《运用EViews进行实证分析--基于论文的计量需求》由会员分享，可在线阅读，更多相关《运用EViews进行实证分析--基于论文的计量需求（29页珍藏版）》请在金锄头文库上搜索。
1、目录目录目录1、模型设定与数据处理 . 0模型设定 . 0数据预处理 . 01.2.1 建立工作文档 . 01.2.2 数据导入 . 11.2.3 X12 进行季节性调整 . 21.2.4 HP 滤波法估计潜在 GDP . 31.2.5 时间序列数据的平稳性检验 . 31.3 时间序列变量的最小二乘估计. 4时间序列最小二乘估计的前提条件 . 4同阶单整举例 . 51.3.3 EG 协整法进行协整检验 . 52、诊断回归模型 . 62.1 多重共线性计量检验与消除. 62.2 异方差计量检验与消除. 82.2.1 怀特异方差检验模型 . 82.2.2 white 异方差校正功能 . 92.2.
2、3 加权最小二乘法 . 92.3 自相关计量检验与消除. 10自相关的后果 . 10自相关的识别 . 102.3.3 DW 检验的局限 .112.3.4 EViews 进行自相关检验 .112.3.5 包含滞后变量的自相关检验 . 123、联立方程模型 . 124、面板数据模型的建立及应用 . 135、葛兰杰因果检验 . 14前提条件 . 14检验模型 . 145.3 用 EViews进行实例分析 . 156、协整检验及应用 . 156.1 平稳性检验单位根检验. 166.2 协整检验. 166.3 因果检验. 16误差纠正机制 ECM . 177、GARCH 模型. 180目目录录7.1 G
3、ARCH 模型的基本概念. 187.2 沪深股市收益率的波动性研究. 187.2.1 描述性统计 . 187.2.2 平稳性检验 . 197.2.3 均值方程确实定及残差序列自相关检验. 197.2.4 GARCH 类模型建模 . 217.2.5 检验两市波动的因果性 . 247.2.6 修正 GARCH-M 模型 . 24主要参考文献 . 261东北财经大学东北财经大学 20162016 届本科毕业论文届本科毕业论文运用运用 EViewsEViews 进行实证分析进行实证分析-基于论文的计量需求基于论文的计量需求1、模型设定与数据处理一般化形式的泰勒规则*i*（ B2ytt t B1t-）回
4、归方程式it c0c1c2yt utt考虑利率平滑特性*it (1)(-B1)(1)(1B1)(1)B2ytit-1t回归方程式it C0C1C2ytC3it-1Ut1t在 EViews中对1式进行回归分析。1.2.1 建立工作文档按以下图中的步骤建立 workfile打开后的界面如下。0基于论文的计量需求基于论文的计量需求给文档命名为多元回归，选择季度型数据Quarterly，输入开始日期 2004Q1，结束日期2015Q4，点击 OK。1.2.2 数据导入首先将所需原始数据在 Excel 中加工处理好，将需要的数据全部复制。然后在 EViews中依次选择 QuickEmpty Group
5、可录入多个变量的数据 ， 或选择 ObjectNew Object 可逐个录入单个变量的数据 ，以下图演示同时录入多个变量数据的步骤，如以下图所示。在接下来打开的界面中如以下图 ，将复制的多列数据粘贴到打开的表格中，点击上面的各列默认设定的名称，修改为相应的变量名。1东北财经大学东北财经大学 20162016 届本科毕业论文届本科毕业论文点击数据录入界面右上角的叉关闭窗口，可以不用保存数据组，之后的界面如右图。至此，数据录入工作完毕。1.2.3 X12 进行季节性调整采用 EViews8.0中 X12 的方法对实际 GDP 数据进行季节性调整， 打开已经录入的 rgdp序列， RGDP 数据录
6、入前工作文档的设定一定要正确， 新建 workfile 的时候要选择 Quarterly数据类型季度类 。不正确的设定可能进行以下操作时不会出现CensusX12 的选项。在正确设定数据类型后，依次选择。ProSeasonal Adjustme ntCensus X-12，如以下图所示。打开如下界面，默认以下图 1 的设置，也可以根据自己的需要修改默认设定。点击确定进入季节性调整的输出结果窗口，之后关闭该窗口，回到图 2 界面。图 2 界面出现的新的数据列 rgd_sa，即是 rgdp 进行 X12 季节调整后的数据。2基于论文的计量需求基于论文的计量需求1.2.4 HP 滤波法估计潜在 GD
