在EViews中广义自回归条件异方差模型的均值方程t value怎么得到 如何在eviews5.1软件建立GARCH模型中加入虚拟变量
\u8bf7\u95ee\u5982\u4f55\u7528eviews\u5efa\u7acb\u5747\u503c\u56de\u5f52\u65b9\u7a0bGlossary:
ls(least squares)\u6700\u5c0f\u4e8c\u4e58\u6cd5
R-sequared\u6837\u672c\u51b3\u5b9a\u7cfb\u6570\uff08R2\uff09\uff1a\u503c\u4e3a0-1\uff0c\u8d8a\u63a5\u8fd11\u8868\u793a\u62df\u5408\u8d8a\u597d\uff0c>0.8\u8ba4\u4e3a\u53ef\u4ee5\u63a5\u53d7\uff0c\u4f46\u662fR2\u968f\u56e0\u53d8\u91cf\u7684\u589e\u591a\u800c\u589e\u5927\uff0c\u89e3\u51b3\u8fd9\u4e2a\u95ee\u9898\u4f7f\u7528\u6765\u8c03\u6574
Adjust R-seqaured()
S.E of regression\u56de\u5f52\u6807\u51c6\u8bef\u5dee
Log likelihood\u5bf9\u6570\u4f3c\u7136\u6bd4\uff1a\u6b8b\u5dee\u8d8a\u5c0f\uff0cL\u503c\u8d8a\u5927\uff0c\u8d8a\u5927\u8bf4\u660e\u6a21\u578b\u8d8a\u6b63\u786e
Durbin-Watson stat\uff1aDW\u7edf\u8ba1\u91cf\uff0c0-4\u4e4b\u95f4
Mean dependent var\u56e0\u53d8\u91cf\u7684\u5747\u503c
S.D. dependent var\u56e0\u53d8\u91cf\u7684\u6807\u51c6\u5dee
Akaike info criterion\u8d64\u6c60\u4fe1\u606f\u91cf(AIC)\uff08\u8d8a\u5c0f\u8bf4\u660e\u6a21\u578b\u8d8a\u7cbe\u786e\uff09
Schwarz ctiterion:\u65bd\u74e6\u5179\u4fe1\u606f\u91cf\uff08SC\uff09\uff08\u8d8a\u5c0f\u8bf4\u660e\u6a21\u578b\u8d8a\u7cbe\u786e\uff09
Prob(F-statistic)\u76f8\u4f34\u6982\u7387
fitted(\u62df\u5408\u503c)
\u7ebf\u6027\u56de\u5f52\u7684\u57fa\u672c\u5047\u8bbe\uff1a
1.\u81ea\u53d8\u91cf\u4e4b\u95f4\u4e0d\u76f8\u5173
2.\u968f\u673a\u8bef\u5dee\u76f8\u4e92\u72ec\u7acb\uff0c\u4e14\u670d\u4ece\u671f\u671b\u4e3a0\uff0c\u6807\u51c6\u5dee\u4e3a\u03c3\u7684\u6b63\u6001\u5206\u5e03
3.\u6837\u672c\u4e2a\u6570\u591a\u4e8e\u53c2\u6570\u4e2a\u6570
\u5efa\u6a21\u65b9\u6cd5:
ls y c x1 x2 x3 ...
x1 x2 x3\u7684\u9009\u62e9\u5148\u505a\u5404\u5e8f\u5217\u4e4b\u95f4\u7684\u7b80\u5355\u76f8\u5173\u7cfb\u6570\u8ba1\u7b97\uff0c\u9009\u62e9\u540c\u56e0\u53d8\u91cf\u76f8\u5173\u7cfb\u6570\u5927\u800c\u81ea\u53d8\u91cf\u76f8\u5173\u7cfb\u6570\u5c0f\u7684\u4e00\u4e9b\u53d8\u91cf\u3002\u6a21\u578b\u7684\u5b9e\u9645\u4e1a\u52a1\u542b\u4e49\u4e5f\u6709\u6307\u5bfc\u610f\u4e49\uff0c\u6bd4\u5982m1\u540cgdp\u80af\u5b9a\u662f\u76f8\u5173\u7684\u3002
\u6a21\u578b\u7684\u5efa\u7acb\u662f\u7b80\u5355\u7684\uff0c\u590d\u6742\u7684\u662f\u6a21\u578b\u7684\u68c0\u9a8c\u3001\u8bc4\u4ef7\u548c\u4e4b\u540e\u7684\u8c03\u6574\u3001\u62e9\u4f18\u3002
\u6a21\u578b\u68c0\u9a8c\uff1a
1\uff09\u65b9\u7a0b\u663e\u8457\u6027\u68c0\u9a8c\uff08F\u68c0\u9a8c\uff09\uff1a\u6a21\u578b\u62df\u5408\u6837\u672c\u7684\u6548\u679c\uff0c\u5373\u9009\u62e9\u7684\u6240\u6709\u81ea\u53d8\u91cf\u5bf9\u56e0\u53d8\u91cf\u7684\u89e3\u91ca\u529b\u5ea6
F\u5927\u4e8e\u4e34\u754c\u503c\u5219\u8bf4\u660e\u62d2\u7edd0\u5047\u8bbe\u3002
Eviews\u7ed9\u51fa\u4e86\u62d2\u7edd0\u5047\u8bbe(\u6240\u6709\u7cfb\u7edf\u4e3a0\u7684\u5047\u8bbe)\u72af\u9519\u8bef(\u7b2c\u4e00\u7c7b\u9519\u8bef\u6216\u03b1\u9519\u8bef)\u7684\u6982\u7387(\u6536\u5c3e\u6982\u7387\u6216\u76f8\u4f34\u6982\u7387)p\u503c\uff0c\u82e5p\u5c0f\u4e8e\u7f6e\u4fe1\u5ea6(\u59820.05)\u5219\u53ef\u4ee5\u62d2\u7edd0\u5047\u8bbe\uff0c\u5373\u8ba4\u4e3a\u65b9\u7a0b\u663e\u8457\u6027\u660e\u663e\u3002
2\uff09\u56de\u5f52\u7cfb\u6570\u663e\u8457\u6027\u68c0\u9a8c\uff08t\u68c0\u9a8c\uff09\uff1a\u68c0\u9a8c\u6bcf\u4e00\u4e2a\u81ea\u53d8\u91cf\u7684\u5408\u7406\u6027
|t|\u5927\u4e8e\u4e34\u754c\u503c\u8868\u793a\u53ef\u62d2\u7edd\u7cfb\u6570\u4e3a0\u7684\u5047\u8bbe\uff0c\u5373\u7cfb\u6570\u5408\u7406\u3002t\u5206\u5e03\u7684\u81ea\u7531\u5ea6\u4e3an-p-1,n\u4e3a\u6837\u672c\u6570\uff0cp\u4e3a\u7cfb\u6570\u4f4d\u7f6e
3\uff09DW\u68c0\u9a8c\uff1a\u68c0\u9a8c\u6b8b\u5dee\u5e8f\u5217\u7684\u81ea\u76f8\u5173\u6027\uff0c\u68c0\u9a8c\u57fa\u672c\u5047\u8bbe2\uff08\u968f\u673a\u8bef\u5dee\u76f8\u4e92\u72ec\u7acb\uff09
\u6b8b\u5dee\uff1a\u6a21\u578b\u8ba1\u7b97\u503c\u4e0e\u8d44\u6599\u5b9e\u6d4b\u503c\u4e4b\u5dee\u4e3a\u6b8b\u5dee
0<=dw<=dl \u6b8b\u5dee\u5e8f\u5217\u6b63\u76f8\u5173\uff0cdu<dw<4-du \u65e0\u81ea\u76f8\u5173\uff0c 4-dl<dw<=4\u8d1f\u76f8\u5173 \uff0c\u82e5\u4e0d\u5728\u4ee5\u4e0a3\u4e2a\u533a\u95f4\u5219\u68c0\u9a8c\u5931\u8d25\uff0c\u65e0\u6cd5\u5224\u65ad
demo\u4e2d\u7684dw=0.141430 \uff0cdl=1.73369,du=1.7786,\u6240\u4ee5\u5b58\u5728\u6b63\u76f8\u5173
\u6a21\u578b\u8bc4\u4ef7
\u76ee\u7684\uff1a\u4e0d\u540c\u6a21\u578b\u4e2d\u62e9\u4f18
1\uff09\u6837\u672c\u51b3\u5b9a\u7cfb\u6570R-squared\u53ca\u4fee\u6b63\u7684R-squared
