在Stata中，脉冲响应函数（Impulse Response Function, IRF）是分析向量自回归（VAR）模型动态效应的重要工具，它揭示了某个内生变量的一个标准差冲击对系统中所有变量未来值的影响路径，Stata提供了var和irf命令组来实现脉冲响应分析，其核心流程包括模型设定、估计、脉冲响应计算及可视化等步骤，以下从操作步骤、命令语法、结果解读及注意事项等方面展开详细说明。
脉冲响应分析的基本流程与Stata实现
VAR模型的设定与估计
脉冲响应分析基于VAR模型，因此首先需要合理设定模型阶数并估计参数，VAR模型的一般形式为：
[ Y_t = c + A1 Y{t-1} + A2 Y{t-2} + \dots + Ap Y{t-p} + \varepsilon_t ]
( Y_t ) 是( k \times 1 )内生变量向量，( p )为滞后阶数，( \varepsilon_t )为扰动项。
在Stata中，使用var命令估计VAR模型，关键是通过lag()选项指定滞后阶数，并通过varsoc（信息准则法）或varlagdef（似然比检验）确定最优滞后阶数。
// 假设有变量y1、y2、y3，使用varsoc选择滞后阶数 varsoc y1 y2 y3 // 估计滞后2期的VAR模型 var y1 y2 y3, lag(2)
信息准则（AIC、BIC、HQIC）越小或似然比检验不拒绝原假设（“滞后阶数足够”）时,表明当前滞后阶数合理。
脉冲响应命令的核心语法
VAR模型估计后，使用irf create生成IRF对象，再通过irf graph或irf table输出脉冲响应结果，核心命令如下：
-
生成IRF对象：
irf create myirf, set(results, replace) // 创建名为myirf的IRF对象，存储至results文件
set()选项指定结果存储文件，replace覆盖已有文件。 -
计算脉冲响应：
irf table oirf, impulse(y1) response(y2 y3) n(10) // 计算y1对y2、y3的10期正交化脉冲响应 irf table girf, impulse(y2) response(y1) n(8) // 计算y2对y1的广义脉冲响应
oirf（正交化脉冲响应）需对扰动项施加正交化约束（如Cholesky分解），girf（广义脉冲响应）则不依赖排序假设，更稳健。impulse()指定冲击变量，response()指定响应变量，n()设定预测期数。
（图片来源网络，侵删） -
绘制脉冲响应图：
irf graph oirf, impulse(y1) response(y2 y3) // 绘制y1对y2、y3的脉冲响应图 irf graph girf, impulse(y3) response(y1 y2) yline(0, lpattern(dash)) // 添加零参考线
图形可直观展示响应方向（正向/负向）、影响程度（峰值）及持续时间（趋零速度）。
正交化方法的选择
正交化脉冲响应（oirf）的结果依赖于变量顺序，因为Cholesky分解假设扰动项存在递归关系（如( \varepsilon{y1,t} )影响( \varepsilon{y2,t} )，但反之不成立），若变量间存在同期相关性，需结合经济理论确定排序，在“GDP-通胀”模型中，若认为GDP冲击可即时影响通胀，但通胀对GDP无即时影响，则排序应为GDP在前、通胀在后。
Stata可通过irf oirf的orthog()选项自定义正交化方法，如qr分解（orthog(qr)）或svd分解（orthog(svd)），但Cholesky分解（默认）仍是常用方法。
脉冲响应结果的解读与输出
表格输出与统计推断
irf table命令可输出脉冲响应的点估计值及置信区间，
irf table oirf, impulse(y1) response(y2 y3) n(5) stats(ce se lower95 upper95)
输出结果包含：
ce（点估计）：各期响应值；se（标准误）：用于计算置信区间；lower95/upper95：95%置信区间，若区间不包含0，则冲击效应在统计上显著（5%水平）。
示例表格（y1对y2的脉冲响应）：
| 期数 | 响应值 | 标准误 | 95%置信区间下限 | 95%置信区间上限 |
|---|---|---|---|---|
| 1 | 12 | 05 | 02 | 22 |
| 2 | 08 | 04 | 00 | 16 |
| 3 | 03 | 03 | -0.03 | 09 |
| 4 | 01 | 02 | -0.03 | 05 |
| 5 | 00 | 01 | -0.02 | 02 |
解读：y1的一个标准差冲击在第1期使y2显著上升0.12单位，第2期效应减弱至0.08，第3期后不显著,表明冲击影响持续约2期。
图形分析的关键要素
脉冲响应图需关注三点：
- 响应方向：曲线位于零轴上方为正向冲击，下方为负向；
- 峰值效应：响应绝对值最大的期数，反映冲击的即时强度；
- 趋零速度：曲线回归零轴的速度，衡量冲击的持久性，若GDP冲击对通胀的响应曲线在第4期后趋近零,表明通胀对GDP冲击的响应是短期的。
注意事项与常见问题
-
模型稳定性检验：脉冲响应的有效性需以VAR模型稳定为前提，即所有特征根的模小于1，可通过
varstable命令检验：varstable, graph // 输出特征根图形，若所有根位于单位圆内，模型稳定
-
滞后阶数敏感性：不同滞后阶数可能导致脉冲响应结果差异，需通过信息准则和似然比检验综合确定最优阶数，并进行稳健性检验（如比较p=2和p=3时的响应路径）。
-
样本量要求：VAR模型要求数据量充足（通常建议T > k*p，k为变量数，p为滞后阶数），否则估计结果可能不可靠。
-
结构化冲击与识别约束：若研究结构性冲击（如货币政策冲击），需使用结构VAR（SVAR）模型，通过
svar命令施加短期（short）或长期（long）识别约束，svar y1 y2 y3, errors(orthogonal) a(0,1,0\.,0,0,0\.,0,0,1) // 施加Cholesky识别约束
相关问答FAQs
Q1：如何选择正交化脉冲响应（oirf）和广义脉冲响应（girf）？
A1：两者的核心区别在于是否依赖变量排序，若经济理论明确支持变量间的递归因果关系（如“货币政策→通胀→GDP”），可使用oirf（Cholesky正交化），此时排序需符合逻辑；若变量间存在同期双向因果关系（如“GDP与消费相互影响”），或排序假设不明确，推荐使用girf（广义脉冲响应），其结果不依赖排序假设，更具稳健性，Stata可通过irf table girf直接计算。
Q2：脉冲响应的置信区间如何解读？为什么有时置信区间较宽？
A2：脉冲响应的置信区间用于判断冲击效应的统计显著性，若95%置信区间不包含0，表明在5%显著性水平下，冲击效应显著不为零；若包含0，则效应不显著，置信区间较宽通常由以下原因导致：（1）样本量较小，估计精度低；（2）冲击变量自身波动较大（标准差高）；（3）VAR模型设定错误（如滞后阶数不当或遗漏变量），此时可通过扩大样本、优化模型设定或使用bootstrap法（irf oirf, bootstrap）重新计算置信区间来改善。