7、P将之前的经季节调整后的 rgdp_sa 序列单击打开，采用 HP 滤波法估计潜在 GDP。然后依次选择 ProHodrick-PrescottFilter，如以下图 1 所示。进入图 2 界面。在 第一栏中为平滑后的数据命名为 yt，yt在此代表潜 在 HP滤波法估计出来的潜在 GDP 序列的名称。用 HP 滤波法估计季度数据的参数值为 1600，因为新建workfile 时已经选择好了季度数据的类型，所以此处参数的默认设定为正确设置。然后点击ok，进入下一个界面，关闭该界面。EViews 已经生成了 HP 滤波法估计的潜在 GDPyt 序列，如右图所示。1.2.5 时间序列数据的平稳性检验
8、打开时间序列 Y，依次选择 ViewUnit Root Test，如以下图中左图所示。进入以下图中右图界面。3东北财经大学东北财经大学 20162016 届本科毕业论文届本科毕业论文可以选择变量水平值、一阶差分值、二阶差分值，选择包含常数项、包含时间趋势项以及常数项、什么都不包含三个类型中的一个来对时间序列进行单位根检验。此次选择了 Y 的水平值，仅包含常数项的单位根检验。输出结果如下。原假设。该序列有单位根，即原假设为该序列不平稳。 P=0.2852，无法拒绝原价设，故该序列水平值不平稳。接下来选择该序列的一阶差分进行单位根检验，输出如下结果。其中。DY表示 Y 序列的一阶差分，P 值=0.
9、000，显著拒绝 DY不平稳的原假设，故DY是平稳的时间序列。Y 不平稳，DY平稳，故Y 是 1 阶单整的时间序列。1.3 时间序列变量的最小二乘估计要对方程式。 Y=C0+C1*X1+C2*X2 进行回归分析， 进行最小二乘估计要满足以下条件中的一个。1Y、X1、X2 三个时间序列必须是 0 阶单整的，即 Y、X1、X2 三个时间序列是平稳的。4基于论文的计量需求基于论文的计量需求2Y、X1、X2 三个时间序列是非平稳的，但是 Y、X1、X2 三个时间序列是同阶单整的，回归方程必须通过协整检验。Y、X1、X2 都不平稳，但 DY 、DX1 、DX2都是平稳的，Y、X1、X2 三个时间序列是都
10、是 1 阶单整。Y、X1、X2 是同阶单整的。1.3.3 EG 协整法进行协整检验假设 Y、X1、X2 都是 1 阶单整的，在进行最小二乘估计之后，导出估计方程的残差项，复制粘贴数据到新的变量 et，对 et 变量进行单位根检验，假设检验结果说明 et 是平稳的时间序列，即 et 是 0 阶单整的时间序列，那么该回归结果就通过了 EG 协整检验，之前的回归结果就不会因为各个变量的不平稳性出现伪回归的现象。依次选择。QuickEstimateEquation。在输入栏中输入估计方程式 y cx1 x2 x3，选择最小二乘估计的方法， 点击确定。在估计结果窗口依次选择。ViewActual，Fit
11、ted，ResidualActual，Fitted，Residual Table进入下一个界面。左图选中 Residual 列的数据，右击再选中copy。然后在工具栏选择。ObjectNew5东北财经大学东北财经大学 20162016 届本科毕业论文届本科毕业论文Object 新建变量，选择 series 类型，命名为 et，点击 OK，单击打开 et 序列，粘贴数据。对 et 进行单位根检验。检验结果 P 值=0.0000,拒绝 et 有单位根的原假设，故 et 是平稳的时间序列。即该回归方程通过了 EG 协整检验。2、诊断回归模型2.1 多重共线性计量检验与消除将之前的分析结果展示如下。6
