[原创][实验报告]Eviews做时间序列的序列相关

这里只有作者精心编写的研究经历!
回复
头像
hellohappy
网站管理员
网站管理员
帖子: 282
注册时间: 2018年11月18日, 14:27
Been thanked: 2 time

#1 [原创][实验报告]Eviews做时间序列的序列相关

未读文章 hellohappy » 2018年12月23日, 17:50



目录:
   
实验报告内容、相关附件
    数据来源和研究目标:
        数据来源
        数据的录入过程
        研究的内容
        序列相关性检验:
            1. Durbin-Watson 统计量检验一阶序列相关
            2.残差序列的自相关,偏自相关检验以及其Ljung-Box Q-统计量
            3. 序列相关的LM检验
    扰动项存在序列相关的线性回归方程的估计与修正
        AR(3)模型的估计过程和结果
    对普通序列进行平稳性检验
    
构建ARIMA模型
    检验序列是否存在ARCH效应
        1. 残差平方相关图检验
        2.ARCH LM检验
    构建GARCH模型
[/align]

后面要做的内容和下面的课程作业有关:
    实验报告:
        1.    识别时间序列是否存在序列相关性。用AR(p) 模型来描述一个平稳序列的自相关的结构。写出修正的方程结果,并给出修正后的Q统计量。
        2.    构建ARIMA(p,d,q)模型,对一个普通序列进行平稳性检验,并构建ARIMA模型,给出具体的流程的详细结果。
        3.    采用残差平方和的AC和PAC系数、以及ARCH LM统计量两种方法,检验序列是否存在ARCH效应。
        4.    构建GARCH模型,给出均值方程和方差方程。

和作业相关的ppt课件的链接在这里:
    实验报告:这个帖子的3,4,5,6章节的ppt

相关的附件在这里:
月度数据.xls
国家统计局月度数据
(41 KiB)
月度数据.xls
国家统计局月度数据
(41 KiB) 尚未被下载
Eviews格式的数据.zip
(4.35 KiB) 尚未被下载
 

数据来源和研究目标:

    数据来源:国家统计局的官网。收集的数据是全国的月度数据,包括如下一些变量:
        国家财政支出(不含债务还本)当期值(亿元)、货运量当期值(万吨)、社会消费品零售总额当期值(亿元)、固定资产投资完成额累计增长(%)、房地产开发投资额累计增长(%)。时间跨度为2006年1月到2018年10月。
        数据展示如下图:
数据展示.png
数据展示.png (48.13 KiB) 查看 643 次
数据展示.png
数据展示.png (48.13 KiB) 查看 643 次
    数据的录入过程如下:
       
本人的实验环境是Eviews9,一般和别的版本差别不大,你可以直接下载跟我同一版本的:9个常用计量软件
        打开Eviews9,并选择open a foreign file来导入Excel数据。
打开Eviews9.png
打开Eviews9.png (42.08 KiB) 查看 643 次
打开Eviews9.png
打开Eviews9.png (42.08 KiB) 查看 643 次
open_a_foreign_file.png
导入Excel数据1.png
导入Excel数据1.png (48.41 KiB) 查看 643 次
导入Excel数据1.png
导入Excel数据1.png (48.41 KiB) 查看 643 次
导入Excel3.png
不需要链接外部数据.png
不需要链接外部数据.png (18.49 KiB) 查看 643 次
不需要链接外部数据.png
不需要链接外部数据.png (18.49 KiB) 查看 643 次
        导入数据以后,需要自己重命名,因为Eviews不能识别中文变量名。
一个个变量重命名.png
一个个变量重命名.png (26.91 KiB) 查看 643 次
一个个变量重命名.png
一个个变量重命名.png (26.91 KiB) 查看 643 次
        重命名的结果如下:
重命名结果.png
重命名结果.png (7.6 KiB) 查看 643 次
重命名结果.png
重命名结果.png (7.6 KiB) 查看 643 次
    研究的内容:
       我们要研究的是国家财政支出(不含债务还本)的当期值,受到什么因素的影响,所以因变量是国家财政支出当期值。自变量为货运量当期值、社会消费品零售总额当期值、固定资产投资完成额累计增长、房地产开发投资额累计增长。于是我们确定了一条基本的线性回归模型:
国家财政支出= β1*货运量当期值 + β2*社会消费品零售总额当期值 + β3*固定资产投资完成额累计增长 + β4*房地产开发投资额累计增长 + β5
 