R-squared=SSR/SST \u8868\u793a\u603b\u79bb\u5dee\u5e73\u65b9\u548c\u4e2d\u7531\u56de\u5f52\u65b9\u7a0b\u53ef\u4ee5\u89e3\u91ca\u90e8\u5206\u7684\u6bd4\u4f8b\uff0c\u6bd4\u4f8b\u8d8a\u5927\u8bf4\u660e\u56de\u5f52\u65b9\u7a0b\u53ef\u4ee5\u89e3\u91ca\u7684\u90e8\u5206\u8d8a\u591a\u3002
Adjust R-seqaured=1-(n-1)/(n-k)(1-R2)
2\uff09\u5bf9\u6570\u4f3c\u7136\u503c(Log Likelihood,\u7b80\u8bb0\u4e3aL)
\u6b8b\u5dee\u8d8a\u5c0f\uff0cL\u8d8a\u5927
3\uff09AIC\u51c6\u5219
AIC= -2L/n+2k/n, \u5176\u4e2dL\u4e3a log likelihood,n\u4e3a\u6837\u672c\u603b\u91cf\uff0ck\u4e3a\u53c2\u6570\u4e2a\u6570\u3002
AIC\u53ef\u8ba4\u4e3a\u662f\u53cd\u5411\u4fee\u6b63\u7684L\uff0cAIC\u8d8a\u5c0f\u8bf4\u660e\u6a21\u578b\u8d8a\u7cbe\u786e\u3002
4\uff09SC\u51c6\u5219
SC= -2L/n + k*ln(n)/n
\u7528\u6cd5\u540cAIC\u975e\u5e38\u63a5\u8fd1
\u9884\u6d4bforecast
root mean sequared error(RMSE)\u5747\u65b9\u6839\u8bef\u5dee
Mean Absolute Error(MAE)\u5e73\u5747\u7edd\u5bf9\u8bef\u5dee
\u8fd9\u4e24\u4e2a\u53d8\u91cf\u53d6\u51b3\u4e8e\u56e0\u53d8\u91cf\u7684\u7edd\u5bf9\u503c\uff0c
MAPE(Mean Abs. Percent Error)\u5e73\u5747\u7edd\u5bf9\u767e\u5206\u8bef\u5dee\uff0c\u4e00\u822c\u7684\u8ba4\u4e3aMAPE<10\u5219\u8ba4\u4e3a\u9884\u6d4b\u7cbe\u5ea6\u8f83\u9ad8
Theil Inequality Coefficient\uff08\u5e0c\u5c14\u4e0d\u7b49\u7cfb\u6570\uff09\u503c\u4e3a0-1\uff0c\u8d8a\u5c0f\u8868\u793a\u62df\u5408\u503c\u548c\u771f\u5b9e\u503c\u5dee\u5f02\u8d8a\u5c0f\u3002
\u504f\u5dee\u7387(bias Proportion)\uff0cbp\uff0c\u53cd\u6620\u9884\u6d4b\u503c\u548c\u771f\u5b9e\u503c\u5747\u503c\u95f4\u7684\u5dee\u5f02
\u65b9\u5dee\u7387(variance Proportion)\uff0cvp\uff0c\u53cd\u6620\u9884\u6d4b\u503c\u548c\u771f\u5b9e\u503c\u6807\u51c6\u5dee\u7684\u5dee\u5f02
\u534f\u53d8\u7387(covariance Proportion)\uff0ccp\uff0c\u53cd\u6620\u4e86\u5269\u4f59\u7684\u8bef\u5dee
\u4ee5\u4e0a\u4e09\u9879\u76f8\u52a0\u7b49\u4e8e1\u3002
\u9884\u6d4b\u6bd4\u8f83\u7406\u60f3\u662fbp,vp\u6bd4\u8f83\u5c0f\uff0c\u503c\u96c6\u4e2d\u5728cp\u4e0a\u3002
eviews\u4e0d\u80fd\u76f4\u63a5\u8ba1\u7b97\u51fa\u9884\u6d4b\u503c\u7684\u7f6e\u4fe1\u533a\u95f4\uff0c\u9700\u8981\u901a\u8fc7\u7f6e\u4fe1\u533a\u95f4\u7684\u4e0a\u4e0b\u9650\u516c\u5f0f\u6765\u8ba1\u7b97\u3002\u5982\u4f55\u64cd\u4f5c\uff1f
\u5176\u4ed6
1)Chow\u68c0\u9a8c
chow's breakpoint\u68c0\u9a8c
\u96f6\u5047\u8bbe\u662f\uff1a\u4e24\u4e2a\u5b50\u6837\u672c\u62df\u5408\u7684\u65b9\u7a0b\u65e0\u663e\u8457\u5dee\u5f02\u3002\u6709\u5dee\u5f02\u5219\u8bf4\u660e\u5173\u7cfb\u4e2d\u7ed3\u6784\u53d1\u751f\u6539\u53d8
demo\u4e2d
Chow Breakpoint Test: 1977Q1
F-statistic 2.95511837136742 Prob. F(3,174) 0.0339915698953355
Log likelihood ratio 8.94507926849178 Prob. Chi-Square(3) 0.0300300700620291
p\u503c<0.05\uff0c\u53ef\u62d2\u7edd0\u5047\u8bbe\uff0c\u5373\u8ba4\u4e3a\u5404\u4e2a\u56e0\u7d20\u7684\u5f71\u54cd\u5f3a\u5f31\u53d1\u751f\u4e86\u6539\u53d8\u3002
\u95ee\u9898\u662f\u5982\u4f55\u624d\u80fd\u51c6\u786e\u7684\u627e\u5230\u8fd9\u4e2a\u6216\u8fd9\u51e0\u4e2a\u65ad\u70b9\uff1f\u76ee\u524d\u7684\u65b9\u6cd5\u662f\u627e\u6b8b\u5dee\u6269\u5927\u8d85\u51fa\u8fb9\u7ebf\u7684\u90a3\u4e2a\u70b9\uff0c\u4f46\u8fd9\u662f\u4e0d\u51c6\u786e\u7684\uff0c\u5728demo\u4e2d1975Q2\u7684\u6b8b\u5dee\u8d85\u51fa\uff0c\u4f46\u662fchow's breakpoint\u68c0\u9a8c\u7684\u4e24\u4e2ap\u503c\u90fd\u63a5\u8fd10.2\uff0c1976Q3\u5f00\u59cb\u4e24\u4e2ap\u503c\u624d\u5c0f\u4e8e0.05\uff0c\u5e76\u4e14\u6709\u9010\u6e10\u51cf\u5c0f\u4e4b\u52bf\u3002
chow's forecast\u68c0\u9a8c
\u7528\u65ad\u70b9\u9694\u65ad\u6837\u672c\uff0c\u7528\u4e4b\u524d\u7684\u6837\u672c\u5efa\u7acb\u56de\u5f52\u6a21\u578b\uff0c\u7136\u540e\u7528\u8fd9\u4e2a\u6a21\u578b\u5bf9\u540e\u4e00\u6bb5\u8fdb\u884c\u9884\u6d4b\uff0c\u68c0\u9a8c\u8fd9\u4e2a\u6a21\u578b\u5bf9\u540e\u7eed\u6837\u672c\u7684\u62df\u5408\u7a0b\u5ea6\u3002
0\u5047\u8bbe\u662f\uff1a\u6a21\u578b\u4e0e\u540e\u6bb5\u6837\u672c\u65e0\u663e\u8457\u5dee\u5f02
demo\u4e2d\u76841976Q4\u4f5c\u4e3abreak point,\u5f97\u5230\u4e24\u4e2ap\u503c\u4e3a0\uff0c\u5373\u8ba4\u4e3a\u4e24\u6bb5\u6837\u672c\u7684\u7cfb\u6570\u5e94\u8be5\u662f\u4e0d\u540c\u7684\u3002
2\uff09\u81ea\u53d8\u91cf\u7684\u9009\u62e9
testadd\u68c0\u9a8c\uff1a
\u64cd\u4f5c\u65b9\u6cd5\u662f: eqation name.testadd ser1 ser2 ...
0\u5047\u8bbe\uff1a\u5e94\u8be5\u5c06\u8be5\u53d8\u91cf\u5f15\u5165\u65b9\u7a0b
\u68c0\u9a8c\u7edf\u8ba1\u91cf\uff1awald,LR
\u7ed3\u679c\uff1a\u901a\u8fc7\u4e24\u4e2ap\u503c(Prob. F,Prob Chi-sequare)\u770b\u662f\u5426\u62d2\u7edd\u539f\u5047\u8bbe
testdrop\u68c0\u9a8c\uff1a
\u64cd\u4f5c\u65b9\u6cd5\u662f: eqation name.testdrop ser1 ser2 ...