12、基于论文的计量需求基于论文的计量需求分析上述结果。. 样本可决系数为 73.62%，表示 X1、X2、X3 可以解释 Y 总变动的 73.6217%。. F 统计量为 40.93，对应的P 值为 0.0000，小于0.05，说明方程总体线性显著，或者解释变量中至少有一个是对被解释变量有显著影响。. 有的变量的 T 统计量对应的 P 值大于 0.05， 说明该解释变量对被解释变量的影响是不显著的，与 F 统计量所得到的结果矛盾。. X2 的系数符号与实际情况不符。综合2 、 3 、 4说明可能存在严重的多共线性。进一步诊断。依 次 选 择Correlations在接下来的窗口中输入 x1 x2
13、x3输出结果如右图所示。x1 与 x3 的相关性最大，但也只有 37.55%，故多重共线性不是很严重。但为了谨慎起见，采用逐步回归法进行分析。表 1。对因变量对因变量 Y Y 进行的回归分析进行的回归分析解释变量第一步CX1X2X3R2Adjusted-R2重Quick GroupStatistics 0.0000*0.0008*0.0000*0.0676*第二步0.0948*0.0365*70.563700.0000*0.0000*东北财经大学东北财经大学 20162016 届本科毕业论文届本科毕业论文0.0791*0.67940.0000*注。Adjusted-R2 为负数时取 0。*代表
14、系数通过了显著性水平为 10%的假设检验。*代表系数通过了显著性水平为 5%的假设检验。进行第一步回归。由第二行至第四行的回归结果可以知道， X3 对 Y 解释力度最大，故选择 X3 作为第一个解释变量。进行第二步回归。比较第五行到第六行的结果可以知道，X1、X3 一起对 Y 的解释力度最大，且各个参数都通过了显著性检验。故选择剔除解释变量 X2。2.2 异方差计量检验与消除2.2.1 怀特异方差检验模型et C0C1X1tC2X1tC3X3tC3X32t Ut22假设包括交叉乘积项，则自变量还有 X1*X3 项。样本容量 n，上述方程估计出 R2，然后 n* R2服从卡方分布后的值与临界值进
15、行比较，判断是否存在异方差。原假设 H0。存在异方差。用 EViews进行怀特异方差检验。在回归方程估计窗口下， 选择 ViewResidualTestsHeteroskedasticityWhite(选项中挑选)， 假设勾选 Include White cross term， 则回归方程中会有交叉乘积项，如右图所示，点击 OK。输出结果如右图。 P 值=0.0003， 拒绝同方差性。 故该回归方程结果存在异方差。接下来运用white异方差校正功能和加权最小二乘法来修正模型的异方差性。8基于论文的计量需求基于论文的计量需求2.2.2 white 异方差校正功能回归方程估计窗口选择最小二乘估计，
16、再选择 options 选项。选择 White 栏目，点击确定。因而得到校正后的回归方程。2.2.3 加权最小二乘法运用加权最小二乘法校正回归方程的操作如下。回归方程估计窗口选择最小二乘估计，再选择options 选项。 选择 White 栏目， weight 下选择 Inversestd dev 栏目。 点击确定即可得到加权最小二乘法的回归结果：注： 老版本为： 在 Weight文本框内输入 “1/absresid ” ，resid 默认为最新估计方程的残差序列9东北财经大学东北财经大学 20162016 届本科毕业论文届本科毕业论文输出结果如右图：2.3 自相关计量检验与消除Yt=0+1*
17、Xt1+2*Xt2+tCOVt，t-s0, t=1,2,N, s=1,2，,t-1参数的 OLS 估计不再具有最小方差性，从而不再是参数的有效估计，这使估计的精度大大降低。显著性检验方法失效。对回归方程和回归系数的显著性检验的统计量分布时，是以t N(0, 2)，且相互独立为依据的。当存在自相关时，各t 之间不再独立，因而原来导出的统计量的分布就不再成立。预测和控制的精度降低，由于 OLS 估计不再具有最小方差性，使参数估计的误差增大，就必然导致预测和控制的精度降低，失去应用价值。利用残差序列 et 来分析t 之间是否存在自相关。用 OLS 对原模型进行回归，求出残差 et作关于et，et-1
