结构 VAR + IRF/FEVD是什么？
结构 VAR 回答的是在多变量动态系统中，如何把统计残差分解为有经济含义的结构冲击。它比普通 VAR 多一步识别限制，用来解释政策冲击、供给冲击或需求冲击。
先用一句话理解
把 SVAR 想成普通 VAR 只能看到一团同时发生的波动，SVAR 要通过理论限制把这团波动拆成几种冲击。例如货币政策冲击、需求冲击和供给冲击不能只靠数据自动命名。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 需要解释结构冲击及其动态影响，并有清楚的识别限制。 |
| 先不要用在 | 没有经济理论支持限制，只想给 VAR 残差贴标签。 |
| 最关键的前提 | 短期限制、长期限制、符号限制或外部工具必须可信。 |
| 读表顺序 | 先看识别方案，再看 IRF、FEVD 和历史分解。 |
| 论文表述边界 | SVAR 的结论高度依赖识别限制，必须透明披露。 |
把它和相近方法分清楚
| 容易混淆的对象 | 怎么区分 | 初学者记法 |
|---|---|---|
| VAR | 描述统计动态。 | 冲击通常没有结构名称。 |
| SVAR | 加入理论限制识别结构冲击。 | 可解释政策或供需冲击。 |
| Local projection | 直接估计冲击响应。 | 形式更灵活但也需要冲击识别。 |
核心直觉和模型公式
结构冲击识别
SVAR 可写成：
\[B_0Y_t=B_1Y_{t-1}+\cdots+B_pY_{t-p}+e_t\]
e_t 是结构冲击；B0 中的限制决定如何从 VAR 残差恢复这些冲击。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| B0 | 同期结构矩阵 | 定义变量当期相互影响限制。 |
| e_t | 结构冲击 | 有经济含义的外生冲击。 |
| IRF | 结构脉冲响应 | 某类结构冲击对变量路径的影响。 |
| FEVD | 方差分解 | 预测误差由不同结构冲击解释的比例。 |
| restrictions | 识别限制 | 短期、长期、符号或外部工具限制。 |
专业使用口径
专业 SVAR 报告要先审查识别限制，再展示响应图。
| 口径 | 专业写法 |
|---|---|
| 识别方案 | 说明用 Cholesky、长期限制、符号限制还是外部工具。 |
| 变量排序 | 递归识别下排序非常重要。 |
| 不确定性 | IRF 要带置信区间或可信区间。 |
| 稳健性 | 替代排序、变量集合和滞后阶数要比较。 |
一步一步做：从问题到结果的五步
| 步骤 | 这一页具体做什么 | 做到什么程度才算读懂 |
|---|---|---|
| 1. 估计基础 VAR | 先确保变量处理和稳定性。 | SVAR 建在 VAR 上。 |
| 2. 设定识别限制 | 用理论定义结构冲击。 | 这是 SVAR 的核心。 |
| 3. 恢复结构冲击 | 从统计残差转换到 e_t。 | 转换依赖限制。 |
| 4. 画 IRF/FEVD | 看冲击影响路径和贡献。 | 动态解释比单期系数重要。 |
| 5. 做识别稳健性 | 换排序或限制看结论是否稳定。 | 限制敏感要诚实披露。 |
结果怎么读：先读口径，再读数字
本页案例读表时，先记住这个口径：年度聚合观测 = 6；面板案例按 year 聚合。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看限制 | 结构冲击如何被识别。 | 没有限制就没有结构解释。 |
| 再看排序 | 递归模型里谁先谁后。 | 排序改变可能改变冲击。 |
| 然后看 IRF | 响应方向、大小和持续期。 | 必须结合置信区间。 |
| 最后看稳健性 | 替代识别下是否一致。 | SVAR 很容易对限制敏感。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把 Cholesky 默认排序当理论 | 错。排序需要解释。 |
| 普通 VAR 残差直接命名为政策冲击 | 错。需要识别。 |
| 只展示漂亮 IRF | 不够。要报告限制和不确定性。 |
| 忽略非平稳问题 | 风险高。基础 VAR 不稳，SVAR 也不稳。 |
先看这个案例的结论
- 年度聚合观测 = 6；面板案例按 year 聚合。
- ln Patent 年趋势 = 0.0993；年度均值趋势斜率。
- DFI 年趋势 = 22.3130；数字金融指数年度变化。
- 这些数字来自页面里的结果表；写论文时先解释数值含义，再讨论理论含义。
变量要求和案例口径
| 字段 | 口径 |
|---|---|
| 数据 | CSMAR 风格 A 股企业创新面板 |
| 原始样本 | 196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准 |
| 因变量 | patent_count；回归页通常使用 ln(1 + patent_count) |
| 核心解释变量 | dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index |
| 控制变量 | roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age |
| 输出文件 | svar_results.csv |
| 角色要求 | 因变量 |
| 依赖包 | 无额外 Stata 社区包要求 |
实际代码
下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。
import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year
global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0
collapse (mean) $y $x roa, by(year)
tsset year
svar $y $x roa, lags(1/2)
irf create case_svar, replace
export delimited using "$JOB_DIR/svar_results.csv", replace实际输出表
这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。
| 指标 | 数值 | 解释 |
|---|---|---|
| 样本 | 1200 obs / 196 firms / 2015-2020 | 来自共用案例 CSV |
| 因变量 | ln(1 + patent_count) | 企业创新产出 |
| 核心解释变量 | dfi_index | 数字普惠金融指数 |
| 输出文件 | svar_results.csv | empirical-wizard 对应方法产物 |
| 年度聚合观测 | 6 | 面板案例按 year 聚合 |
| ln Patent 年趋势 | 0.0993 | 年度均值趋势斜率 |
| DFI 年趋势 | 22.3130 | 数字金融指数年度变化 |
案例图
这是一张由同一份案例数据生成的页面内诊断图。
论文里怎么写
本文将企业面板按年份聚合后使用结构 VAR + IRF/FEVD进行时间序列诊断。结果见 svar_results.csv。由于本教学案例年度观测较少，该页重点展示代码和解释框架，正式论文需要更长时间序列。
检查清单
- 先说明结构冲击识别限制，例如 Cholesky 排序或符号限制。
- IRF 解释依赖变量排序，换排序可能改变结论。
- SVAR 是动态冲击分析，不要把所有响应都写成确定因果。