0\u5047\u8bbe\uff1a\u5e94\u8be5\u5c06\u8be5\u53d8\u91cf\u5254\u9664
\u68c0\u9a8c\u7edf\u8ba1\u91cf\uff1awald,LR
\u7ed3\u679c\uff1a\u901a\u8fc7\u4e24\u4e2ap\u503c(Prob. F,Prob Chi-sequare)\u770b\u662f\u5426\u62d2\u7edd\u539f\u5047\u8bbe
\u542b\u5b9a\u6027\u53d8\u91cf\u7684\u56de\u5f52\u6a21\u578b
\u5206\u4e3a\uff1a\u81ea\u53d8\u91cf\u542b\u5b9a\u6027\u53d8\u91cf\uff0c\u56e0\u53d8\u91cf\u542b\u5b9a\u6027\u53d8\u91cf\u3002\u540e\u4e00\u79cd\u60c5\u51b5\u8f83\u4e3a\u590d\u6742
\u5efa\u7acbdummy \u53d8\u91cf(\u540d\u4e49\u53d8\u91cf)\uff1a\u7528D\u8868\u793a
\u5f53\u53d8\u91cf\u6709m\u79cd\u60c5\u51b5\u65f6\uff0c\u9700\u8981\u5f15\u5165m-1\u4e2adummy\u53d8\u91cf
\u5904\u7406\u529e\u6cd5\uff1a\u628a\u5b9a\u6027\u53d8\u91cf\u5b9a\u4e49\u62100.1.2\u7b49\u6570\u503c\u540e\u548c\u4e00\u822c\u53d8\u91cf\u540c\u6837\u5904\u7406
\u5e38\u89c1\u95ee\u9898\u53ca\u5bf9\u7b56
1\uff09\u591a\u91cd\u5171\u7ebf\u6027\uff08multicollinearity\uff09:
p\u4e2a\u56de\u5f52\u53d8\u91cf\u4e4b\u95f4\u5b58\u5728\u4e25\u683c\u6216\u8fd1\u4f3c\u7684\u7ebf\u6027\u5173\u7cfb
\u8bca\u65ad\u65b9\u6cd5\uff1a
1.\u5982\u679c\u6a21\u578b\u7684R-sequared\u5f88\u5927\uff0cF\u68c0\u9a8c\u901a\u8fc7\uff0c\u4f46\u662f\u67d0\u4e9b\u7cfb\u7edf\u7684t\u68c0\u9a8c\u6ca1\u901a\u8fc7
2.\u67d0\u4e9b\u81ea\u53d8\u91cf\u7cfb\u6570\u4e4b\u95f4\u7684\u7b80\u5355\u76f8\u5173\u7cfb\u6570\u5f88\u5927
3.\u56de\u5f52\u7cfb\u6570\u7b26\u53f7\u4e0e\u7b80\u5355\u76f8\u5173\u7cfb\u7edf\u7b26\u53f7\u76f8\u53cd
\u4ee5\u4e0a3\u6761\u53d1\u751f\u90fd\u6709\u7406\u7531\u6000\u7591\u5b58\u5728\u591a\u91cd\u5171\u7ebf\u6027
\u65b9\u5dee\u6269\u5927\u56e0\u5b50(variance inflation factor VIFj)\u662f\u8bca\u65ad\u591a\u91cd\u5171\u7ebf\u6027\u7684\u5e38\u7528\u624b\u6bb5\u3002
VIFj\u4e3a\u77e9\u9635(X\u2019 X)-1\u7b2cj\u4e2a\u5bf9\u89d2\u5143\u7d20cjj=1/(1-R2j)(j=1,2\u2026,p)
\u5176\u4e2dR2j\u4e3a\u4ee5\u4f5c\u4e3acj\u56e0\u53d8\u91cf\uff0c\u5176\u4f59p-1\u4e2a\u81ea\u53d8\u91cf\u4f5c\u4e3a\u81ea\u53d8\u91cf\u5efa\u7acb\u591a\u5143\u56de\u5f52\u6a21\u578b\u6240\u5f97\u7684\u6837\u672c\u51b3\u5b9a\u7cfb\u6570\uff0c\u6240\u4ee5R2j\u8d8a\u5927\u5219\u8bf4\u660e\u81ea\u53d8\u91cf\u4e4b\u95f4\u81ea\u76f8\u5173\u6027\u8d8a\u5927\uff0c\u6b64\u65f6\u4e5f\u8d8a\u5927\uff0c\u53ef\u4ee5\u8ba4\u4e3aVIFj>10(R2j>0.9)\u5219\u5b58\u5728\u591a\u91cd\u5171\u7ebf\u6027\u3002
\u8fd8\u53ef\u4ee5\u4f7f\u7528VIFj\u7684\u5e73\u5747\u6570\u4f5c\u4e3a\u5224\u65ad\u6807\u51c6\uff0c\u5982\u679cavg(VIFj)\u8fdc\u5927\u4e8e10\u5219\u8ba4\u4e3a\u5b58\u5728\u591a\u91cd\u5171\u7ebf\u6027\u3002
eviews\u91cc\u5982\u4f55\u4f7f\u7528VIF\u6cd5\uff1f--\u5efa\u7acb\u65b9\u7a0b\uff0c\u7136\u540e\u624b\u5de5\u5efa\u7acbscalar vif\u3002demo\u4e2dGDP\u548cPR\u7684vif\u4e3a66\uff0c\u5b58\u5728\u591a\u91cd\u5171\u7ebf\u6027? \u53ea\u6709\u4e00\u4e2a\u81ea\u53d8\u91cf\u7684\u65b9\u7a0b\u662f\u5426\u4f1a\u5931\u6548?\u6b64\u65f6dw\u503c\u53ea\u67090.01\u8fdc\u5c0f\u4e8edl\uff0c\u8bf4\u660eGDP\u8fdc\u8fdc\u4e0d\u662fPR\u80fd\u51b3\u5b9a\u7684\u3002\u7ed3\u5408testdrop\u5c06PR\u53bb\u9664\uff0c\u4e24\u4e2ap\u503c\u4e3a0\uff0c\u8bf4\u660e\u4e0d\u80fd\u628aPR\u53bb\u9664\u3002
\u5728eviews\u4e2d\u5f53\u81ea\u53d8\u91cf\u5b58\u5728\u4e25\u91cd\u7684\u591a\u91cd\u5171\u7ebf\u6027\u65f6\u5c06\u4e0d\u80fd\u7ed9\u51fa\u53c2\u6570\u4f30\u8ba1\u503c\uff0c\u800c\u4f1a\u62a5\u9519\uff1anearly singular matrix
\u591a\u91cd\u5171\u7ebf\u6027\u7684\u5904\u7406\uff1a
1.\u5254\u9664\u81ea\u53d8\u91cf\uff0c\u9009\u62e9\u901a\u8fc7testdrop\u5b9e\u9a8c\uff0c\u5e76\u4e14vif\u503c\u6700\u5927\u7684\u90a3\u4e2a
2.\u5dee\u5206\u6cd5\uff0c\u5728\u5efa\u7acb\u65b9\u7a0b\u65f6\u586b\u5165 ls m1-m1(-1) c gdp-gdp(-1) pr-pr(-1)\u3002m1(-1)\u8868\u793a\u4e0a\u4e00\u4e2am1
\u5dee\u5206\u6cd5\u5e38\u5e38\u4f1a\u4e22\u5931\u4e00\u4e9b\u4fe1\u606f\uff0c\u4f7f\u7528\u65f6\u5e94\u8c28\u614e\u3002 demo\u4e2d\u5f97\u5230\u7684\u6a21\u578b\uff0cc \u7684p\u503c0.11, pr-pr(-1)\u7684p\u503c\u4e3a0.60\uff0c\u8bf4\u660e\u53c2\u6570\u65e0\u6548\u3002
2\uff09\u5f02\u65b9\u5dee\u6027\uff08Herteroskedasticity\uff09
\u5373\u968f\u673a\u8bef\u5dee\u9879\u4e0d\u6ee1\u8db3\u57fa\u672c\u5047\u8bbe\u7684\u540c\u65b9\u5dee\u6027,\u5f02\u65b9\u5dee\u6027\u8bf4\u660e\u968f\u673a\u8bef\u5dee\u4e2d\u6709\u4e9b\u9879\u5bf9\u56e0\u53d8\u91cf\u7684\u5f71\u54cd\u662f\u4e0d\u540c\u4e8e\u5176\u4ed6\u9879\u7684\u3002
\u4e00\u822c\u5730\uff0c\u622a\u9762\u6570\u636e\u505a\u6837\u672c\u65f6\u51fa\u73b0\u5f02\u65b9\u5dee\u6027\u7684\u53ef\u80fd\u8f83\u5927\uff0c\u6216\u8005\u8bf4\u90fd\u5b58\u5728\u5f02\u65b9\u5dee\u6027
\u82e5\u5b58\u5728\u5f02\u65b9\u5dee\u6027\uff0c\u7528OLS\u4f30\u8ba1\u51fa\u6765\u7684\u53c2\u6570\uff0c\u53ef\u80fd\u5bfc\u81f4\u4f30\u8ba1\u503c\u867d\u7136\u662f\u65e0\u504f\u7684\uff0c\u4f46\u4e0d\u662f\u6709\u6548\u7684\u3002
\uff08\u622a\u9762\u6570\u636e\u5c31\u662f\u540c\u4e00\u65f6\u95f4\u70b9\u4e0a\u5404\u4e2a\u4e3b\u4f53\u7684\u6570\u636e\uff0c\u6bd4\u59822007\u5e74\u5404\u7701\u7684GDP\u6570\u636e\u653e\u5728\u4e00\u8d77\u5c31\u662f\u4e00\u7ec4\u622a\u9762\u6570\u636e
\u4e0e\u4e4b\u76f8\u5bf9\u7684\u662f\u65f6\u95f4\u5e8f\u5217\u6570\u636e \u5982\u6cb3\u5317\u7701\u4ece00\u5e74\u523007\u5e74\u7684\u6570\u636e\u5c31\u662f\u4e00\u7ec4\u65f6\u95f4\u5e8f\u5217\u6570\u636e
\u4e24\u8005\u7efc\u5408\u53eb\u9762\u677f\u6570\u636e \uff09
00\u5e74\u523007\u5e74\u5404\u7701\u7684\u6570\u636e\u7efc\u5408\u5728\u4e00\u8d77\u5c31\u53eb\u9762\u677f\u6570\u636e
\u8bca\u65ad\u65b9\u6cd5\uff1a
1.\u56fe\u793a\u6cd5\uff0c\u4ee5\u56e0\u53d8\u91cf\u4f5c\u4e3a\u6a2a\u5750\u6807\uff0c\u4ee5\u6b8b\u5dee\u9879\u4e3a\u7eb5\u5750\u6807\uff0c\u6839\u636e\u6563\u70b9\u56fe\u5224\u65ad\u662f\u5426\u5b58\u5728\u76f8\u5173\u6027\u3002
(\u9009\u62e9\u4e24\u4e2a\u5e8f\u5217\u4f5c\u4e3agroup\u6253\u5f00\uff0c\u5148\u9009\u4e2d\u7684\u5e8f\u5217\u5c06\u4f5c\u4e3agroup\u7684\u7eb5\u5750\u6807)
2.\u6208\u91cc\u745f(Glejser)\u68c0\u9a8c\uff1a
??