18、 ，t=2,3,.,N，或t，et ，t=1,2,N 的散点图。 et，et-1散点图均匀分布在四个象限，说明不存在自相关；大部分落在 1,3 象限，正相关性；大部分落在 2、4 象限，负相关性。假设et 随时间 t 呈某种周期性的变化趋势，则说明存在正相关。假设呈现锯齿形的震荡变化规律，则说明存在负相关。2.3.2.2 杜宾-瓦森Durbin-Watson检验杜宾-瓦森检验简称 D-W 检验，检验原理如下。t=t-1 + Vt，t=2,3,NH0: =0，H1: 010基于论文的计量需求基于论文的计量需求2tDW =（et2NN-et-1）2t=；DW （；2 1- ）e ett2Nt-12
19、et1et1Nt假设存在一阶完全正自相关，帽1，则 DW0；假设存在一阶完全负自相关，帽-1，则 DW4；假设不存自相关，帽0，则 DW2，故 DW 越接近于 2，自相关性越小。查表可以知道 DW 统计量的临界值为 dL、dU。当 dLD-WdU 时，不存在自相关。2.3.3 DW 检验的局限只适用于一阶自相关检验存在不能判定的区域模型中含有因变量的滞后变量时，D-W 检验失效需要比较大的样本容量N152.3.4 EViews 进行自相关检验utut-1 vt;111其中 Vt N0，2 ，COVVt，Vt-1=0。记 ut 服从一阶自回归 AR1 。在 EViews 的估计窗口中输入带估计方
20、程 YC X1 X3 AR(1)。选择估计方法最小二乘法。AR1的 系数就 是的估 计值，Inverted AR Roots是残差自相关模型 1式的滞后算子多项式的根，这个根有时是虚数，但静态自回归模型的滞后算子多项式的根的模应该小于 1。DW 值为 2.0176，接近于 2，模型自相关问题解除。11东北财经大学东北财经大学 20162016 届本科毕业论文届本科毕业论文假设误差项存在高阶自相关，形如ut1ut-12ut-23ut-34ut-4 vt;1i1则应在估计方程对话框中输入 Y C X1 X3 AR(1) AR(2) AR(3) AR(4)假设形如下式的自相关ut4ut-4 vt;1
21、41应在估计方程对话框中输入 Y C X1 X3 AR(4)。这样就可以校正误差序列高阶自相关2.3.5 包含滞后变量的自相关检验待估计方程为 Y C X1 Y(-1) Y(-2)，输出结果如右图。查标准正太分布表得临界值 h/2=1.96。DWh （ 1-）2n*； 其中VAR（ ）项的标准误的平方1）为Y（-11-nVAR（ 1）*模型中的绝对值 h h/2，则拒绝原假设=0，说明自回归模型存在自相关，需对模型作进一步修改。绝对值 h h /2，则接收原假设=0，模型扰动项不存在一阶自相关。3、联立方程模型宏观经济的联立方程模型如下。消费方程：Ct01Yt2Ct-1u1t收入方程：Y C
22、I G投资方程：It01Yt-1 u2tttt1t在菜单栏上依次选择 ObjectsNew Object 命令，然后选择System 作为对象的类型，将该对象命名为 SYS01。12基于论文的计量需求基于论文的计量需求前两行输入 Ct，Yt 的估计方程，最终 Yt 只受 Ct-1Yt-1 ，Gt 的影响， 。而第三行输入 INST Ct-1Yt-1Gt 。 表示工具变量接下来选择 Estimate 按钮。有九种估计方法可供选择：OLS WLS SUR 2SLS WTSLS 3SLS FIML GMM White 协方差矩阵，用于截面数据GMMHAC 协方差矩阵，用于时间序列数据 ARCH。以下
23、图选择 2SLS 估计方法，单击确定，得到右图估计结果4、面板数据模型的建立及应用正常情况下，选择时序类进行建立workfile，录入数据后，选择ObjectNewObject， 选择 Pool 类型对象， 命名为 MBdata。在右图打开的窗口中输入 bi tj sh gd 标识。接着单击 Sheet 按钮，进入左以下图，输y？ ct？i？g？,再点击 ok 进入右下角图示界面,在该界面录入数据。13东北财经大学东北财经大学 20162016 届本科毕业论文届本科毕业论文录入数据后在 pool 窗口下单击 Estimate 按钮，按左以下图输入。点击确定。5、葛兰杰因果检验在进行 Grang
