如何让VAR模型支持自定义滞后阶数？含Python/R实现疑问

Python 实现方式 #

Statsmodels的VAR类确实仅支持整数型滞后参数（包含该阶数以内的所有滞后），要实现自定义滞后阶数（如1、2、3、24、48、72），可以通过手动构造指定滞后项+多元OLS拟合的方式——本质是还原VAR模型的多元线性回归核心：每个变量对所有变量的指定滞后项（及外生变量）做回归。

步骤示例 #

假设你的时间序列数据存储在pandas.DataFrame对象df中，包含多个待建模变量，且已生成小时季节哑变量hour_dummies：

import pandas as pd
import statsmodels.api as sm

# 定义需要保留的滞后阶数
target_lags = [1, 2, 3, 24, 48, 72]

# 生成所有变量的指定滞后项
lagged_features = []
for var_name in df.columns:
    for lag in target_lags:
        lag_col = df[var_name].shift(lag).rename(f"{var_name}_lag{lag}")
        lagged_features.append(lag_col)

# 合并原数据、滞后项与外生变量，删除缺失值
model_data = pd.concat([df] + lagged_features + [hour_dummies], axis=1).dropna()

# 分离自变量（滞后项+季节哑变量）与因变量
X = model_data[[col for col in model_data.columns if '_lag' in col or 'hour_' in col]]
X = sm.add_constant(X)  # 添加常数项

# 对每个变量拟合回归，模拟VAR的多方程结构
var_models = {}
for var_name in df.columns:
    y = model_data[var_name]
    ols_model = sm.OLS(y, X).fit()
    var_models[var_name] = ols_model

# 查看任意变量的回归结果
print(var_models["your_variable_name"].summary())

这种方法完全自定义滞后项，同时可以无缝加入季节哑变量，避免了低阶冗余滞后导致的过参数化问题。

R 实现方式 #

R中可以通过dynlm包直接指定自定义滞后的公式，无需依赖vars包的整数阶限制，同样能结合季节哑变量实现需求。

步骤示例 #

假设你的时间序列数据是zoo格式的ts_data，已生成小时季节哑变量hour_dummies：

library(dynlm)
library(zoo)

# 定义目标滞后阶数
target_lags <- c(1, 2, 3, 24, 48, 72)

# 批量构造每个变量的回归公式并拟合
var_models <- lapply(colnames(ts_data), function(var_name) {
  # 生成所有变量的指定滞后项公式片段
  lag_terms <- paste0("L(", colnames(ts_data), ",", target_lags, ")")
  # 组合完整公式：因变量 ~ 滞后项 + 季节哑变量
  full_formula <- as.formula(paste(var_name, "~", paste(lag_terms, collapse = " + "), " + hour_dummies"))
  # 拟合回归
  dynlm(full_formula, data = ts_data)
})

# 查看第一个变量的回归结果
summary(var_models[[1]])

你也可以先用vars包拟合高阶VAR，再通过restrict函数剔除不需要的滞后项，但手动构造滞后项的方式更直接高效，避免了高阶模型的冗余计算。

内容的提问来源于stack exchange，提问作者Mikhail Genkin