异方差时间序列模型1.pptVIP

第九章 异方差时间序列模型;Contents;第一节 问题的提出; 其中ut为白噪声过程。1995-2000年日元兑美元汇率时间序列及差分序列见图1和图2。;图3 收益绝对值序列 (1995-2000);.;显然现期方差与前期的“波动”有关系。描述这类关系的模型称为自回归条件异方差（ARCH）模型（Engle 1982年提出）。使用ARCH模型的理由是：（1）通过预测xt或ut的变化量评估股票的持有或交易对收益所带来的风险有多大，以及决策的代价有多大；（2）可以预测xt的置信区间，它是随时间变化的；（3）对条件异方差进行正确估计后可以使回归参数的估计量更具有有效性。;为了说得更具体，让我们回到k -变量回归模型： 如果ut的均值为零，对yt取基于(t-1)时刻的信息的期望，即Et-1(yt)，有如下的关系： 由于yt的均值近似等于式（1）的估计值，所以式（1）也称为均值方程。;假设在时刻 ( t ?1 ) 所有信息已知的条件下，扰动项ut的条件分布是： 也就是，ut遵循以0为均值，(?0+?1u2t-1 )为方差的正态分布。 由于(3)中ut的方差依赖于前期的平方扰动项，我们称它为ARCH(1)过程：;第二节 ARCH模型;(1) 和 (2) 式还应满足如下条件。对于 (1) 式，为保证平稳性，特征方程;的根应在单位圆之外。对?i, i = 1, 2, …, q的另一个约束是; 二、 ARCH模型的极大似然估计 ARCH模型经常应用在回归模型中。;;;; 三、 ARCH模型检验 在均值方程（回归模型或时间序列模型）的误差项中是否存在自回归条件异方差应该进行假设检验。检验ARCH可以使用F、LM、LR、W统计量。下面介绍F、LM检验。 1、自回归条件异方差的LM检验。 ① 建立原假设 H0：?1=?2=…= ?q=0 （不存在ARCH） H1：?1, ?2 , …, ?q 不全为零 在原假设成立条件下，OLS估计量是一致的、有效的；在备择假设成立条件下，OLS估计量是一致的，但不是有效的。 先介绍使用LM统计量检验H0。因为计算LM统计量的值，只需估计原假设成立条件下的方程。具体步骤是：;② 估计 ，求 ，计算 。 ③ 估计辅助回归式; 2、自回归条件异方差的F检验。 ① 建立原假设 H0：?1=?2=…=?q=0 （不存在ARCH） H1：?1, ?2 , …, ?q不全为零 ② 估计yt= xt‘?+ut，求 ，计算 。 ③ 用 估计2个辅助回归式 ④ 构造F统计量，在原假设成立条件下有 ;3、自回归条件异方差的LR检验。 ① 建立原假设 H0：?1=?2=…=?q=0 （不存在ARCH） H1：?1, ?2 , …, ?q不全为零 ② 估计yt= xt‘?+ut，求 ，计算 。 ③ 用 估计2个辅助回归式，并计算极大似然函数值LogLr和LogLu ④ 用LogLr和LogLu构造LR统计量，在原假设成立条件下有 ;4、自回归条件异方差的Q检验。 残差平方意味着方差，若存在自相关，说明存在自回归条件异方差。;;;;;; 例 中国CPI模型的ARCH检验 本例建立CPI模型，因变量为中国的消费价格指数（上年同月=100）减去100，记为cpit；解释变量选择货币政策变量：狭义货币供应量M1的增长率，记为m1rt；3年期贷款利率，记为Rt，样本期间是1994年1月～2007年12月。由于是月度数据，利用X-12季节调整方法对 cpit 和 m1rt 进行了调整，结果如下： t = (19.5) (-5.17) (2.88) (-2.74) R2=0.99 对数似然值 = -167.79 AIC = 2.045 SC =2.12 ; 这个方程的统计量很显著，拟合的程度也很好。