24、er 因果检验之前，必须对 Xt、Yt 进行 ADF 检验，如果序列非平稳，则需要先经过 1 次或多次差分使之平稳化，然后再对两个平稳化后的序列进行 Granger 检验。如果 Xt 与 Yt 为平稳的过程，对于模型Xt C1jXt-jjYt-j u1tYt C2jYt-jjXt-j u2tpj1qj1pq如果j=j=0j=1,q ，则 Xt、Yt 相互独立；14j1j112基于论文的计量需求基于论文的计量需求如果j=0，j0j=1,q ，则 Xt 为 Yt 的原因；如果j0，j0j=1,q ，则 Yt 为 Xt 的原因；如果j0，j0j=1,q ，则 Xt、Yt 互为因果。5.3 用 EVi
25、ews进行实例分析QuickGroup StatisticsGranger Causality Test，得到 Series List 对话框。在对话框中输入已录入的两个序列、X2 与 Y 经过 ADF 检验都是平稳的序列由 0.060.1，在 10%的显著性水平下拒绝零假设，即在 10%的显著性水平下认为 X2增长是 Y 增长的原因。GDP 与利率的 Granger 因果检验，GDP 是二阶差分平稳，一阶差分不平稳，故GDP 是2 阶单整的序列。利率 i 是一阶单整序列。对上述两个序列进行检验的结果如右上图所示，都无法拒绝原假设，故 gdp 的二阶差分与利率的一阶差分之间相互独立。6、协整检
26、验及应用Johansen 多变量极大似然法在考虑两个以上变量间的协整关系时， 能精确地确定出协整向量的数目，克服了 EG 方法的缺点。分析 ct 与 yt 时间序列之间的关系步骤如下。15东北财经大学东北财经大学 20162016 届本科毕业论文届本科毕业论文6.1 平稳性检验单位根检验Ct 与 yt 的 ADF滞后阶数选 2检验结果均显示不平稳，此时应对数据取对数取对数的好处在于：既可以将间距很大的数据转换为间距很小的数据，也便于后面取差分 ，主菜单中依次选择 QuickGenerate series 命令， 并输入 logyt=log yt ， 同样的方法得到 logct。由 ADF 单位
27、根检验可以知道 logct 与 logyt 都是一阶单整的序列。6.2 协整检验只有在当中检验发现两序列是同阶单整时，才可进入此步。假设两个序列为非同阶单整，则不可以进行协整检验。主 菜 单 中 依 次 选 择Quick EstimateEquation。输入估计方程 logytclogct ， 得到右图结果。接着在窗口中单击 Procs 按钮，选择 MakeResidual Series 命令对残差 resid01 进行提取和保存， 然后对残差进行 ADF 检验， 如右图可知，P 值=0.0631， resid01 在 10%的显著性水平下是平稳的序列。同样的方法协整 logct c log
28、yt，得到残差resid02，resid02 的 ADF 检验结果如右图。P 值=0.0618，检验可知 resid02 在 10%的显著性水平下是平稳序列。综合上述结果可以知道，两时间序列通过了协整检验。6.3 因果检验在workfile中按住Ctrl键同时选中logyt和 logct，右击，依次选择 Openas Group命令，在弹出的窗口中单击View按钮，并选择 Granger Causality 命令， 在弹出的对话16基于论文的计量需求基于论文的计量需求框中选择滞后阶数可根据以往的实证检验结果选择滞后阶数 ，单击 OK 按钮，结果如右图所示。与下面四个图比较后才选择了 5 阶滞后
29、项。 由 5 阶滞后项的 P 值可知 logyt 是 logct 变化的原因；而 logct 不是 logyt 变化的原因。首先提取残差，在主菜单中依次选择QuickEstimate Equation 命令，输入估计方程 yt c ct，然后选择 ProcMake Residualseries。提取出残差 resid03。再依次选择 QuickEstimate Equation 命令，输入估计方程 D(yt) c D(ct) resid03(-1)其中 D* ，表示*的差分序列，*-1表示*的滞后一阶。Resid03 的系数为-0.045573，P 值没有通过检验，没有纠正实际值与均衡值之间的