 序列相关性检验:

    虽然不确定直接最小二乘法的结果是否是有效的,但是还是可以先做出来偷一眼:
open_as_group.png
open_as_group.png (30.09 KiB) 查看 638 次
open_as_group.png
open_as_group.png (30.09 KiB) 查看 638 次
proc_makeEquation.png
proc_makeEquation.png (35.92 KiB) 查看 638 次
proc_makeEquation.png
proc_makeEquation.png (35.92 KiB) 查看 638 次
输入回归方程.png
输入回归方程.png (47.45 KiB) 查看 638 次
输入回归方程.png
输入回归方程.png (47.45 KiB) 查看 638 次
多元线性回归结果.png
多元线性回归结果.png (23.39 KiB) 查看 638 次
多元线性回归结果.png
多元线性回归结果.png (23.39 KiB) 查看 638 次
    偷看的结果是!效果一般,只有一个变量的系数通过了5%的显著性检验,但是整个方程的F统计量是显著的。拟合优度也有80%以上,这说明所选的变量对自变量财政支出的解释能力还是比较充足的。我们需要进行一定的检验(比如这个序列相关性检验),再尝试改变回归的方程和回归的方法,以获得较为满意的回归结果。
    在做回归前,我们并不知道是否是存在序列相关,因此要先做序列相关检验。

    1. Durbin-Watson 统计量检验一阶序列相关。
 
       一阶序列相关是序列相关的一种常见形式,我们要先确定上面基础方程是否存在一阶序列相关。
        设回归方程的扰动项为ut的话,对扰动项进行一阶自回归:
                ut=ρ*ut-1+ε
        DW统计量原假设为ρ=0。如果序列不存在一阶序列相关,则D.W.值在2附近,接受原假设。若存在正序列相关,D.W.值将小于2。若存在负序列相关,D.W.值将在2~4之间。前面的基础模型中不存在滞后项目,可以应用D.W.检验。DW检验的结果在前面的多元线性回归中同时也给出了,值为2.665。但是单纯看DW,没有参考的系数表我们也不能断定偏离2多少才是存在序列相关。所以应该按照下面的步骤来:
        根据DW(德宾-沃森)统计量临界值表,样本数为127,变量数4,包含截距项,在5%的显著性水平下,dL和dU大约都在1.6左右。这个DW统计量的表需要自行百度查找
        而DW的决策规则如下图:
DW决策规则.png
        根据DW的决策规则,D.W.检验的结果为2.66,(4-1.6=1=2.4<2.66),也就是扰动项存在负的序列相关。

