这次研究了一个问题，要用PVAR(面板向量自回归模型)，在网上找的教程基本上都是Stata或者Eviews的教程，而鲜有R实现PVAR的教程，这里总结分享一下我摸索的PVAR用R实现的整个过程。码字不易，喜欢请点赞！！！谢谢
使用R来实现PVAR用到的包是panelvar，panelvar的文档下载链接：
https://cran.r-project.org/web/packages/panelvar/panelvar.pdf1.数据样式
其中Code和Date两列是面板时间序列索引。
2.使用plm包的pdata.frame将dataframe数据转成面板dataframe
library(plm)##使用pdata.frame()函数将外部读取的数据转换为plm包可以识别的面板格式，##使用index参数标记名为Code和Date的列，分别对应股票代码和时间pdata=pdata.frame(data,index=c("Code","Date"))3.面板数据平稳性检验
##使用plm包中的purtest()进行面板数据的平稳性检验。##其中，参数object设定待检验变量；##exo参数设定是否包含截距项(intercept)和趋势项(trend)；##test参数定义面板平稳性检验的方法;##lags参数定义信息准则，使用“AIC”和“SIC”进行定义；##pmax参数定义最大滞后期；purtest(object=pdata[,3],exo="intercept",test="ips",lags="AIC",pmax=10)平稳性检验结果若p值小于0.05，则表示平稳
4.使用panelvar包的pvargmm函数进行GMM-PVAR分析以及确定最优滞后期
library(panelvar)##data参数定义数据集；##dependent_vars参数定义内生变量；##exog_vars参数定义外生变量；##lags参数定义滞后期； ##transformation参数定义GMM模型的类型，包括水平模型和差分模型(First-difference "fd" or forward orthogonal deviations "fod")；##steps参数定义GMM模型的估计程序，包括一步估计、两步估计和多步估计；##max_instr_dependent_vars以及 max_instr_predet_vars定义GMM模型工具变量的滞后期，我们按照面板GMM的常规设置，设为99期。gmmlag = pvargmm(dependent_vars=c("sentiment","heat","Guba","XQ","BCI"),data=pdata,lags=5,exog_vars=c("Count","Value"), transformation="fd",steps="twostep",max_instr_dependent_vars=99)注：一般VAR和SVAR都是先确定最优滞后阶数然后再进行模型模拟，但是R使用panelvar包实现PVAR时，需要先使用模型模拟，然后使用Andrews_Lu_MMSC函数计算模型拟合结果的AIC、BIC、HQIC值，从而比较不同滞后阶数的准则值来得到最优滞后阶数。
Andrews_Lu_MMSC(gmmlag)5.模型估计结果过度识别检验
##原假设：工具变量是外生的。##若拒绝原假设，则说明存在工具变量与扰动项相关。hansen_j_test(gmmlag)6.稳定性检验
stability(gmmlag)7.脉冲响应分析
##使用oirf()函数进行脉冲响应分析oirf(gmmlag,n.ahead=10)