计量经济分析方法与建模课件2007版第06章ARCH和GARCH估计.ppt

二、方差设定和分布设定 (Variance and distribution specification) EViews5的选择模型类型列表  (1) 在下拉列表中可以选择所要估计的ARCH模型的类型。 (2) 在Variance栏中，可以根据需要列出包含在方差方程中的外生变量。由于EViews在进行方差回归时总会包含一个常数项作为解释变量，所以不必在变量表中列出C。 (3) 设定了模型形式以后，就可以选择ARCH项和GARCH项的阶数。缺省的形式为包含一阶ARCH项和一阶GARCH项的模型，这是现在最普遍的设定。 (4) 如果估计一个非对称的模型，就应该在Threshold编辑栏中输入非对称项的数目，缺省的设置是不估计非对称的模型，即该选项的个数为0。可以估计含有多个非对称项的非对称模型。在EViews4.0中，并没有这个选项，非对称模型中的非对称项只能有1项。 (5) Error组合框可以设定误差的分布形式，缺省的形式为Normal（Gaussian），备选的选项有：Student’s-t，Generalized Error（GED）、Student’s-t with fixed df.和GED with fixed parameter。需要注意，选择了后两个选项的任何一项都会弹出一个选择框，需要在这个选择框中分别为这两个分布的固定参数设定一个值。误差的条件分布形式默认为Normal（Gaussian）。 三、估计选项（Options） EViews为我们提供了可以进入许多估计方法的设置。只要点击Options按钮并按要求填写对话即可。 1. 回推 (Backcasting) 在缺省的情况下，MA初始的扰动项和GARCH项中要求的初始预测方差都是用回推方法来确定初始值的。如果不选择回推算法，EViews会设置残差为零来初始化MA过程，用无条件方差来设置初始化的方差和残差值。但是经验告诉我们，使用回推指数平滑算法通常比使用无条件方差来初始化GARCH模型的效果要理想。 2. 系数协方差 (Coefficient Covariance) 点击Heteroskedasticity Consistent Covariances计算极大似然（QML）协方差和标准误差。 如果怀疑残差不服从条件正态分布，就应该使用这个选项。只有选定这一选项，协方差的估计才可能是一致的，才可能产生正确的标准差。 注意如果选择该项，参数估计将是不变的，改变的只是协方差矩阵。 3. 导数方法 (Derivatives) EViews现在用数值导数方法来估计ARCH模型。在计算导数的时候，可以控制这种方法达到更快的速度（较大的步长计算）或者更高的精确性（较小的步长计算）。 4. 迭代估计控制 (Iterative process) 当用默认的设置进行估计不收敛时，可以通过改变初值、增加迭代的最大次数或者调整收敛准则来进行迭代控制。 5．算法选择 (Optimization algorithm) ARCH模型的似然函数不总是正规的，所以这时可以利用选择迭代算法（Marquardt、BHHH/高斯-牛顿）使其达到收敛。 ARCH模型的估计结果 利用GARCH(0, 3)模型重新估计例6.1的式（6.1.25），结果如下： ARCH估计的结果可以分为两部分：上半部分提供了均值方程的标准结果；下半部分，即方差方程包括系数，标准误差，z-统计量和方差方程系数的P值。在方程(6.1.12)中ARCH的参数对应于?，GARCH的参数对应于? 。在表的底部是一组标准的回归统计量，使用的残差来自于均值方程。 注意如果在均值方程中不存在回归量，那么这些标准，例如R2也就没有意义了。 例6.1利用GARCH(0, 3)模型重新估计的方程如下： 均值方程： (2.51) (810.77) 方差方程： (40.87) (7