    2.残差序列的自相关,偏自相关检验以及其Ljung-Box Q-统计量
        其中p阶滞后的Q-统计量的原假设是:序列不存在p阶自相关。
        其统计的方法如下图:
Eviews自相关偏自相关q统计量在哪.png
        (滞后期可以不改,只是滞后太长时间可能不太有意义)自相关偏自相关q统计量结果如下:
自相关偏自相关Q统计量结果.png
自相关偏自相关Q统计量结果.png (17.82 KiB) 查看 638 次
自相关偏自相关Q统计量结果.png
自相关偏自相关Q统计量结果.png (17.82 KiB) 查看 638 次
        上图为对基础模型的回归结果的残差序列进行的序列相关性检验,左边两列中,虚线为两倍标准差,自相关,偏自相关检验都在三阶以内都超过了虚线,也就是全部在5%显著性水平下的拒绝原假设,认为存在1,2,3阶的序列自相关和偏自相关问题。Q-统计量的P值很小,拒绝原假设,所以说明存在自相关问题。
        所以我们修改一下基本的线性回归模型,让变量之间都处在统一量纲之下,也就是全部都变成百分比,或绝对值或累计值。这里我们尝试让所有变量都变成百分比值(或者对数值)。方程如下:
ln(国家财政支出)= β1*ln(货运量当期值) + β2*ln(社会消费品零售总额当期值) + β3*固定资产投资完成额累计增长 + β4*房地产开发投资额累计增长 + β5
        但是结果仍然不太好,我们只好删掉一些t检验的p值十分接近于1的变量,虽然这里的t检验不一定准确,但是p值解近于1可能是因为这个变量本身就对财政支出这个变量没什么解释能力,或者变量自身变化太小,新的方程如下:
ln(国家财政支出)= β1*ln(货运量当期值) + β2*ln(社会消费品零售总额当期值) + β5
        上面新方程的回归结果如下图:
新方程回归结果.png
新方程回归结果.png (21.18 KiB) 查看 637 次
新方程回归结果.png
新方程回归结果.png (21.18 KiB) 查看 637 次
        其偏自相关检验以及其Ljung-Box Q-统计量的结果如图:
自相关偏自相关Q统计量结果3.png
自相关偏自相关Q统计量结果3.png (16.53 KiB) 查看 636 次
自相关偏自相关Q统计量结果3.png
自相关偏自相关Q统计量结果3.png (16.53 KiB) 查看 636 次
        上面的结果只看前五阶的话,只有第三阶的残差序列的自相关和偏自相关系数在5%的显著性水平下显著拒绝原假设,而Ljung-Box Q-统计量也只在第三阶显著拒绝原假设,都说存在三阶的序列相关。再回头看看DW检验,DW检验的结果是2.21,不存在一阶自相关。所以整体上来说,上面这个方程的残差序列可能除了三阶自相关,不存在其他的自相关。

    3. 序列相关的LM检验
        LM检验原假设为:直到p阶滞后不存在序列相关,p为预先定义好的整数;和DW相比,LM检验还可以检验存在因变量的滞后项的情况。方法和结果如下:
Eviews残差序列LM检验在哪.png
默认直达2阶滞后.png
默认直达2阶滞后.png (21.35 KiB) 查看 636 次
默认直达2阶滞后.png
默认直达2阶滞后.png (21.35 KiB) 查看 636 次
残差序列2阶LM检验结果.png
残差序列2阶LM检验结果.png (30.08 KiB) 查看 636 次
残差序列2阶LM检验结果.png
残差序列2阶LM检验结果.png (30.08 KiB) 查看 636 次
        上面结果说明,滞后阶数为2的情况下,在5%的显著性水平下,拒绝原假设,所以回归方程的残差序列存在序列相关性。因此,回归方程的估计结果不再有效,必须采取相应的方式修正残差的自相关性。这时我们想起前面的残差序列的偏自相关检验以及其Ljung-Box Q-统计量的结果,说是三阶是最强的序列相关,我们来看看和LM检验是否一致,或者说看这几个检验的结果是否稳健。如果3阶段是最强的序列相关,那么LM检验的结果应该也是更加肯定的拒绝原假设!对残差序列的三阶LM检验结果如下:
检验直接到3阶.png
检验直接到3阶.png (21.28 KiB) 查看 636 次
检验直接到3阶.png
检验直接到3阶.png (21.28 KiB) 查看 636 次
残差序列3阶LM检验结果.png
残差序列3阶LM检验结果.png (30.97 KiB) 查看 636 次
残差序列3阶LM检验结果.png
残差序列3阶LM检验结果.png (30.97 KiB) 查看 636 次
        这里的结果中F和T×R2统计量都十分小,远远小于0.05,确实在存在序列的3阶自相关。所以这几个统计量的结果还是相对一致的!