3.\u6000\u7279(White)\u68c0\u9a8c:
\u7528e2\u4f5c\u4e3a\u56e0\u53d8\u91cf\uff0c\u539f\u5148\u7684\u81ea\u53d8\u91cf\u53ca\u81ea\u53d8\u91cf\u7684\u5e73\u65b9(\u8fd8\u53ef\u4ee5\u52a0\u4e0a\u5404\u81ea\u53d8\u91cf\u4e4b\u95f4\u7684\u76f8\u4e92\u4e58\u79ef)\u4f5c\u4e3a\u81ea\u53d8\u91cf \u5efa\u7acb\u6a21\u578b\u3002
\u6000\u7279\u68c0\u9a8c\u7684\u7edf\u8ba1\u91cf\u4e3a\uff1am=n*R2(n\u662f\u6837\u672c\u5bb9\u91cf\uff0cR2\u662f\u65b0\u6a21\u578b\u7684\u62df\u5408\u4f18\u5ea6), m~ \u03c72(k) k\u4e3a\u65b0\u6a21\u578b\u9664\u5e38\u6570\u9879\u4e4b\u5916\u7684\u81ea\u53d8\u91cf\u4e2a\u6570
\u96f6\u5047\u8bbe\uff1a\u6a21\u578b\u4e0d\u5b58\u5728\u5f02\u65b9\u5dee\u6027
\u64cd\u4f5c\uff1a\u5728\u4f30\u8ba1\u51fa\u6765\u7684\u65b9\u7a0b\u4e2d\uff0cview-residual tests-White Herteroskedasticity(no cross/cross) \u5206\u522b\u4e3a\u662f\u5426\u542b\u81ea\u53d8\u91cf\u4ea4\u53c9\u9879
demo\u4e2d\u7684\u4e24\u4e2ap\u503c\u4e3a0\uff0c\u6240\u4ee5\u62d2\u7edd\u96f6\u5047\u8bbe\uff0c\u8ba4\u4e3a\u5b58\u5728\u4e25\u91cd\u7684\u5f02\u65b9\u5dee\u6027\u3002
\u5f02\u65b9\u5dee\u6027\u7684\u5904\u7406\uff1a
1.\u52a0\u6743\u6700\u5c0f\u4e8c\u4e58\u6cd5(WLS weighted least sequare)\u3002
\u6700\u5e38\u7528\u7684\u65b9\u6cd5\uff0c\u4e00\u822c\u7528\u4e8e\u5f02\u65b9\u5dee\u5f62\u5f0f\u53ef\u77e5\u7684\u60c5\u51b5\u3002\u57fa\u672c\u601d\u8def\u662f\u8d4b\u4e88\u6b8b\u5dee\u7684\u6bcf\u4e2a\u89c2\u6d4b\u503c\u4e0d\u540c\u7684\u6743\u6570\uff0c\u4ece\u800c\u4f7f\u6a21\u578b\u7684\u968f\u673a\u8bef\u5dee\u9879\u5177\u6709\u76f8\u540c\u7684\u65b9\u5dee\u3002
2.\u81ea\u76f8\u5173\u76f8\u5bb9\u534f\u65b9\u5dee(Heteroskedasticity and antocorrelation consistent convariances HAC)
\u7528\u4e8e\u5f02\u65b9\u5dee\u6027\u5f62\u5f0f\u672a\u77e5\u65f6\u3002\u5728\u5efa\u6a21\u65f6\u5728options\u4e2d\u9009\u62e9Heteroskedasticity consistent convariances \u518d\u4ecewhite,newey-west\u4e2d\u9009\u62e9\u4e00\u79cd\u3002
HAC\u4e0d\u6539\u53d8\u53c2\u6570\u7684\u70b9\u4f30\u8ba1\uff0c\u6539\u53d8\u7684\u77e5\u8bc6\u4f30\u8ba1\u6807\u51c6\u5dee\u3002\u5982\u4f55\u6539\u53d8\u6807\u51c6\u5dee\uff1f
3\uff09\u81ea\u76f8\u5173\u6027
\u6b8b\u5dee\u9879\u4e0d\u6ee1\u8db3\u76f8\u4e92\u72ec\u7acb\u7684\u5047\u8bbe\u3002\u4e00\u822c\u7684\uff0c\u7ecf\u6d4e\u65f6\u95f4\u5e8f\u5217\u4e2d\u81ea\u76f8\u5173\u73b0\u8c61\u8f83\u4e3a\u5e38\u89c1\uff0c\u8fd9\u4e3b\u8981\u662f\u7ecf\u6d4e\u53d8\u91cf\u7684\u6ede\u540e\u6027\u5e26\u6765\u7684\u3002
\u81ea\u76f8\u5173\u6027\u5c06\u5bfc\u81f4\u53c2\u6570\u4f30\u8ba1\u503c\u867d\u7136\u662f\u65e0\u504f\u7684\uff0c\u4f46\u4e0d\u662f\u6709\u6548\u7684\u3002
\u8bca\u65ad\u65b9\u6cd5\uff1a
1.\u7ed8\u5236\u6b8b\u5dee\u5e8f\u5217\u56fe\u3002\u5982\u679c\u5e8f\u5217\u56fe\u6210\u952f\u9f7f\u5f62\u6216\u5faa\u73af\u72b6\u7684\u53d8\u5316\uff0c\u53ef\u4ee5\u5224\u5b9a\u5b58\u5728\u81ea\u76f8\u5173
2.\u56de\u5f52\u68c0\u9a8c\u6cd5\uff1a
\u4ee5\u6b8b\u5deee(t)\u4e3a\u88ab\u89e3\u91ca\u53d8\u91cf\uff0c\u4ee5\u5404\u79cd\u53ef\u80fd\u7684\u76f8\u5173\u53d8\u91cf\uff0c\u5982 e(t-1) e(t-2)\u4f5c\u4e3a\u81ea\u53d8\u91cf\uff0c\u9009\u62e9\u663e\u8457\u7684\u6700\u4f18\u62df\u5408\u6a21\u578b\u4f5c\u4e3a\u81ea\u76f8\u5173\u7684\u5f62\u5f0f\u3002
demo\u4e2d\u4ee5 ls residm1 c residm1(-1) residm1(-2)\u540e \u53d1\u73b0c\u7684p\u503c\u4e3a0.54\uff0c\u505atestdrop\u5b9e\u9a8c\uff0c\u4e24\u4e2ap\u503c\u90fd>0.5 \u53ef\u4ee5\u5c06c\u5254\u9664\u3002\u5254\u9664c\u540e\uff1a
Dependent Variable: RESIDM1
Method: Least Squares
Date: 12/29/07 Time: 11:26
Sample (adjusted): 1952Q3 1996Q4
Included observations: 178 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
RESIDM1(-1) 1.215361 0.077011 15.78173 0.0000
RESIDM1(-2) -0.271664 0.078272 -3.470763 0.0007
R-squared 0.868569 Mean dependent var 0.011855
Adjusted R-squared 0.867823 S.D. dependent var 26.91138
S.E. of regression 9.783961 Akaike info criterion 7.410538
Sum squared resid 16847.76 Schwarz criterion 7.446289
Log likelihood -657.5379 Durbin-Watson stat 2.057531
\u6a21\u578b\u7684r-sequared\u7a0d\u5c0f\uff0c\u53c2\u6570\u5f88\u663e\u8457\uff0cdw\u663e\u793a\u4e3a\u65e0\u81ea\u76f8\u5173\u3002
\u4f46\u662f\u5e38\u6570c\u80fd\u5254\u9664\u5417\uff1f\u5254\u9664\u540e\u6a21\u578b\u6ca1\u6709f-statistic\u548c\u5bf9\u5e94p\u503c\uff0c\u539f\u7406\u4f55\u5728\uff1f
3.DW\u68c0\u9a8c\u6cd5
\u7528\u4e8e\u5c0f\u6837\u672c\u7684\u4e00\u9636\u81ea\u76f8\u5173\u60c5\u51b5\uff0c\u7f3a\u70b9\uff1a\u5f53\u56de\u5f52\u65b9\u7a0b\u53f3\u8fb9\u5b58\u5728\u56e0\u53d8\u91cf\u7684\u6ede\u540e\u9879\u5982m1(t-i) (i=1,2,...)\u65f6\uff0c\u68c0\u9a8c\u5931\u8d25\u3002
\u89e3\u51b3\u529e\u6cd5\uff1a
1.\u5dee\u5206\u6cd5
