6、脉冲响应函数：如何用IRF可视化冲击的持久性
好，咱们今天聊一个特别直观、也特别实用的工具——脉冲响应函数，简称IRF。
说实话，我刚开始做宏观分析那会儿，最头疼的就是判断一个冲击到底能持续多久。比如央行突然加息，你说它对GDP的影响是三个月就消化了，还是能持续三年？光看回归系数，根本看不出来。后来我导师扔给我一句话：「去看IRF啊，一目了然。」
嗯，今天我就把这块掰开了讲给你听。
6.1 什么是脉冲响应函数？
脉冲响应函数，说白了就是：给系统一个单位的「冲击」，然后看各个变量在未来各个时间点上的反应轨迹。
你想想看，这就像往平静的湖面扔一颗石子。石子落水那一瞬间是冲击，然后水波一圈圈扩散出去。有的湖面很快恢复平静（临时冲击），有的湖面会持续荡漾很久（永久冲击）。IRF就是帮你画出这道「水波扩散图」的数学工具。
我个人习惯把IRF理解成「经济系统的X光片」。它能把一个复杂动态系统内部的传导机制，清清楚楚地照出来。
核心定义：在VAR模型中，给第j个变量在第t期施加一个单位标准差的正交化冲击，然后观察第i个变量在t, t+1, t+2, ... 各期的响应值，将这些响应值连成一条曲线，就是脉冲响应函数。
6.2 为什么需要IRF？——从系数到动态轨迹
很多初学者会问：VAR模型不是已经估计出系数了吗？直接看系数大小不就行了？
这里有个大坑。VAR模型的系数反映的是「条件相关性」，它没法告诉你一个冲击在时间轴上的传播路径。举个例子：
- 系数告诉你：今天的利率上升1%，明天的GDP下降0.2%
- 但IRF告诉你：这个下降在第3期达到峰值-0.5%，然后慢慢衰减，到第8期基本归零
你看，后者才是你真正需要的信息。我曾经在做一个货币政策传导效率的项目时，光看系数觉得效果挺强，结果IRF一画出来，发现冲击在第2期就衰减得差不多了——说白了，政策效果「来得快去得也快」，跟系数给人的感觉完全两码事。
6.3 IRF的计算逻辑（不推公式，讲直觉）
IRF的计算，本质上是在做一件事：把VAR模型转换成VMA（向量移动平均）形式。
VAR模型是自回归形式：今天的Y = 昨天的Y + 前天的Y + ... + 今天的冲击
VMA形式是：今天的Y = 今天的冲击 + 昨天的冲击 + 前天的冲击 + ...
为什么要转成VMA？因为VMA形式下，每个系数直接告诉你「某个历史冲击对当前Y的影响有多大」。把这些系数按时间顺序连起来，就是IRF。
我的小技巧：在实际操作中，我一般不会手动推导VMA系数。直接用软件（EViews、Stata、R的vars包）跑IRF，然后重点关注两个东西——冲击的初始响应方向和衰减速度。这两个指标基本决定了冲击的「性格」。
6.4 如何解读IRF图？——三个关键维度
拿到一张IRF图，我一般会按以下三步来读：
| 维度 | 看什么 | 判断标准 |
|---|---|---|
| 方向 | 冲击后变量是上升还是下降 | 正响应（>0）还是负响应（<0） |
| 峰值 | 最大响应出现在第几期 | 峰值越早，冲击传导越快 |
| 持久性 | 响应何时收敛到零 | 收敛越快，冲击越「临时」 |
举个例子，假设我们分析「油价冲击对通胀的影响」：
- 如果IRF显示：第1期通胀上升0.3%，第2期0.5%，第3期0.2%，第4期归零——这是典型的临时冲击
- 如果IRF显示：第1期上升0.3%，第10期还有0.2%，第20期才慢慢归零——这就是持久冲击
嗯，这里要注意：IRF的置信区间（通常用虚线或阴影表示）非常重要。如果置信区间包含了零线，那这个响应在统计上就不显著。我曾经见过有人拿着一条不显著的IRF曲线大谈特谈政策含义，那基本是在「看图说话」了。
6.5 正交化 vs 广义IRF——一个避坑指南
做IRF时有个绕不开的问题：变量之间的同期相关性怎么处理？
传统做法是正交化IRF（Cholesky分解）。它假设变量之间存在一个「因果顺序」——比如先有GDP变化，再有货币政策反应。但这个顺序很主观，不同顺序结果可能天差地别。
我曾经在一个项目中，因为变量排序不同，IRF的符号都反了。当时差点把数据扔了重做。后来改用广义IRF（Pesaran & Shin, 1998），它不依赖变量排序，结果稳健得多。
避坑指南：如果你用正交化IRF，一定要做排序敏感性检验。我的习惯是：先跑3-5种不同的变量排序，如果IRF形状基本一致，那结论可靠；如果形状大变，那就改用广义IRF，或者在论文里老老实实承认排序敏感性。
6.6 实战：用R画一张IRF图
下面是一段我常用的R代码，跑一个简单的两变量VAR并画IRF：
# 加载包
library(vars)
# 假设data是包含gdp和cpi的ts对象
var_model <- VAR(data, p = 2, type = "const")
# 计算IRF（正交化，排序为gdp在前）
irf_result <- irf(var_model,
impulse = "gdp", # 冲击变量
response = "cpi", # 响应变量
n.ahead = 20, # 预测20期
boot = TRUE, # 用bootstrap算置信区间
ci = 0.95)
# 画图
plot(irf_result,
main = "GDP冲击对CPI的脉冲响应",
xlab = "期数",
ylab = "响应值")跑完之后，你会得到一张类似这样的图（我这里用SVG示意核心逻辑）：
你看这张图，GDP冲击对CPI的影响在第3-4期达到峰值，然后逐渐衰减，大约在第10期之后基本归零。这说明这个冲击是临时性的——它确实有影响，但不会永远改变CPI的水平。
6.7 一个实战案例：判断冲击的「半衰期」
我在做能源政策分析时，经常需要判断一个政策冲击的持久性。这时候我会引入一个概念叫半衰期——即冲击衰减到初始值一半所需的时间。
比如：
- 初始冲击是1.0
- 如果第2期就降到0.5以下，半衰期小于2期——临时冲击
- 如果第10期还在0.5以上，半衰期大于10期——持久冲击
我个人习惯把半衰期小于4期的归为「临时冲击」，大于8期的归为「持久冲击」，中间的是「中等持久性」。当然这个阈值因领域而异，但思路是一样的。
核心结论：IRF不是万能的，但它给了你一个「上帝视角」——你能看到冲击从发生到消亡的完整生命周期。判断一个冲击是临时还是永久，别光看系数，画张IRF图，一切清清楚楚。
好，关于IRF的可视化就聊到这儿。记住：IRF是你工具箱里最直观的那把尺子，用好了，能帮你少走很多弯路。