扰动项存在序列相关的线性回归方程的估计与修正

    线性回归模型扰动项序列相关的存在,会导致模型估计结果的失真。因此,必须对扰动项序列的结构给予正确的描述,以期消除序列相关对模型估计结果带来的不利影响。通常可以用AR(p) 模型来描述一个平稳序列的自相关的结构,如下模型:
ln(国家财政支出)= β1*ln(货运量当期值) + β2*ln(社会消费品零售总额当期值) + β5+ut
ut=φ1*ut-1+φ2*ut-2+φ3* ut-3+φ4* ut-4+…+φp* ut-p+ε
    这里主要是存在3阶自相关,所以上面的ut的相关公式可能是AR(3):
ut=φ1*ut-1+φ2*ut-2+φ3* ut-3+ε
    这里需要注意一下回归的时候,公式法和列表法,可能得到不一样的结果,这是因为AR模型的估计本身就不像多元线性回归一样有唯一的解,他的求解可能是非线性的。
    AR(3)模型的估计过程和结果:
Eviews的方程估计在哪.png
ar模型估计.png
ar模型估计.png (47.3 KiB) 查看 634 次
ar模型估计.png
ar模型估计.png (47.3 KiB) 查看 634 次
    注意估计的时候是可选别的方法估计的
注意估计的时候是可选别的方法估计的.png
ar3模型的结果.png
ar3模型的结果.png (30.67 KiB) 查看 634 次
ar3模型的结果.png
ar3模型的结果.png (30.67 KiB) 查看 634 次
    这个结果中,除了AR(1)和AR(2),其余的各个系数都通过了5%的显著性水平,和我们前面做序列相关的时候结论比较一致。F统计量p值远远小于0.05,整个方程有一定的统计学意义。由ar3模型的结果那张结果图,我们知道DW检验为1.66,在区间[1.6-2.4]之间,说明不存在序列相关。
    估计玩AR(3)模型,当然就要对改进的模型,也就是AR模型的残差进行序列相关检验,看看进行AR矫正的效果如何,其残差序列的自相关、偏自相关、Q统计量图为:
自相关偏自相关Q统计量结果4.png
自相关偏自相关Q统计量结果4.png (20.75 KiB) 查看 633 次
自相关偏自相关Q统计量结果4.png
自相关偏自相关Q统计量结果4.png (20.75 KiB) 查看 633 次
    可以看到,自相关和偏自相关都是接受原假设的,Q-Stat的p值也接受了原假设,都认为不存在序列相关!说明修正的结果十分的令人满意。其结果写成公式如下:
结果写成方程式.png
结果写成方程式.png (10.46 KiB) 查看 633 次
结果写成方程式.png
结果写成方程式.png (10.46 KiB) 查看 633 次
    顺便提示一个抄方程的小技巧:
抄方程的小技巧.png
对普通序列进行平稳性检验