\u7528\u589e\u91cf\u6570\u636e\u4ee3\u66ff\u539f\u6765\u7684\u6837\u672c\u6570\u636e\uff0c\u8f83\u597d\u7684\u514b\u670d\u4e86\u81ea\u76f8\u5173\uff0c\u4f46\u662f\u6539\u53d8\u4e86\u539f\u65b9\u7a0b\u7684\u5f62\u5f0f\uff0c\u610f\u4e49\u4e0d\u5927\u3002
2.Cochrane-Orcutt\u8fed\u4ee3\u6cd5
\u4e0d\u80fd\u6709\u5e38\u6570\u9879!\u9a8c\u8bc1\u4e86\u56de\u5f52\u68c0\u9a8c\u7684\u4e2d\u7684\u505a\u6cd5\u3002
\u81ea\u56de\u5f52\u6761\u4ef6\u5f02\u65b9\u5dee(Autoregressive Conditional Heteroscedasticity Model\uff0c ARCH)\u6a21\u578b\u662f\u7279\u522b\u7528\u6765\u5efa\u7acb\u6761\u4ef6\u65b9\u5dee\u6a21\u578b\u5e76\u5bf9\u5176\u8fdb\u884c\u9884\u6d4b\u7684\u3002
ARCH\u6a21\u578b\u662f1982\u5e74\u7531\u6069\u683c\u5c14(Engle, R.)\u63d0\u51fa\uff0c\u5e76\u7531\u535a\u52d2\u65af\u83b1\u6587(Bollerslev, T., 1986)\u53d1\u5c55\u6210\u4e3aGARCH (Generalized ARCH)\u2014\u2014\u5e7f\u4e49\u81ea\u56de\u5f52\u6761\u4ef6\u5f02\u65b9\u5dee\u3002\u8fd9\u4e9b\u6a21\u578b\u88ab\u5e7f\u6cdb\u7684\u5e94\u7528\u4e8e\u7ecf\u6d4e\u5b66\u7684\u5404\u4e2a\u9886\u57df\u3002\u5c24\u5176\u5728\u91d1\u878d\u65f6\u95f4\u5e8f\u5217\u5206\u6790\u4e2d\u3002
\u6309\u7167\u901a\u5e38\u7684\u60f3\u6cd5\uff0c\u81ea\u76f8\u5173\u7684\u95ee\u9898\u662f\u65f6\u95f4\u5e8f\u5217\u6570\u636e\u6240\u7279\u6709\uff0c\u800c\u5f02\u65b9\u5dee\u6027\u662f\u6a2a\u622a\u9762\u6570\u636e\u7684\u7279\u70b9\u3002\u4f46\u5728\u65f6\u95f4\u5e8f\u5217\u6570\u636e\u4e2d\uff0c\u4f1a\u4e0d\u4f1a\u51fa\u73b0\u5f02\u65b9\u5dee\u5462\uff1f\u4f1a\u662f\u600e\u6837\u51fa\u73b0\u7684\uff1f
\u6069\u683c\u5c14\u548c\u514b\u62c9\u683c\uff08Kraft, D., 1983\uff09\u5728\u5206\u6790\u5b8f\u89c2\u6570\u636e\u65f6\uff0c\u53d1\u73b0\u8fd9\u6837\u4e00\u4e9b\u73b0\u8c61\uff1a\u65f6\u95f4\u5e8f\u5217\u6a21\u578b\u4e2d\u7684\u6270\u52a8\u65b9\u5dee\u7a33\u5b9a\u6027\u6bd4\u901a\u5e38\u5047\u8bbe\u7684\u8981\u5dee\u3002\u6069\u683c\u5c14\u7684\u7ed3\u8bba\u8bf4\u660e\u5728\u5206\u6790\u901a\u8d27\u81a8\u80c0\u6a21\u578b\u65f6\uff0c\u5927\u7684\u53ca\u5c0f\u7684\u9884\u6d4b\u8bef\u5dee\u4f1a\u5927\u91cf\u51fa\u73b0\uff0c\u8868\u660e\u5b58\u5728\u4e00\u79cd\u5f02\u65b9\u5dee\uff0c\u5176\u4e2d\u9884\u6d4b\u8bef\u5dee\u7684\u65b9\u5dee\u53d6\u51b3\u4e8e\u540e\u7eed\u6270\u52a8\u9879\u7684\u5927\u5c0f\u3002\u000b \u4ece\u4e8b\u4e8e\u80a1\u7968\u4ef7\u683c\u3001\u901a\u8d27\u81a8\u80c0\u7387\u3001\u5916\u6c47\u6c47\u7387\u7b49\u91d1\u878d\u65f6\u95f4\u5e8f\u5217\u9884\u6d4b\u7684\u7814\u7a76\u5de5\u4f5c\u8005\uff0c\u66fe\u53d1\u73b0\u4ed6\u4eec\u5bf9\u8fd9\u4e9b\u53d8\u91cf\u7684\u9884\u6d4b\u80fd\u529b\u968f\u65f6\u671f\u7684\u4e0d\u540c\u800c\u6709\u76f8\u5f53\u5927\u7684\u53d8\u5316\u3002\u9884\u6d4b\u7684\u8bef\u5dee\u5728\u67d0\u4e00\u65f6\u671f\u91cc\u76f8\u5bf9\u5730\u5c0f\uff0c\u800c\u5728\u67d0\u4e00\u65f6\u671f\u91cc\u5219\u76f8\u5bf9\u5730\u5927\uff0c\u7136\u540e\uff0c\u5728\u53e6\u4e00\u65f6\u671f\u53c8\u662f\u8f83\u5c0f\u7684\u3002\u8fd9\u79cd\u53d8\u5f02\u5f88\u53ef\u80fd\u7531\u4e8e\u91d1\u878d\u5e02\u573a\u7684\u6ce2\u52a8\u6027\u6613\u53d7\u8c23\u8a00\u3001\u653f\u5c40\u53d8\u52a8\u3001\u653f\u5e9c\u8d27\u5e01\u4e0e\u8d22\u653f\u653f\u7b56\u53d8\u5316\u7b49\u7b49\u7684\u5f71\u54cd\u3002\u4ece\u800c\u8bf4\u660e\u9884\u6d4b\u8bef\u5dee\u7684\u65b9\u5dee\u4e2d\u6709\u67d0\u79cd\u76f8\u5173\u6027\u3002
\u4e3a\u4e86\u523b\u753b\u8fd9\u79cd\u76f8\u5173\u6027\uff0c\u6069\u683c\u5c14\u63d0\u51fa\u81ea\u56de\u5f52\u6761\u4ef6\u5f02\u65b9\u5dee\uff08ARCH\uff09\u6a21\u578b\u3002ARCH\u7684\u4e3b\u8981\u601d\u60f3\u662f\u65f6\u523b t \u7684ut \u7684\u65b9\u5dee\uff08= t2 \uff09\u4f9d\u8d56\u4e8e\u65f6\u523b(t 1)\u7684\u6b8b\u5dee\u5e73\u65b9\u7684\u5927\u5c0f\uff0c\u5373\u4f9d\u8d56\u4e8e ut2- 1 \u3002
\uff08\u4e00\uff09 ARCH\u6a21\u578b
\u4e3a\u4e86\u8bf4\u5f97\u66f4\u5177\u4f53\uff0c\u8ba9\u6211\u4eec\u56de\u5230k -\u53d8\u91cf\u56de\u5f52\u6a21\u578b\uff1a
(5.1.1)
\u5e76\u5047\u8bbe\u5728\u65f6\u523b ( t1 ) \u6240\u6709\u4fe1\u606f\u5df2\u77e5\u7684\u6761\u4ef6\u4e0b\uff0c\u6270\u52a8\u9879 ut \u7684\u5206\u5e03\u662f\uff1a
~ (5.1.2)
\u4e5f\u5c31\u662f\uff0cut \u9075\u5faa\u4ee50\u4e3a\u5747\u503c\uff0c(0+ 1u2t-1 )\u4e3a\u65b9\u5dee\u7684\u6b63\u6001\u5206\u5e03\u3002
\u7531\u4e8e(5.1.2)\u4e2dut\u7684\u65b9\u5dee\u4f9d\u8d56\u4e8e\u524d\u671f\u7684\u5e73\u65b9\u6270\u52a8\u9879\uff0c\u6211\u4eec\u79f0\u5b83\u4e3aARCH(1)\u8fc7\u7a0b\uff1a
\u7136\u800c\uff0c\u5bb9\u6613\u52a0\u4ee5\u63a8\u5e7f\u3002
\u4f8b\u5982\uff0c\u4e00\u4e2aARCH (p)\u8fc7\u7a0b\u53ef\u4ee5\u5199\u4e3a\uff1a
\uff085.1.3\uff09
\u5982\u679c\u6270\u52a8\u9879\u65b9\u5dee\u4e2d\u6ca1\u6709\u81ea\u76f8\u5173\uff0c\u5c31\u4f1a\u6709
H0 \uff1a
\u8fd9\u65f6
\u4ece\u800c\u5f97\u5230\u8bef\u5dee\u65b9\u5dee\u7684\u540c\u65b9\u5dee\u6027\u60c5\u5f62\u3002
