VAR模型(Vector Regression Model)是一种多元线性回归模型,用于分析一个时间序列数据中的变量,尤其是滞后变量的影响。VAR模型通常被用于预测未来的趋势,例如股票价格、利率、货币供应量等。
VAR模型的基本原理是将时间序列数据视为一个向量,该向量由多个滞后变量组成。通过对这些滞后变量的估计,VAR模型可以确定每个滞后变量对当前变量的影响,以及整个时间序列的趋势。VAR模型通常使用模型拟合指标,如均方误差(MSE)、均方根误差(RMSE)和标准误差(SE),来评估模型的质量和精度。
关于这个问题，VAR模型是指向量自回归模型（Vector Autoregression Model），是一种用于分析多个变量间相互关系的统计模型。
VAR模型将多个变量的历史值作为解释变量，建立多个方程模型，通过回归分析推导出各变量之间的因果关系。
VAR，也即Vector autoregression model，中文名字叫做向量自回归模型。简单来说，就是用模型刻画向量之间的数量关系。这就引出了VAR的适用前提：①能进行回归，自然要求数据平稳，否则会发生伪回归；②回归在向量之间发生，向量之间自然需要存在一定的关系（统计意义上的因果关系），那么就要求通过格兰杰因果检验。而格兰杰因果检验的前提要求数据平稳，因此要先进行平稳性检验。
仅仅从VAR的定义来看，就可以确定的是，要先进行平稳性检验，数据平稳（不平稳进行差分）再进行格兰杰因果检验。
当然，格兰杰因果检验同时要求判断滞后阶数，滞后阶数的判断就比较见仁见智了，有些做法甚至直接做出初始的VAR进行判断（如果事先认为因果检验是成立的，这样做也未尝不可）。
那么做出来的VAR模型是不是就好了呢？也不全是。因为在时间序列模型中，存在协整这样一个调整长期均衡关系的概念，转换到VAR中来，
通过建立误差修正模型（ECM），就可以使得模型包含长期均衡的信息，从而完善模型
首先进行平稳性检验。如果平稳，则进行格兰杰因果检验；如果不平稳，差分后平稳，则对差分数据进行格兰杰因果检验，同时为了完善模型，如果数据是同阶单整的，则进行协整检验（此时协整和格兰杰互不影响，因此可以互换顺序）。