30、差异。假设能通过检验，则说明 ct 的实际值与均衡值或长期之间的差异约有 4.5573%得以纠正。一般来说，ct 随着 yt 变动，与本文上面的研究结论相同。假设要研究ct 与 yt 的联动效应，可以选择更新或更多的样本。17东北财经大学东北财经大学 20162016 届本科毕业论文届本科毕业论文7、GARCH 模型7.1 GARCH 模型的基本概念P 阶自回归条件异方程 ARCHp模型，其定义由均值方程和条件方程给出：均值方程：YtXtt222条件方程：Ht var（t ） .01t-12t-2pt-pt-1其中，t-1 表示 t-1 时刻所有可得信息的集合，ht 为条件方差。误差项t 的方
31、差由两部分组成，一个常数项和前 p 个时刻关于变化量的信息，该信息用前 p 个时刻的残差平方表示ARCH 项 。广义自回归条件异方差 GARCHp，q模型可以表示为：均值方程：YtXtt222条件方程：ht var（t ） .01t-12t-2pt-p1ht-1.qht-qt-17.2 沪深股市收益率的波动性研究7.2.1 描述性统计新建 Workfile，选择 Undated or Irregular 选项，在 sart observation 和 end observation 文本框中分别输入 1 和 n总的样本个数 。选择 File 菜单中的 Import ObservationRea
32、dText-Lotus-Excel命令，找到要导入的 Excel 文档，完成数据导入。在 EViews窗口主菜单栏下的命令窗口中输入如下命令：genr rh=log(sha/sha(-1)，同样的方法输入 genr rz=log(sza/sza(-1)，得到沪市 A、深市 A 收益率数据系列 rh、rz.双击 rh 序列，在新窗口中单击View 按钮，依次选择 Descriptive Statistics&TestsHistogram and Stats 命令，得到 rh 的描述性统计量由以下图可得之后表中数据rhrh、rzrz 描述性统计量描述性统计量序列名称均值标准差偏度18峰度Jarqu
33、e-Beva 的 p 值基于论文的计量需求基于论文的计量需求rhrz偏度均小于 0，有左偏的特点；标准正太分布的峰度值为 3，高于 3 说明序列有尖峰后尾特征。即右则厚尾Jarque-Beva 为正态性检验统计量，原假设该序列服从正态分布，由 JB 统计量对应的 p值等于 0 可知，两个序列拒绝正态分布的原假设，认为 rh、rz 的分布不是正态分布。7.2.2 平稳性检验对序列进行 ADF 单位根检验， 选择滞后 4 阶， 有截距项无趋势项。如右图所示。得到以下结果。在 1%的显著水平下，两市收益率 rt 都拒绝随机游走的假设，说明是平稳的时间序列数据。金融资产的价格一般是非平稳的，经常有一个
34、单位根随机游走 ，而收益率序列通常是平稳的。7.2.3 均值方程确实定及残差序列自相关检验通过对收益率的自相关检验，两市的收益率都与其滞后 1 阶存在显著的自相关有的用15 阶 ，因此对两市收益率 rt 的均值方程都采用如下形式：rt c rt-15 tQuickEstimation Equation，弹出对话框中输入 rh c rh(-1) ，选择 LS 普通最小二乘法估计方法。19东北财经大学东北财经大学 20162016 届本科毕业论文届本科毕业论文7.2.3.2 自相关的 Q 统计量检验用 Ljung-Box Q 统计量对均值方程拟合后的残差平方做自相关检验在 rh 回归结果窗口打开时
35、，单击 ViewResidual DiagnosticsCorrelogram-Q-Statistics命令，再选择 1 阶有的用 10 阶滞后则可得沪 A 收益率残差项的自相关系数 acF 值和pacF 值。深 A 的该值在 rz 回归结果窗口打开时做相应步骤可得 rz 那些值。如以下图所示。从上图可以知道。rh 残差平方序列的自相关系数 AC 和偏自相关系数 PAC在 2、4、5、6、8、10 处显著不为 0柱形较长处 。而rz 残差平方序列的 AC 和 PAC在 2、3、5、7、8、10 处显著不为 0.这些说明残差序列存在 ARCH 效应。如果柱形图中柱状在不断缩短，呈收敛的形式，说明
