Python中SVAR模型拟合报错：形状不匹配问题排查

报错原因 #

你遇到的shape mismatch错误核心是SVAR输入对象错误：你传入的svarinput是协方差矩阵，但statsmodels的SVAR类要求输入是已拟合的VAR模型对象（即VAR.fit()的返回结果），而非直接传入协方差矩阵。这导致模型无法获取时序数据、滞后阶数等必要信息，进而引发维度不匹配问题。

正确构建流程 #

由于你的变量存在协整关系（已通过Johansen检验确认），有两种合规的结构模型构建路径：

路径1：基于差分平稳序列构建SVAR #

先对非平稳变量做差分得到平稳序列，再拟合VAR后构建SVAR：

import numpy as np
import statsmodels.api as sm
from statsmodels.tsa.api import VAR, SVAR

# 假设diff_data是原始数据差分后的平稳数据集
var_model = VAR(diff_data)
var_fit = var_model.fit(maxlags=1, ic='aic')  # 对应你选定的滞后阶数1

# 定义A型约束矩阵（与你原设定一致）
A = np.array([
    [1, 0, 0, 0, 0, 0],  # Housing Index
    [0, 1, 0, 0, 0, 0],  # Policy Rate
    [0, 1, 1, 0, 0, 0],  # Mortgage Rates
    [0, 0, 0, 1, 0, 0],  # Inflation
    [0, 0, 0, 0, 1, 0],  # Household Debt
    [0, 0, 0, 0, 0, 1]   # Covered Bonds
])

# 构建并拟合SVAR
svar_model = SVAR(var_fit, svar_type='A', A=A)
svar_results = svar_model.fit()

路径2：构建结构误差修正模型（SVECM，更适合协整变量） #

当变量存在协整关系时，SVECM是更严谨的选择，直接基于已拟合的VECM构建：

from statsmodels.tsa.vector_ar.vecm import VECM, SVECM

# 假设original_data是原始非平稳数据集，coint_rank为Johansen检验得到的协整秩
vecm_model = VECM(original_data, k_ar_diff=1, coint_rank=你的协整秩)
vecm_fit = vecm_model.fit()

# 定义约束矩阵
A = np.array([
    [1, 0, 0, 0, 0, 0],
    [0, 1, 0, 0, 0, 0],
    [0, 1, 1, 0, 0, 0],
    [0, 0, 0, 1, 0, 0],
    [0, 0, 0, 0, 1, 0],
    [0, 0, 0, 0, 0, 1]
])

# 构建并拟合SVECM
svecm_model = SVECM(vecm_fit, svar_type='A', A=A)
svecm_results = svecm_model.fit()

结果可视化方法 #

脉冲响应函数（IRF） #

# 生成10期脉冲响应
irf = svar_results.irf(10)

# 绘制所有变量的脉冲响应图
irf.plot(orth=False)  # orth=False使用结构冲击，True为正交化冲击

# 单独绘制住房指数对担保债券冲击的响应
irf.plot(impulse=5, response=0)  # impulse=5对应担保债券，response=0对应住房指数

预测误差方差分解（FEVD） #

# 生成10期方差分解
fevd = svar_results.fevd(10)

# 绘制方差分解图
fevd.plot()

# 查看住房指数的方差分解详情
print(fevd.decomp[:, :, 0])  # 维度：期数 × 冲击变量 × 被解释变量（住房指数）

关键注意事项 #

• 约束矩阵必须符合经济理论：你的当前约束中，抵押贷款利率受政策利率影响是合理的，但所有约束都需要理论支撑，避免随意设定。
• 协整秩必须匹配：使用SVECM时，协整秩需与Johansen检验结果一致，否则模型结果失真。
• 平稳性处理：原始变量非平稳且存在协整时，不可直接用原始数据拟合VAR，必须用VECM或差分后的平稳序列。

内容的提问来源于stack exchange，提问作者Hassan Dia