我使用"vars" R包进行多元时间序列分析。问题是，当我进行二元VAR时，serial.test()的结果总是给出一个非常低的p值，所以我们拒绝H0，残差是相关的。正确的做法是增加VAR的阶数，但即使有很高的阶数(p=20或更高)，残差仍然是相关的。这怎么可能?
我真的不能给你一个可重复的代码，因为我不知道如何重现残差总是相关的VAR。对我来说，这是一个非常不寻常的情况，但如果有人知道这是怎么可能的，那就太好了。
这可能是一个更好的问题，因为它不包含任何R代码或可重复的例子，但你可能需要做更多的挖掘比"我有一个低p值"。你测试过你的数据是否正常吗?还有，输入
正确的做法是增加VAR的顺序
是非常不准确的。你处理的是哪种类型的数据，你会将延迟顺序设置为高达20?年度数据的典型值为1，季度数据的典型值为4，月度数据的典型值为12。您不能只是不断地对问题施加越来越高的命令，并期望它能解决底层数据中的问题。
假设你有一个最佳滞后值，你的数据是正态分布的，你仍然有一个低的p值，有几种方法可以走。
较小的正序列相关情况(例如，lag-1残差自相关在0.2至0.4范围内，或者Durbin-Watson统计量在1.2至1.6之间)表明模型中有一些微调的空间。考虑添加因变量和/或一些自变量的滞后。或者，如果您的统计软件中有可用的ARIMA+回归过程，请尝试在回归模型中添加AR(1)或MA(1)项。AR(1)项给预测方程增加了因变量的滞后，而MA(1)项增加了预测误差的滞后。如果在滞后2处存在显著的相关性，那么二阶滞后可能是合适的。
如果残差中存在显著的负相关(lag-1自相关大于-0.3或DW stat大于2.6)，请注意您可能对某些变量进行了过度差异。差异倾向于将自相关性向负方向驱动，而过多的差异可能导致滞后变量无法纠正的人为负相关模式。
如果在季节期间存在显著相关性(例如，季度数据滞后4或月度数据滞后12)，这表明模型中没有适当考虑季节性。在回归模型中，季节性可以通过以下一种方式处理:(i)季节性调整变量(如果它们尚未经过季节性调整)，或(ii)使用季节性滞后和/或季节性差异变量(注意:)，或者(iii)在模型中添加季节性虚拟变量(即，一年中不同季节的指标变量，例如MONTH=1或QUARTER=2等)。虚拟变量方法可以将可加性季节性调整作为回归模型的一部分进行:可以为一年中的每个季节估计不同的可加性常数。如果因变量已被记录，则季节性调整是乘法。(另外需要注意的是:虽然你的因变量已经经过了季节性调整，但你的一些自变量可能没有经过季节性调整，从而导致它们的季节性模式泄漏到预测中。)
序列相关的主要情况(Durbin-Watson统计量远低于1.0，自相关远高于0.5)通常表明模型中存在基本的结构问题。您可能希望重新考虑已应用于因变量和自变量的转换(如果有的话)。通过差分、测井和/或平放的适当组合，可以帮助平稳化所有变量。