• VAR：纯数据驱动的“关联探测器”
  你可以把VAR当成一个只看历史数据的“关联分析师”——比如你扔给它GDP、通胀、失业率的过去数据，它会告诉你“A变量变了之后，B、C变量通常会怎么跟着变”，但它完全不管现实世界里谁是“因”谁是“果”。举个例子，VAR可能发现“GDP涨了之后通胀大概率涨”，但它不会说“是GDP带动通胀”还是“通胀先涨拉动了GDP”，所有变量在它眼里都是平等的，适合用来初步摸清楚变量之间的联动规律。

• SVAR：加了“现实逻辑”的“因果解码器”
  SVAR是VAR的升级版，它会加入你对经济运行的结构化判断（也就是经济学理论或者现实规则）。比如你根据常识知道“央行只会根据当前的通胀和GDP调整利率，而利率的变动不会立刻反过来影响当期的通胀和GDP”，那你就给SVAR加个约束：利率的冲击不会立刻传导到通胀和GDP，但通胀和GDP的冲击会立刻影响利率。这样SVAR就能帮你区分出“真正的因果冲击”——比如它能明确告诉你“如果央行突然加息（这是一个独立的冲击），接下来半年GDP会下降多少”，而不是VAR那种分不清谁先动的模糊关联。

在R里（比如用vars包的irf()函数），默认的冲击是变量的1个标准差的波动，这个幅度是从你输入的样本数据里计算出来的：

• 比如你的GDP数据历史波动的标准差是2%，那这个冲击就代表“GDP突然发生了一次2%的波动”——这是样本里比较常见的、合理的波动幅度，不是极端冲击，更贴近现实情况。
• 如果你看脉冲响应图，纵轴的数值就是变量对这个冲击的响应幅度：比如图里显示GDP对利率冲击的响应是-0.3，意思就是“利率受到1个标准差的冲击后，GDP会下降0.3个百分点（具体单位取决于你数据的计量方式）”。

额外补充：R里默认的冲击是正交化冲击（对应irf()函数里的ortho = TRUE参数），这种冲击是互相独立的，不会和其他变量的冲击混淆，其实就是SVAR里说的“结构化冲击”；如果改成ortho = FALSE，那就是VAR的原始冲击，这种冲击因为变量之间互相影响，意义不大，所以一般都用正交化的版本。

要是还有没捋明白的地方，随时唠！

内容的提问来源于stack exchange，提问作者unelma