第六章 条件异方差模型.pdf

第六章第六章条件异方差模型条件异方差模型 EViews 中的大多数统计工具都是用来建立 随机变量的条件均值模型。本章讨论的重要工 具具有与以往不同的目的—— 建立变量的条件 方差或变量波动性模型。 §§66..11 自回归条件异方差模型自回归条件异方差模型 自回归条件异方差(Autoregressive Conditional Heteroscedasticity Model， ARCH)模型是特别用来建 立条件方差模型并对其进行预测的。 ARCH模型是1982年由恩格尔(Engle, R.)提出，并 由博勒斯莱文(Bollerslev, T., 1986) 发展成为GARCH (Generalized ARCH)——广义自回归条件异方差。这 些模型被广泛的应用于经济学的各个领域。尤其在金 融时间序列分析中。 6.1.16.1.1 ARCHARCH模型模型 为了说得更具体，让我们回到k -变量回归模型： y   x  x u (6.1.1) t 0 1 1t k k t t 如果u 的均值为零，对y 取基于(t-1)时刻的信息的期望，即 t t E (y ) ，有如下的关系： t-1 t E (y )   x  x  x (6.1.2) t 1 t 0 1 1t 2 2t k kt 由于 y t 的均值近似等于式（6.1.1 ）的估计值，所以式 （6.1.1 ）也称为均值方程均值方程。 由于(6.1.7) 中u 的方差依赖于前期的平方扰动项，我 t 们称它为ARCH(1)过程： 2 2 var( u )   u t t 0 1 t 1 然而然而，，容易加以推广容易加以推广。。 例如，一个ARCH (p )过程可以写为： 2 2 2 2 var(u )   u  u  u t t 0 1 t1 2 t2 p tp （6.1.8 ） 如果扰动项方差中没有自相关，就会有 H ： 2 0 var( u )   t 0 这时     0 1 2 p 从而得到扰动项方差的同方差性情形。 恩格尔曾表明，容易通过以下的回归去检验上述虚拟 假设： ˆ2 ˆ ˆ ˆ2 ˆ ˆ2 ˆ ˆ2 u  u  u 