将 VAR 模型的系数解释为百分比
Interpreting Coeficients of VAR Model as percentage
我想知道如何将 VAR 模型的系数解释为百分比。我的意思是，为了查看变量 X1 对因变量 Y 的影响有多大，我应该遵循什么程序？
下面是一个输出示例：
那么，有没有一种方法可以将 "US_PROPANE_STOCKS" 的影响以百分比形式与其他变量相比较，例如？
一般来说，以百分比为基础比较回归系数并不常见。
您应该更专注于自己处理回归系数。在这里，您必须区分原始回归系数 (B) 和标准化 beta 权重 (β)。
原始回归系数取决于预测变量的范围和分布。因此，很难比较不同预测变量的 B 值。例如，您的第一个预测变量的范围可能在 -1000 到 1000 之间，而您的第二个预测变量的范围在 -0.0001 到 0.0001 之间。举这样一个例子，与第二个预测变量相比，你的第一个预测变量很可能会获得更高的 B，即使你的第二个预测变量的影响可能更大。因此，B 值比较起来不是很方便。
相比之下，标准化的 beta 权重 (β) 是（顾名思义）通过具有介于 -1 和 1 之间的值来标准化的。通过评估 β，您可以了解哪个预测因素比其他因素有更大的影响。
但请注意，β1 = 0.25和β2 = 0.5并不意味着β2的影响比β1大100%。这些系数仍然参考你的回归公式的权重。
我想知道如何将 VAR 模型的系数解释为百分比。我的意思是，为了查看变量 X1 对因变量 Y 的影响有多大，我应该遵循什么程序？
下面是一个输出示例：
那么，有没有一种方法可以将 "US_PROPANE_STOCKS" 的影响以百分比形式与其他变量相比较，例如？
一般来说，以百分比为基础比较回归系数并不常见。
您应该更专注于自己处理回归系数。在这里，您必须区分原始回归系数 (B) 和标准化 beta 权重 (β)。
原始回归系数取决于预测变量的范围和分布。因此，很难比较不同预测变量的 B 值。例如，您的第一个预测变量的范围可能在 -1000 到 1000 之间，而您的第二个预测变量的范围在 -0.0001 到 0.0001 之间。举这样一个例子，与第二个预测变量相比，你的第一个预测变量很可能会获得更高的 B，即使你的第二个预测变量的影响可能更大。因此，B 值比较起来不是很方便。
相比之下，标准化的 beta 权重 (β) 是（顾名思义）通过具有介于 -1 和 1 之间的值来标准化的。通过评估 β，您可以了解哪个预测因素比其他因素有更大的影响。
但请注意，β1 = 0.25和β2 = 0.5并不意味着β2的影响比β1大100%。这些系数仍然参考你的回归公式的权重。