\u6069\u683c\u5c14\u66fe\u8868\u660e\uff0c\u5bb9\u6613\u901a\u8fc7\u4ee5\u4e0b\u7684\u56de\u5f52\u53bb\u68c0\u9a8c\u4e0a\u8ff0\u865a\u62df\u5047\u8bbe\uff1a
\uff085.1.4\uff09
\u5176\u4e2d\uff0cût \u8868\u793a\u4ece\u539f\u59cb\u56de\u5f52\u6a21\u578b\uff085.1.1\uff09\u4f30\u8ba1\u5f97\u5230\u7684OLS\u6b8b\u5dee\u3002
\u4e8c\uff09 GARCH(1, 1)\u6a21\u578b
\u6211\u4eec\u5e38\u5e38\u6709\u7406\u7531\u8ba4\u4e3a ut \u7684\u65b9\u5dee\u4f9d\u8d56\u4e8e\u5f88\u591a\u65f6\u523b\u4e4b\u524d\u7684\u53d8\u5316\u91cf\uff08\u7279\u522b\u662f\u5728\u91d1\u878d\u9886\u57df\uff0c\u91c7\u7528\u65e5\u6570\u636e\u6216\u5468\u6570\u636e\u7684\u5e94\u7528\u66f4\u662f\u5982\u6b64\uff09\u3002\u8fd9\u91cc\u7684\u95ee\u9898\u5728\u4e8e\uff0c\u6211\u4eec\u5fc5\u987b\u4f30\u8ba1\u5f88\u591a\u53c2\u6570\uff0c\u800c\u8fd9\u4e00\u70b9\u5f88\u96be\u7cbe\u786e\u7684\u505a\u5230\u3002\u4f46\u662f\u5982\u679c\u6211\u4eec\u80fd\u591f\u610f\u8bc6\u5230\u65b9\u7a0b(5.1.3)\u4e0d\u8fc7\u662ft2\u7684\u5206\u5e03\u6ede\u540e\u6a21\u578b\uff0c\u6211\u4eec\u5c31\u80fd\u591f\u7528\u4e00\u4e2a\u6216\u4e24\u4e2at2\u7684\u6ede\u540e\u503c\u4ee3\u66ff\u8bb8\u591aut2\u7684\u6ede\u540e\u503c\uff0c\u8fd9\u5c31\u662f\u5e7f\u4e49\u81ea\u56de\u5f52\u6761\u4ef6\u5f02\u65b9\u5dee\u6a21\u578b(generalized autoregressive conditional heterosce-\u3000dasticity model\uff0c\u7b80\u8bb0\u4e3aGARCH\u6a21\u578b)\u3002\u5728GARCH\u6a21\u578b\u4e2d\uff0c\u8981\u8003\u8651\u4e24\u4e2a\u4e0d\u540c\u7684\u8bbe\u5b9a\uff1a\u4e00\u4e2a\u662f\u6761\u4ef6\u5747\u503c\uff0c\u53e6\u4e00\u4e2a\u662f\u6761\u4ef6\u65b9\u5dee\u3002
\u5728\u6807\u51c6\u5316\u7684GARCH(1,1)\u6a21\u578b\u4e2d\uff1a
(5.1.5)
(5.1.6)
\u5176\u4e2d\uff1axt\u662f1\u00d7(k+1)\u7ef4\u5916\u751f\u53d8\u91cf\u5411\u91cf\uff0c \u662f(k+1)\u00d71\u7ef4\u7cfb\u6570\u5411\u91cf\u3002 (5.1.5)\u4e2d\u7ed9\u51fa\u7684\u5747\u503c\u65b9\u7a0b\u662f\u4e00\u4e2a\u5e26\u6709\u8bef\u5dee\u9879\u7684\u5916\u751f\u53d8\u91cf\u51fd\u6570\u3002\u7531\u4e8et2\u662f\u4ee5\u524d\u9762\u4fe1\u606f\u4e3a\u57fa\u7840\u7684\u4e00\u671f\u5411\u524d\u9884\u6d4b\u65b9\u5dee \uff0c\u6240\u4ee5\u5b83\u88ab\u79f0\u4f5c\u6761\u4ef6\u65b9\u5dee\u3002
(5.1.6)\u4e2d\u7ed9\u51fa\u7684\u6761\u4ef6\u65b9\u5dee\u65b9\u7a0b\u662f\u4e0b\u9762\u4e09\u9879\u7684\u51fd\u6570\uff1a
1\uff0e\u5e38\u6570\u9879\uff08\u5747\u503c\uff09\uff1a
2\uff0e\u7528\u5747\u503c\u65b9\u7a0b(5.1.5)\u7684\u6b8b\u5dee\u5e73\u65b9\u7684\u6ede\u540e\u6765\u5ea6\u91cf\u4ece\u524d\u671f\u5f97\u5230\u7684\u6ce2\u52a8\u6027\u7684\u4fe1\u606f\uff1a ut2-1\uff08ARCH\u9879\uff09\u3002
3\uff0e\u4e0a\u4e00\u671f\u7684\u9884\u6d4b\u65b9\u5dee\uff1a t2-1 \uff08GARCH\u9879\uff09\u3002
GARCH(1,1)\u6a21\u578b\u4e2d\u7684(1,1)\u662f\u6307\u9636\u6570\u4e3a1\u7684GARCH\u9879\uff08\u62ec\u53f7\u4e2d\u7684\u7b2c\u4e00\u9879\uff09\u548c\u9636\u6570\u4e3a1\u7684ARCH\u9879\uff08\u62ec\u53f7\u4e2d\u7684\u7b2c\u4e8c\u9879\uff09\u3002\u4e00\u4e2a\u666e\u901a\u7684ARCH\u6a21\u578b\u662fGARCH\u6a21\u578b\u7684\u4e00\u4e2a\u7279\u4f8b\uff0c\u5373\u5728\u6761\u4ef6\u65b9\u5dee\u65b9\u7a0b\u4e2d\u4e0d\u5b58\u5728\u6ede\u540e\u9884\u6d4b\u65b9\u5deet2\u7684\u8bf4\u660e\u3002
\u5728EViews\u4e2dARCH\u6a21\u578b\u662f\u5728\u8bef\u5dee\u662f\u6761\u4ef6\u6b63\u6001\u5206\u5e03\u7684\u5047\u5b9a\u4e0b\uff0c\u901a\u8fc7\u6781\u5927\u4f3c\u7136\u51fd\u6570\u65b9\u6cd5\u4f30\u8ba1\u7684\u3002\u4f8b\u5982\uff0c\u5bf9\u4e8eGARCH(1,1)\uff0ct \u65f6\u671f\u7684\u5bf9\u6570\u4f3c\u7136\u51fd\u6570\u4e3a\uff1a
(5.1.7)
\u5176\u4e2d
(5.1.8)
\u8fd9\u4e2a\u8bf4\u660e\u901a\u5e38\u53ef\u4ee5\u5728\u91d1\u878d\u9886\u57df\u5f97\u5230\u89e3\u91ca\uff0c\u56e0\u4e3a\u4ee3\u7406\u5546\u6216\u8d38\u6613\u5546\u53ef\u4ee5\u901a\u8fc7\u5efa\u7acb\u957f\u671f\u5747\u503c\u7684\u52a0\u6743\u5e73\u5747\uff08\u5e38\u6570\uff09\uff0c\u4e0a\u671f\u7684\u9884\u671f\u65b9\u5dee\uff08GARCH\u9879\uff09\u548c\u5728\u4ee5\u524d\u5404\u671f\u4e2d\u89c2\u6d4b\u5230\u7684\u5173\u4e8e\u53d8\u52a8\u6027\u7684\u4fe1\u606f\uff08ARCH\u9879\uff09\u6765\u9884\u6d4b\u672c\u671f\u7684\u65b9\u5dee\u3002\u5982\u679c\u4e0a\u5347\u6216\u4e0b\u964d\u7684\u8d44\u4ea7\u6536\u76ca\u51fa\u4e4e\u610f\u6599\u5730\u5927\uff0c\u90a3\u4e48\u8d38\u6613\u5546\u5c06\u4f1a\u589e\u52a0\u5bf9\u4e0b\u671f\u65b9\u5dee\u7684\u9884\u671f\u3002\u8fd9\u4e2a\u6a21\u578b\u8fd8\u5305\u62ec\u4e86\u7ecf\u5e38\u53ef\u4ee5\u5728\u8d22\u52a1\u6536\u76ca\u6570\u636e\u4e2d\u770b\u5230\u7684\u53d8\u52a8\u7ec4\uff0c\u5728\u8fd9\u4e9b\u6570\u636e\u4e2d\uff0c\u6536\u76ca\u7684\u5de8\u5927\u53d8\u5316\u53ef\u80fd\u4f34\u968f\u7740\u66f4\u8fdb\u4e00\u6b65\u7684\u5de8\u5927\u53d8\u5316\u3002
\uff08\u4e09\uff09\u65b9\u5dee\u65b9\u7a0b\u7684\u56de\u5f52\u56e0\u5b50