    后面的内容可能和前面有点脱节,因为他转而去检验某一个序列的平稳性了,而前文一直在检验残差序列相关性。
    第一步是先确定要研究的对象、研究内容,我们要研究国家的财政支出这个变量的当期值的平稳性。其序列名字命名为y。首先,绘制出y的折线图,以初步识别序列的类型,方法结果如图:
Eviews画图在哪里.png
折线图.png
y折线图结果.png
y折线图结果.png (13.26 KiB) 查看 632 次
y折线图结果.png
y折线图结果.png (13.26 KiB) 查看 632 次
    可以看到当期值y明显有线性趋势,而且即使去掉趋势,约到后期,其波动也是越大的,所以我可以预测,加上趋势项以后,做ADF检验的时候,仍然不平稳,但是估计直接做一阶差分就会平稳了。结果如图:
Eviews单位根在哪.png
Eviews单位根在哪.png (43.24 KiB) 查看 632 次
Eviews单位根在哪.png
Eviews单位根在哪.png (43.24 KiB) 查看 632 次
加了趋势的0阶ADF检验.png
加了趋势的0阶ADF检验.png (37.31 KiB) 查看 632 次
加了趋势的0阶ADF检验.png
加了趋势的0阶ADF检验.png (37.31 KiB) 查看 632 次
ADF检验结果1.png
ADF检验结果1.png (10.26 KiB) 查看 632 次
ADF检验结果1.png
ADF检验结果1.png (10.26 KiB) 查看 632 次
    加了趋势项后的ADF检验,接受了原假设,结果说明还存在单位根。继续做1阶差分以后的ADF检验。
加了趋势的1阶ADF检验.png
加了趋势的1阶ADF检验.png (45.88 KiB) 查看 632 次
加了趋势的1阶ADF检验.png
加了趋势的1阶ADF检验.png (45.88 KiB) 查看 632 次
ADF检验结果2.png
ADF检验结果2.png (10.36 KiB) 查看 632 次
ADF检验结果2.png
ADF检验结果2.png (10.36 KiB) 查看 632 次
    上图的加了趋势的1阶ADF检验结果显示,y序列(国家的财政支出)在5%的显著性水平下拒绝原假设,说明序列是拥有二次趋势的(一次趋势来自于选项里面包含趋势,一次来自于一阶差分),是二阶平稳的。

构建ARIMA模型

    ARMA模型为AR模型和MA模型的混合模型,常记作ARMA(p,q)。
          当 p=0 时,ARMA(0, q) = MA(q)
          当q = 0时,ARMA(p, 0) = AR(p)
    而ARIMA(p,d,q) 模型,是经过d阶差分变化以后序列进行ARMA建模。对y序列(国家的财政支出)进行一阶差分的做出自相关、偏自相关、Q-Stat的图:
Eviews单序列序列相关偏相关选项在哪.png
Eviews单序列序列相关偏相关选项设置.png
Eviews单序列序列相关偏相关选项设置.png (26.83 KiB) 查看 631 次
Eviews单序列序列相关偏相关选项设置.png
Eviews单序列序列相关偏相关选项设置.png (26.83 KiB) 查看 631 次
Eviews单序列序列相关偏相关结果.png
Eviews单序列序列相关偏相关结果.png (28.26 KiB) 查看 631 次
Eviews单序列序列相关偏相关结果.png
Eviews单序列序列相关偏相关结果.png (28.26 KiB) 查看 631 次
    关于自相关,偏自相关的拖尾截尾来判断ARMA过程的证明在ppt上有写,大致的判断标准是(这里大致的意思是,这种判断只能作为参考,即使他有证明,你还是需要去试才知道什么是最好的模型。)自相关拖尾,偏自相关截尾,则存在纯AR过程;偏自相关拖尾,自相关截尾,则存在纯MA过程;两个都是拖尾,则存在AR和MA过程;两个都是截尾,则可能两个都不存在。其阶数由截尾的阶大致判断。
    从上面的结果可知,自相关拖尾,偏自相关截尾,初步判断是ARIMA(2,1,0)模型。于是下面建立y序列的ARIMA(2,1,0)模型:注意这里我的结果可能和你们不太一致,因为我在这里做了一个数据补全,补全的方法是复制后面一期的数值。
Eviews单序列的方程在哪.png
Eviews的ARIMA模型设置.png
Eviews的ARIMA模型设置.png (40.89 KiB) 查看 629 次
Eviews的ARIMA模型设置.png
Eviews的ARIMA模型设置.png (40.89 KiB) 查看 629 次
ARIMA(210)结果.png
ARIMA(210)结果.png (26.07 KiB) 查看 629 次
ARIMA(210)结果.png
ARIMA(210)结果.png (26.07 KiB) 查看 629 次
    绘制其残差序列的偏自相关检验以及其Ljung-Box Q-统计量图:
残差序列相关检验.png
残差序列相关检验.png (19.72 KiB) 查看 629 次
残差序列相关检验.png
残差序列相关检验.png (19.72 KiB) 查看 629 次
    这个结果显示,3阶和4阶仍然存在自相关和偏自相关,虽然不是非常显著,但仍然拒绝了原假设,说明存在序列相关。我们再看这个图,都是拖尾的。依据Eviews的根据AIC准则的自动筛选功能和自己的人工判断,我们考虑ARIMA(4,1,3)模型。结果如图:
ARIMA(413).png
ARIMA(413)结果.png
ARIMA(413)结果.png (33.95 KiB) 查看 628 次
ARIMA(413)结果.png
ARIMA(413)结果.png (33.95 KiB) 查看 628 次
   上面的结果显示,基本上不存在更多的序列相关。y基本满足ARIMA(4,1,3)过程。

