1、使用场景
以往预测模型大都采用有监督的方法进行建模，但是预测未来一段时间目标值的变化时，出现未来特征未知导致只能进行模型的训练和测试，不能用于未来结果预测，常用的办法就是采用当前自变量（求均值，单变量预测等办法）获取未来自变量，然后利用自变量预测未来目标值（缺点：预测自变量预测目标值结果肯定不是那么理想）。向量自回归模型(VAR)很好的解决了该类问题，VAR模型除了分析自身滞后项（目标值）的影响外，还分析了其他相关因素的滞后因素（因变量）的项对未来值产生的影响。
2、模型原理
其中，y为历史目标值，x为其他因子的滞后项。
向量自回归的有点是集合多元线性回归的优点（可以加入多个因子）以及时间序列模型的优点（可以分析滞后项的影响）的综合模型。
VAR其实是一类模型，以上是最基础的VAR模型形式，其他还有SVAR,CVAR,VECM，同统称为VAR类模型。
3、VAR模型的建模步骤
1）画N个因子的序列相关图：计算相关系数，查看一下线性相关性，其中相关系数的大小反应线性相关程度，不反应非线性，如果等于0，不能排除存在非线性先关的可能。
2）对N个因子的原始数据进行平稳性检验，也就是ADF检验：VAR模型要求所有因子数据同阶协整，也就是N个因子里面如果有一个因子数据不稳定，就要全体做差分，一直到平稳为止。
3）对应变量yt和影响因子xt做协整检验：一般就是EG协整关系检验了，为了看看Y和各个因子Xi之间是否存在长期平稳的关系，这个检验要放到所有数据都通过ADF检验以后才可以做。如果那个因子通不过协整检验，那基本也要剔除。
4）然后就通过AIC、BIC以及LR定阶：一般来说是综合判断三者，AIC，BIC要做小，
比如-10的AIC就优于-1AIC，LR反之要最大的。但是具体偏重那个，就看个人偏好，一般来说，博主的经验是看AIC和LR，因为BIC的惩罚力度大于AIC，大多数时间不太好用。
具体的实现步骤一般是，把滞后项的阶数列一个范围，比如1-5，然后直接建模，其他啥都不看，先看AIC,BIC,LR的值。一般符合条件的不会只有一个，可以挑2-3个最好的，继续进行。
5）定阶完成后，就是估计参数，看参数的显著性。
好的模型所有参数的要通过显著性检验。
6）对参数进行稳定性检验
VAR除了对原始数据要进行平稳处理，估计出来的参数还需要检验参数稳定性。
这是为了查看模型在拟合时，数据样本有没有发生结构性变化