第九期研究方法研习营「时间序列分析」.docVIP

第九期研究方法研習營「時間序列分析」 許可達 一、前言 本研究方法研習營之目的在提供教授統計或計量經濟學的教師或其他有金進修需要的教師研習的機會。 二、研討會主要主題與內容 本次研究方法研習營「時間序列分析」部分的師資有沈中華、饒秀華與陳建福三位教授，課程之內容則包括 時間序列基本觀念 ARMA模型 向量自我回歸模型（VAR） ARCH模型 單根與共整合檢定 RATS Programming for Econometrics 三、研究理念或發表動機 本人研究之主要領域牽涉及匯率與利率資料的處理，在研究方法上必然牽涉到時間數列的問題。加以本人所開設的課程包含研究所的數量方法，因本人並非學習計量經濟學出身，有必要再行進修研習以帶給同學更加充實的課程內容。 四、研習過程與心得 基本觀念 白噪音分為兩種，弱性白噪音與強性白噪音，它的特徵是沒有自我相關，固定變異數。統計上的無相關，只有指無直線相關，但不排除「非直線相關」如果為強性白噪音，則所謂，所謂即是independent identical, 亦即不但沒有自我相關，且與為互相獨立。則當 為強白噪音，與不但沒有直線相關，也沒有非直線相關。 1970年Box與Jenkins提出進階的建模技術並且以遞迴的方式對時間數列資料建構模型，稱為ARIMA模型， 遞迴的方法主要分為三個步驟 暫定模型（Model Identification） 對未知參數作有效的估計（Efficient Estimation） 診斷性檢查（Model Checking）－如果殘差項並非白噪音有必要回到1重做。如果殘差項是白噪音則可進行下列動作。 預測（Forecasting） 在模型鑑定階段的首要工作即判定ARIMA（p,d,q）的階數。一個資料數列如果並非平穩型（nonstationary），則需整合（intergrated）利用差分方法使數列成為平穩型（stationary）。我們可利用數列的自我相關函數（ACF）來判定數列是否為平穩型。若模型僅為AR或是MA過程，則可利用樣本的ACF及樣本的偏自我相關PACF（partial autocorrelation function）來作為判定p與q階數的工具。 可用向量自我回歸模型（VAR）檢定對的因果關係 希望拒絕：x沒有領先y 希望不能拒絕 在財務，或其他高頻率的資料，資料不是呈現常態，而是具有偏態及峰態，而我們發現偏態的問題不太嚴重，而峰態的問題相當嚴重。這些可能是ARCH引起的。檢定ARCH效果的重點在一階無關，二階相關。即與，無關，但與，相關。 一階無關的檢定用OLS進行對回歸，並計算出殘差值。再以DW test或Q test判定是否一階無關。確定一階無關後，以 LM test進行二階檢定。進行下列回歸 則沒有ARCH的假說為 如果，則表示。此時沒有ARCH效果，且條件變異數等於非條件變異數。另外，變異數不可能為負，故要求均為正。 由於ARCH的落後期可能很長，造成參數過多，且要求均為正不易達成，Bollerslev（1986）提出了一般化自我回歸條件變異數（Generalized ARCH, GARCH），一個GARCH（p,q）為 （mean equation 平均數方程式） （variance equation 變異數方程式）但使用較多的是 GARCH（1,1）。