检验序列是否存在ARCH效应

    先明确研究对象,研究对象基于前面关于国家财政支出的影响因素的研究的延续。也就是ln(国家财政支出)和ln(货运量当期值)、ln(社会消费品零售总额当期值)之间的关系。
    ARCH是什么?ARCH是恩格尔提出自回归条件异方差(ARCH)模型,用于描述某种具有惯性的方差变化。ARCH的主要思想是时刻 t 的ut 的方差(=σt2 )依赖于时刻(t -1)的扰动项平方的大小,即依赖于 ût2- 1 。
     如果扰动项中没有自相关,就会满足方差为常数,否则,方差的自相关系数应该不全为零。
    1. 残差平方相关图检验
        残差平方相关图可以用来检查残差自回归条件异方差性ARCH。如果残差中存在ARCH,各阶滞后自相关和偏自相关应不为0,且Q统计量应显著 拒绝原假设,(原假设:不存在序列相关。)
        利用OLS进行普通回归,结果如图:
以组的方式打开再proc再makeEqu.png
ols结果.png
ols结果.png (20.23 KiB) 查看 628 次
ols结果.png
ols结果.png (20.23 KiB) 查看 628 次
        然后对上面的方程进行残差平方相关图检验。
残差平方相关检验.png
残差平方相关检验结果.png
残差平方相关检验结果.png (18.36 KiB) 查看 628 次
残差平方相关检验结果.png
残差平方相关检验结果.png (18.36 KiB) 查看 628 次
        如前面分析过的,其残差序列只存在三到四阶的自相关和偏自相关。也就是存在3阶或者4阶的ARCH效应。

    2.ARCH LM检验
        ARCH LM检验的原假设是:残差中直到q阶都不存在ARCH。结果和过程如下:
Eviews的ARCH的LM检验在哪.png
ARCH的LM检验3阶.png
ARCH的LM检验3阶.png (20.67 KiB) 查看 628 次
ARCH的LM检验3阶.png
ARCH的LM检验3阶.png (20.67 KiB) 查看 628 次
ARCH的LM检验3阶结果.png
ARCH的LM检验3阶结果.png (4.54 KiB) 查看 628 次
ARCH的LM检验3阶结果.png
ARCH的LM检验3阶结果.png (4.54 KiB) 查看 628 次
        这个检验回归有两个统计量,分别是F统计量和T*R2统计量。两个都在5%的显著性水平下拒绝了原假设,认为知道3阶都存在ARCH。

