VAR，也即Vector autoregression model，中文名字叫做向量自迴歸模型。簡單來說，就是用模型刻畫向量之間的數量關係。這就引出了VAR的適用前提：
①能進行迴歸，自然要求資料平穩，否則會發生偽迴歸；
②迴歸在向量之間發生，向量之間自然需要存在一定的關係（統計意義上的因果關係），那麼就要求透過格蘭傑因果檢驗。而格蘭傑因果檢驗的前提要求資料平穩，因此要先進行平穩性檢驗。 所以僅僅從VAR的定義來看，就可以確定的是，要先進行平穩性檢驗，資料平穩（不平穩進行差分）再進行格蘭傑因果檢驗。 當然，格蘭傑因果檢驗同時要求判斷滯後階數，滯後階數的判斷就比較見仁見智了，有些做法甚至直接做出初始的VAR進行判斷（如果事先認為因果檢驗是成立的，這樣做也未嘗不可）。 那麼做出來的VAR模型是不是就好了呢？也不全是。因為在時間序列模型中，存在協整這樣一個調整長期均衡關係的概念，轉換到VAR中來，如果資料本身不平穩，但卻又是同階單整，那麼透過建立誤差修正模型（ECM），就可以使得模型包含長期均衡的資訊，從而完善模型。只不過ECM在VAR中改名換姓，改叫向量誤差修正模型（VEC）了。 模型的構造已經基本完成，簡單總結一下就是：首先進行平穩性檢驗。如果平穩，則進行格蘭傑因果檢驗；如果不平穩，差分後平穩，則對差分資料進行格蘭傑因果檢驗，同時為了完善模型，如果資料是同階單整的，則進行協整檢驗（此時協整和格蘭傑互不影響，因此可以互換順序）。 在模型構建完成之後，如何評判模型的優劣呢？用AR根對VAR模型的平穩性進行判斷，這也就是模型的最後一步。
VAR，也即Vector autoregression model，中文名字叫做向量自迴歸模型。簡單來說，就是用模型刻畫向量之間的數量關係。這就引出了VAR的適用前提：
①能進行迴歸，自然要求資料平穩，否則會發生偽迴歸；
②迴歸在向量之間發生，向量之間自然需要存在一定的關係（統計意義上的因果關係），那麼就要求透過格蘭傑因果檢驗。而格蘭傑因果檢驗的前提要求資料平穩，因此要先進行平穩性檢驗。 所以僅僅從VAR的定義來看，就可以確定的是，要先進行平穩性檢驗，資料平穩（不平穩進行差分）再進行格蘭傑因果檢驗。 當然，格蘭傑因果檢驗同時要求判斷滯後階數，滯後階數的判斷就比較見仁見智了，有些做法甚至直接做出初始的VAR進行判斷（如果事先認為因果檢驗是成立的，這樣做也未嘗不可）。 那麼做出來的VAR模型是不是就好了呢？也不全是。因為在時間序列模型中，存在協整這樣一個調整長期均衡關係的概念，轉換到VAR中來，如果資料本身不平穩，但卻又是同階單整，那麼透過建立誤差修正模型（ECM），就可以使得模型包含長期均衡的資訊，從而完善模型。只不過ECM在VAR中改名換姓，改叫向量誤差修正模型（VEC）了。 模型的構造已經基本完成，簡單總結一下就是：首先進行平穩性檢驗。如果平穩，則進行格蘭傑因果檢驗；如果不平穩，差分後平穩，則對差分資料進行格蘭傑因果檢驗，同時為了完善模型，如果資料是同階單整的，則進行協整檢驗（此時協整和格蘭傑互不影響，因此可以互換順序）。 在模型構建完成之後，如何評判模型的優劣呢？用AR根對VAR模型的平穩性進行判斷，這也就是模型的最後一步。