ARCH和GARCH估计.ppt

2．模型的预测与产生残差 EViews提供了预测因变量期望 E (y | x, ?, ?) 的选项，或预测潜在变量期望 E (y*| x, ?, ?) 的选项。从工具栏选择Forecast打开预测对话框。为了预测因变量的期望，应该选择Expected dependent variable，并输入一个序列名称用于保存输出结果。为了预测潜在变量的期望，单击Index-Expected latent variable，并输入一个序列的名称用于保存输出结果。潜在变量的期望 E (y*| x, ?, ?) 可以从如下关系中得到： (7.5.3) 通过选择Procs/Make Residual Series，并从残差的3种类型中进行一种，可以产生审查模型的残差序列。审查模型的残差也有3种类型，与前述类似。 3． 估计截断回归模型 估计一个截断回归模型和估计一个审查模型遵循同样的步骤，从主菜单中选择Quick/Estimate Equation，并在Equation Specification 对话框中，选择CENSORED估计方法。出现估计审查和截断回归模型对话框。在Equation Specification区域键入截断因变量的名称和回归项的列表，并从三种分布中选择一种作为误差项的分布。选择Truncated sample选项估计截断模型。 有几点需要补充说明： 首先，截断估计只对截断点已知的模型进行估计。如果用指标指定截断点，EViews将会给出错误信息，指出这种选择是无效的。 其次，如果有一些因变量的值在截断点之外，EViews将会发出错误信息。而且，EViews将会自动排除掉严格等于截断点的所有观察值。例如，如果指定零作为左截断点，如果有观察值低于零，EViews将会发出错误信息，并将排除严格等于零的任何观察值。 在实际应用中，我们应该根据要研究的变量的数据类型选择合适的模型。当因变量 y 表示事件发生的数目，是离散的整数，即为计数变量，并且数值较小，取零的个数多，而解释变量多为定性变量时，应该考虑应用计数模型（count models）。例如，一个公司提出申请的专利的数目，以及在一个固定的时间间隔内的失业人员的数目。在计数模型中应用较广泛的为泊松模型。 §7.4 计数模型 7.4.1 泊松模型的形式与参数估计 设每个观测值 yi 都来自一个服从参数为m(xi ,?) 的泊松分布的总体， （7.4.1） 对于泊松模型（poisson model），给定 xi 时 yi 的条件密度是泊松分布： （7.4.2） 由泊松分布的特点， （7.4.3） 参数? 的极大似然估计量（MLE）通过最大化如下的对数似然函数来得到： （7.4.4） 倘若条件均值函数被正确的指定且的条件分布为泊松分布，则极大似然估计量是一致的、有效的、且服从渐近正态分布。 泊松假定的约束条件在经验应用中经常不成立。最重要的约束条件是式（7.4.3）中的条件均值和条件方差相等。如果这一条件被拒绝，模型就被错误设定。这里要注意泊松估计量也可以被解释成准极大似然估计量。这种结果的含义在下面讨论。 7.4.2 负二项式模型的形式与参数估计 对泊松模型的常用替代是使用一个负二项式(negative binomial)分布的似然函数极大化来估计模型的参数。负二项式分布的对数似然函数如下： （7.4.5） 其中：?2 是和参数 ? 一起估计的参数。当数据过度分散时，经常使用负二项式分布，这样条件方差大于条件均值，由于下面的矩条件成立： （7.4.6） （7.4.7） 因此， ?2 测量了条件方差超过条件均值的程度。 7.4.3 准-极大似然估计 如果因变量的分布不能被假定为泊松分布，那么就要在其他分布假定之下执行准-极大似然估计（quasi-maximum likeliho