构建GARCH模型

     从上面我们知道存在ARCH,我们需要用ARCH(2)模型进行估计,然后再慢慢尝试更高阶数的ARCH或者GARCH,GARCH(2,0)模型:
Eviews的ARCH模型在哪建立.png
Eviews的ARCH模型在哪建立.png (35.35 KiB) 查看 631 次
Eviews的ARCH模型在哪建立.png
Eviews的ARCH模型在哪建立.png (35.35 KiB) 查看 631 次
Eviews的ARCH模型在哪建立2.png
Eviews的ARCH模型在哪建立2.png (33.61 KiB) 查看 631 次
Eviews的ARCH模型在哪建立2.png
Eviews的ARCH模型在哪建立2.png (33.61 KiB) 查看 631 次
Eviews的ARCH模型设置.png
Eviews的ARCH模型设置.png (43.98 KiB) 查看 631 次
Eviews的ARCH模型设置.png
Eviews的ARCH模型设置.png (43.98 KiB) 查看 631 次
     确定之后弹出了错误,要求是连续的数值,所以只能先去补全数据。补全的方法是复制后一期。
提示不能有空缺值.png
提示不能有空缺值.png (24.04 KiB) 查看 631 次
提示不能有空缺值.png
提示不能有空缺值.png (24.04 KiB) 查看 631 次
     最后得到的结果如图:
ARch(20)结果.png
ARch(20)结果.png (26.76 KiB) 查看 627 次
ARch(20)结果.png
ARch(20)结果.png (26.76 KiB) 查看 627 次
    上面的结果显示ARCH(2,0)已经拥有比较好的计量特性,各个系数t检验都十分显著。
    出于对该方程估计的稳健,我们还要再测试一遍该方程是否还存在ARCH形式的异方差。
ARCH—LM检验,取滞后阶数取3。结果为:
ARCH后再次LM检验.png
ARCH后再次LM检验.png (28.26 KiB) 查看 627 次
ARCH后再次LM检验.png
ARCH后再次LM检验.png (28.26 KiB) 查看 627 次
    LM检验的结果显示,F和obs*R-squared统计量都拒绝了原假设,说明ARCH模型以后还不足以完全解决异方差问题。
    所以,我们进一步升高阶数,根据经验(稍微试一下看看哪个ok就哪个),我们取ARCH(3,1);计算过程如下:
ARCH(31).png
ARCH(31).png (43.27 KiB) 查看 627 次
ARCH(31).png
ARCH(31).png (43.27 KiB) 查看 627 次
ARCH(31)结果.png
ARCH(31)结果.png (30.51 KiB) 查看 627 次
ARCH(31)结果.png
ARCH(31)结果.png (30.51 KiB) 查看 627 次
    同样出于稳健,需要对已经进行ARCH矫正的模型进一步测试其模型效果,进行ARCH的LM检验:
ARCH(31)再次LM检验.png
ARCH(31)再次LM检验.png (28.41 KiB) 查看 627 次
ARCH(31)再次LM检验.png
ARCH(31)再次LM检验.png (28.41 KiB) 查看 627 次
    方差方程中的ARCH项和GARCH项的系数都是统计显著的,说明这个模型能够更好的拟合数据。LM检验的结果显示,所有的结果的F和obs*R-squared统计量都接受了原假设,说明都不存在3阶或者以内的ARCH形式的异方差,也就是GARCH(3,1)模型,已经足以解决ARCH异方差,利用GARCH模型消除了原残差序列的异方差效应。但是ARCH项和GARCH项的系数和小于1,不满足参数约束条件。所以这个结论可能是不稳定的。(这可能相当于你的残差项是发散的?或者说扰动项不能做到渐进独立平稳?)

 

Link:
Hide post links
Show post links

头像
hellohappy
网站管理员
网站管理员
帖子: 282
注册时间: 2018年11月18日, 14:27
Been thanked: 2 time

#2 Re: [原创]Eviews做时间序列的序列相关

未读文章 hellohappy » 2018年12月25日, 11:49

如果你想用不同的数据集重复上面的数据又不想自己找,你可以从这里下载这个数据集:
实验二.xlsx
(9.83 KiB)
实验二.xlsx
(9.83 KiB) 尚未被下载

Link:
Hide post links
Show post links


回复