\u65b9\u7a0b(5.1.6)\u53ef\u4ee5\u6269\u5c55\u6210\u5305\u542b\u5916\u751f\u7684\u6216\u524d\u5b9a\u56de\u5f52\u56e0\u5b50z\u7684\u65b9\u5dee\u65b9\u7a0b\uff1a
\uff085.1.11\uff09
\u6ce8\u610f\u5230\u4ece\u8fd9\u4e2a\u6a21\u578b\u4e2d\u5f97\u5230\u7684\u9884\u6d4b\u65b9\u5dee\u4e0d\u80fd\u4fdd\u8bc1\u662f\u6b63\u7684\u3002\u53ef\u4ee5\u5f15\u5165\u5230\u8fd9\u6837\u4e00\u4e9b\u5f62\u5f0f\u7684\u56de\u5f52\u7b97\u5b50\uff0c\u5b83\u4eec\u603b\u662f\u6b63\u7684\uff0c\u4ece\u800c\u5c06\u4ea7\u751f\u8d1f\u7684\u9884\u6d4b\u503c\u7684\u53ef\u80fd\u6027\u964d\u5230\u6700\u5c0f\u3002\u4f8b\u5982\uff0c\u6211\u4eec\u53ef\u4ee5\u8981\u6c42\uff1a
\uff085.1.12
GARCH(p, q)\u6a21\u578b
\u9ad8\u9636GARCH\u6a21\u578b\u53ef\u4ee5\u901a\u8fc7\u9009\u62e9\u5927\u4e8e1\u7684p\u6216q\u5f97\u5230\u4f30\u8ba1\uff0c\u8bb0\u4f5cGARCH(p, q)\u3002\u5176\u65b9\u5dee\u8868\u793a\u4e3a\uff1a
\uff085.1.13\uff09
\u8fd9\u91cc\uff0cp\u662fGARCH\u9879\u7684\u9636\u6570\uff0cq\u662fARCH\u9879\u7684\u9636\u6570\u3002
\u91d1\u878d\u7406\u8bba\u8868\u660e\u5177\u6709\u8f83\u9ad8\u53ef\u89c2\u6d4b\u5230\u7684\u98ce\u9669\u7684\u8d44\u4ea7\u53ef\u4ee5\u83b7\u5f97\u66f4\u9ad8\u7684\u5e73\u5747\u6536\u76ca\uff0c\u5176\u539f\u56e0\u5728\u4e8e\u4eba\u4eec\u4e00\u822c\u8ba4\u4e3a\u91d1\u878d\u8d44\u4ea7\u7684\u6536\u76ca\u5e94\u5f53\u4e0e\u5176\u98ce\u9669\u6210\u6b63\u6bd4\uff0c\u98ce\u9669\u8d8a\u5927\uff0c\u9884\u671f\u7684\u6536\u76ca\u5c31\u8d8a\u9ad8\u3002\u8fd9\u79cd\u5229\u7528\u6761\u4ef6\u65b9\u5dee\u8868\u793a\u9884\u671f\u98ce\u9669\u7684\u6a21\u578b\u88ab\u79f0\u4e3aARCH\u5747\u503c\u6a21\u578b(ARCH-in-mean)\u6216ARCH-M\u56de\u5f52\u6a21\u578b\u3002\u5728ARCH-M\u4e2d\u6211\u4eec\u628a\u6761\u4ef6\u65b9\u5dee\u5f15\u8fdb\u5230\u5747\u503c\u65b9\u7a0b\u4e2d:
\uff085.1.14\uff09
ARCH-M\u6a21\u578b\u7684\u53e6\u4e00\u79cd\u4e0d\u540c\u5f62\u5f0f\u662f\u5c06\u6761\u4ef6\u65b9\u5dee\u6362\u6210\u6761\u4ef6\u6807\u51c6\u5dee\uff1a
\u6216\u53d6\u5bf9\u6570
ARCH-M\u6a21\u578b\u901a\u5e38\u7528\u4e8e\u5173\u4e8e\u8d44\u4ea7\u7684\u9884\u671f\u6536\u76ca\u4e0e\u9884\u671f\u98ce\u9669\u7d27\u5bc6\u76f8\u5173\u7684\u91d1\u878d\u9886\u57df\u3002\u9884\u671f\u98ce\u9669\u7684\u4f30\u8ba1\u7cfb\u6570\u662f\u98ce\u9669\u6536\u76ca\u4ea4\u6613\u7684\u5ea6\u91cf\u3002\u4f8b\u5982\uff0c\u6211\u4eec\u53ef\u4ee5\u8ba4\u4e3a\u67d0\u80a1\u7968\u6307\u6570\uff0c\u5982\u4e0a\u8bc1\u7684\u80a1\u7968\u6307\u6570\u7684\u7968\u9762\u6536\u76ca\uff08returet\uff09\u4f9d\u8d56\u4e8e\u4e00\u4e2a\u5e38\u6570\u9879\uff0c\u901a\u8d27\u81a8\u80c0\u7387t \u4ee5\u53ca\u6761\u4ef6\u65b9\u5dee\uff1a
\u8fd9\u79cd\u7c7b\u578b\u7684\u6a21\u578b\uff08\u5176\u4e2d\u671f\u671b\u98ce\u9669\u7528\u6761\u4ef6\u65b9\u5dee\u8868\u793a\uff09\u5c31\u79f0\u4e3aGARCH-M\u6a21\u578b\u3002
ARCH-M\u6a21\u578b\u901a\u5e38\u7528\u4e8e\u5173\u4e8e\u8d44\u4ea7\u7684\u9884\u671f\u6536\u76ca\u4e0e\u9884\u671f\u98ce\u9669\u7d27\u5bc6\u76f8\u5173\u7684\u91d1\u878d\u9886\u57df\u3002\u9884\u671f\u98ce\u9669\u7684\u4f30\u8ba1\u7cfb\u6570\u662f\u98ce\u9669\u6536\u76ca\u4ea4\u6613\u7684\u5ea6\u91cf\u3002\u4f8b\u5982\uff0c\u6211\u4eec\u53ef\u4ee5\u8ba4\u4e3a\u67d0\u80a1\u7968\u6307\u6570\uff0c\u5982\u4e0a\u8bc1\u7684\u80a1\u7968\u6307\u6570\u7684\u7968\u9762\u6536\u76ca\uff08returet\uff09\u4f9d\u8d56\u4e8e\u4e00\u4e2a\u5e38\u6570\u9879\uff0c\u901a\u8d27\u81a8\u80c0\u7387t \u4ee5\u53ca\u6761\u4ef6\u65b9\u5dee\uff1a
\u8fd9\u79cd\u7c7b\u578b\u7684\u6a21\u578b\uff08\u5176\u4e2d\u671f\u671b\u98ce\u9669\u7528\u6761\u4ef6\u65b9\u5dee\u8868\u793a\uff09\u5c31\u79f0\u4e3aGARCH-M\u6a21\u578b\u3002
EViews是EconometricsViews的缩写，通常称为计量经济学软件包。是专门为大型机构开发的、用以处理时间序列数据的时间序列软件包的新版本。
EViews是EconometricsViews的缩写，直译为计量经济学观察，通常称为计量经济学软件包。它的本意是对社会经济关系与经济活动的数量规律，采用计量经济学方法与技术进行“观察”。计量经济学研究的核心是设计模型、收集资料、估计模型、检验模型、应用模型（结构分析、经济预测、政策评价）。EViews是完成上述任务比较得力的必不可少的工具。正是由于EViews等计量经济学软件包的出现，使计量经济学取得了长足的进步，发展成为一门较为实用与严谨的经济学科。
EViews是专门为大型机构开发的、用以处理时间序列数据的时间序列软件包的新版本。EViews的前身是1981年第1版的MicroTSP。虽然EViews是经济学家开发的，而且主要用于经济学领域，但是从软件包的设计来看，EViews的运用领域并不局限于处理经济时间序列。即使是跨部门的大型项目，也可以采用Eviews进行处理。
EViews处理的基本数据对象是时间序列，每个序列有一个名称，只要提及序列的名称就可以对序列中所有的观察值进行操作，EViews允许用户以简便的可视化的方式从键盘或磁盘文件中输入数据，根据已有的序列生成新的序列，在屏幕上显示序列或打印机上打印输出序列，对序列之间存在的关系进行统计分析。EViews具有操作简便且可视化的操作风格，体现在从键盘或从键盘输入数据序列、依据已有序列生成新序列、显示和打印序列以及对序列之间存在的关系进行统计分析等方面。EViews具有现代Windows软件可视化操作的优良性。可以使用鼠标对标准的Windows菜单和对话框进行操作。操作结果出现在窗口中并能采用标准的Windows技术对操作结果进行处理。此外，EViews还拥有强大的命令功能和批处理语言功能。在EViews的命令行中输入、编辑和执行命令。在程序文件中建立和存储命令，以便在后续的研究项目中使用这些程序。
绛旓細绗洓閮ㄥ垎锛氭墿灞曠殑鍗曟柟绋嬪垎鏋 浠嬬粛鑷洖褰掓潯浠寮傛柟宸紙ARCH锛夋ā鍨嬨佺鏁ｅ拰鍙楅檺鍥犲彉閲忔ā鍨嬨佸拰瀵规暟鏋佸ぇ浼肩劧浼拌銆傜浜旈儴鍒嗭細澶氭柟绋嬪垎鏋 鎻忚堪鍒╃敤鏂圭▼缁勬潵浼拌鍜岄娴嬨佸悜閲忚嚜鍥炲綊銆佽宸慨姝ｆā鍨嬨佺姸鎬佺┖闂存ā鍨嬨佹埅闈㈡暟鎹/ 鏃堕棿搴忓垪鏁版嵁銆佸強妯″瀷姹傝В銆傜浜岀珷 EViews 绠浠 搂2.1 浠涔堟槸 EViews EViews 鏄湪...
