重视。面板数据单位根的检验主要有Levin、Lin 和Chu 方法(LLC 检验) (1992 ,1993 ,2002) 、Im、Pesaran 和Shin 方法( IPS 检验) (1995 ,1997) 、Maddala 和Wu 方法(MW检验) (1999) 等。
*协整检验：协整检验是考察变量间长期均衡关系的方法。在进行了各变量的单位根检验后,如果各变量间都是同阶单整，那么就可以进行协整检验了。面板协整检验理论目前还不成熟,仍然在不断的发展过程中,目前的方法主要有: (1)Kao(1999)、Kao and Chiang(2000)利用推广的DF和ADF检验提出了检验面板协整的方法,这种方法零假设是没有协整关系,并且利用静态面板回归的残差来构建统计量。