绛旓細2銆佺紪杈戞枃浠跺悕锛屽乏閿崟鍑汇愪繚瀛樸戙傚叾浠栭夋嫨榛樿閫夐」锛屽乏閿崟鍑汇怬K銆戙3銆eviews锛氬父鐢ㄧ殑鏁版嵁鍒嗘瀽銆佸悇绉嶆柟绋嬪拰妯″瀷鐨勪及璁★紝鍏蜂綋鍖呮嫭鎻忚堪缁熻鍒嗘瀽涓庡弬鏁板亣璁炬楠屻佺畝鍗曠嚎鎬у洖褰掑垎鏋愩佸叾浠栧洖褰掍及璁℃柟娉曘佺鏁ｅ強鍙楅檺鍥犲彉閲忔ā鍨嬨佷紶缁熸椂闂村簭鍒楀垎鏋愩丄RMA妯″瀷鍙婂叾搴旂敤銆佸姩鎬佽閲忕粡娴庢ā鍨嬨鑷洖褰掓潯浠寮傛柟宸ā鍨嬨佸...
绛旓細娑电洊瓒嬪娍銆佸鑺傘丄RMA妯″瀷銆佸姩鎬佹椂闂村簭鍒椼佽仈绔嬫柟绋嬨佸悜閲鑷洖褰銆鏉′欢寮傛柟宸佺姸鎬佺┖闂淬丳anel Data妯″瀷鍙婂彈闄愬洜鍙橀噺绛夋繁鍏ュ垎鏋 姣忕珷鍐呭鍖呮嫭妯″瀷姒傝堪銆佹柟娉曘Eviews鎿嶄綔鍜屽疄渚嬮檮褰 EViews缂栫▼鍩虹 - 鍖呮嫭鍛戒护銆佺▼搴忋佹帶鍒朵笌鐭╅樀璇█浠嬬粛 鍚勭被鍒嗗竷琛ㄥ拰妫楠岃〃鎵╁睍璧勬枡鏈功浠嬬粛鐨凟Views 6.0鐗堟槸QMS鍏徃鍦...
绛旓細鏍规嵁鏁版嵁浣滃浘銆32绗簩鑺傘绠鍗鍥炲綊鐨勪及璁°35绗笁鑺傘绠鍗曞洖褰掔殑浣滃浘銆41绗洓鑺傘娈嬪樊鍥俱44绗簲鑺傘EViews涓绠鍗曞洖褰掓ā鍨嬬殑棰勬祴銆46绗洓绔犮鏈灏忎簩涔樹及璁￠噺鐨勬ц川銆48绗竴鑺傘妯″瀷涓弬鏁颁及璁＄殑鏂瑰樊鍜屽崗鏂瑰樊銆48绗簩鑺傘缁撴灉瀛樺偍銆50绗笁鑺傘鏈灏忎簩涔樻畫宸殑浣滃浘銆52绗簲绔犮绠鍗曞洖褰掓ā鍨嬬殑鍋囪...
绛旓細鏈功涓昏浠嬬粛Eviews杞欢鐨浣跨敤銆傚叏涔﹀叡鍒19绔狅紝鍐呭鍖呮嫭鍩烘湰鍔熻兘浠嬬粛銆佹暟鎹鐞嗐佸浘褰㈠拰琛ㄦ牸銆佺粺璁￠噺鐨勮绠椼佺嚎鎬фā鍨嬨侀潪绾挎фā鍨嬨佹椂闂村簭鍒楁ā鍨嬨佺鏁ｅ彉閲忔ā鍨嬨佸悓鏃朵篃娑夊強鍒鏉′欢寮傛柟宸ā鍨嬨丳anel Data妯″瀷銆佸悜閲鑷洖褰妯″瀷绛変竴浜涙柊杩戝彂灞曡捣鏉ョ殑鍒嗘瀽宸ュ叿銆傛湰涔﹀皢涓轰粠浜嬬粡娴庨鍩熺殑宸ヤ綔浜哄憳澶勭悊鏁版嵁銆佸垎鏋愭ā鍨...
绛旓細姝ラ涓锛氬垎鏋愭暟鎹殑骞崇ǔ鎬э紙鍗曚綅鏍规楠岋級銆傛寜鐓ф瑙勭▼搴忥紝闈㈡澘鏁版嵁妯″瀷鍦ㄥ洖褰掑墠闇妫楠屾暟鎹殑骞崇ǔ鎬с傛潕瀛愬鏇炬寚鍑猴紝涓浜涢潪骞崇ǔ鐨勭粡娴庢椂闂村簭鍒楀線寰琛ㄧ幇鍑哄叡鍚岀殑鍙樺寲瓒嬪娍锛岃岃繖浜涘簭鍒楅棿鏈韩涓嶄竴瀹氭湁鐩存帴鐨勫叧鑱旓紝姝ゆ椂锛屽杩欎簺鏁版嵁杩涜鍥炲綊锛屽敖绠℃湁杈冮珮鐨凴骞虫柟锛屼絾鍏剁粨鏋滄槸娌℃湁浠讳綍瀹為檯鎰忎箟鐨勩傛楠や簩锛氬崗鏁存楠...
绛旓細ARCH妫楠岀殑鍏ㄧО鏄鑷洖褰掓潯浠寮傛柟宸楠,杩欑妫楠屾柟娉曚笉鏄妸鍘熷洖褰掓ā鍨嬬殑闅忔満璇樊椤箂t 2 鐪嬩綔鏄痻t 鐨勫嚱鏁,鑰屾槸鎶妔t 2 鐪嬩綔闅忔満璇樊骞虫柟椤箄t-12 鍙婂叾婊炲悗椤, ut-22 , 鈥, 鐨勫嚱鏁.ARCH鏄宸」浜岄樁鐭╃殑鑷洖褰掕繃绋.鎭╂牸灏旓紙Engle 1982锛夐拡瀵笰RCH杩囩▼鎻愬嚭LM妫楠屾硶.涓轰簡鍙互姣旇緝瀹规槗鐨勮В閲,鎴戜滑鍏堣涓...
绛旓細鑷洖褰掓潯浠寮傛柟宸 (ARCH) 妫楠屻傝繖绉嶆楠屾柟娉曚笉鏄妸鍘熷洖褰掓ā鍨嬬殑闅忔満璇樊椤箂t 2 鐪嬩綔鏄痻t 鐨勫嚱鏁帮紝鑰屾槸鎶妔t 2 鐪嬩綔闅忔満璇樊骞虫柟椤箄t-12 鍙婂叾婊炲悗椤, ut-22 , 鈥︼紝 鐨勫嚱鏁般傚仛鍘熷亣璁撅細娈嬪樊搴忓垪涓煡閬揚闃跺害涓嶅瓨鍦ˋRCH鏁堝簲 鍋氬洖褰抲2(t)=a(0)+鈭懳(s)u2(t-s)+尉(t)u(t)琛ㄧず鍦╰鏃跺埢鐨...
绛旓細娑电洊绾挎у洖褰掋侀潪绾挎фā鍨嬨佸紓鏂瑰樊鎬с佸簭鍒楃浉鍏虫с佸閲嶅叡绾挎х瓑鏍稿績姒傚康锛屾瘡涓珷鑺傞兘鍖呭惈瀹為獙鐩殑銆佸師鐞嗗垎鏋愩佹渚嬭В鏋愬拰灏忕粨锛屼互鍙婂閫夊疄楠屼互鎻愬崌鐞嗚涓庡疄璺电粨鍚堢殑鑳藉姏銆傛渶鍚庯紝绔犺妭鍖呮嫭闈㈡澘鏁版嵁妯″瀷銆鑷洖褰掓潯浠寮傛柟宸ā鍨嬪拰鍚戦噺鑷洖褰掓ā鍨嬶紝浠ュ強鏃堕棿搴忓垪妯″瀷锛岃繖浜涘唴瀹规兜鐩栦簡鏇村鏉傜殑鏁版嵁鍒嗘瀽鍜屾ā鍨嬫瀯寤恒
绛旓細2銆佺紪杈戞枃浠跺悕锛屽乏閿崟鍑汇愪繚瀛樸戙傚叾浠栭夋嫨榛樿閫夐」锛屽乏閿崟鍑汇怬K銆戙3銆eviews锛氬父鐢ㄧ殑鏁版嵁鍒嗘瀽銆佸悇绉嶆柟绋嬪拰妯″瀷鐨勪及璁★紝鍏蜂綋鍖呮嫭鎻忚堪缁熻鍒嗘瀽涓庡弬鏁板亣璁炬楠屻佺畝鍗曠嚎鎬у洖褰掑垎鏋愩佸叾浠栧洖褰掍及璁℃柟娉曘佺鏁ｅ強鍙楅檺鍥犲彉閲忔ā鍨嬨佷紶缁熸椂闂村簭鍒楀垎鏋愩丄RMA妯″瀷鍙婂叾搴旂敤銆佸姩鎬佽閲忕粡娴庢ā鍨嬨鑷洖褰掓潯浠寮傛柟宸ā鍨嬨佸...