36、不存在 ARCH 效应。在 rh 回归结果窗口打开时，命令栏目输入 genr res1=resid2 ，双击 res1，打开该序列的窗口，点击 ViewGraph 选择 line 类型。得到 rh 残差平方线性图。类似步骤在 rz 回归结果窗口中继续也可得到 rz 残差平方线性图。20基于论文的计量需求基于论文的计量需求可见t 平方具有明显的时间可变性和集簇性，残差波动有聚类现象，在一些时间内该现象比较明显，说明误差项可能具有条件异方差性GARCH 效应 ，适合用 GARCH 类模型来建模。对残差进行 ARCH-LM 检验拉格朗日乘法检验在各个自回归窗口分别做以下步骤，ViewResidual
37、 DiagnosticsHeteroskedasticityTests，选择 ARCH，1 阶滞后，得到以下图结果。对 rz 也做相同步骤。ARCH-LM 统计量观察值分别为 0.150469、10.19075，相伴概率分别为0.0131、0.0014，均小于 0.05，拒绝没有 ARCH 效应的原假设。结果说明残差项的 p 值分别为 0.0130、0.0013,，均小于 0.05，故残差中 ARCH 效应是显著的。7.2.4 GARCH 类模型建模7.2.4.1 GARCH1,1模型的估计结果QuickEstimation Equation，弹出对话框中输入 rh c rh(-15)均值方程
38、即主体模型 ，选择 ARCH 估计方法。rh 估计结果如下：21东北财经大学东北财经大学 20162016 届本科毕业论文届本科毕业论文残差平方和项为 ARCH 项，ARCH 项和 GARCH 都是高度显著的，说明收益率序列具有显著的波动集簇性。沪市中 ARCH 项和 GARCH 项系数之和约为 0.936，小于 1。如右图可知深市中 ARCH 项残差平方和项与GARCH 项系数之和约为 0.986，也小于 1.因此 GARCH1,1过程是平稳的，其条件方差表现出均值回复，即过去的波动对未来的影响是逐渐衰减的。7.2.4.2 GARCH-M1,1的估计结果与之前步骤一样，但在ARCH-M 下选
39、择Variance，即可得 GARCH-M1,1的估计结果.22基于论文的计量需求基于论文的计量需求如上图所示，沪深两市均值方程中条件方差项 GARCH 的系数估计分别为-3.583622、-4.618932，但都不显著。此结果的出现可能是样本太少的缘故。GARCH 的系数估计通常为正的，且显著，反映收益与风险的正相关关系，说明收益有真的风险溢价。 哪个市场的系数越大 一般沪市大 ， 说明哪个市场的投资者更加厌恶风险，要求更高的风险补偿。7.2.4.3 EGARCH 估计EGARCH 估计与上述 GARCH 估计步骤相似，但在 model 下选择 EGARCH，如右图。得到 rh、rz 的 E
40、GARCH 估计如下。23东北财经大学东北财经大学 20162016 届本科毕业论文届本科毕业论文其中，t-1ht-1项的系数为C（5），沪、深两市的 C5分别为-0.155109、-0.107396，而且都是显著的，说明沪深股市中都存在杠杆效应。7.2.5 检验两市波动的因果性7.2.5.1 提取条件方差重复之前的 GARCH-M 模型的建模步骤， 依次选择主菜单栏中的 Procs Make GARCHVariance Series命令，得到rh 回归方程残差项的条件方差数据序列 GARCH01，同样的步骤得到 rz 回归方程残差项的条件方差数据序列 GARCH02.7.2.5.2 检验两市
41、波动的因果性在 workfile 中按住 Ctrl 键同时选中 GARCH01 和 GARCH02，右击，依次选择 Openas Group 命令，在弹出的窗口中单击 View按钮，选择 Granger Causality 命令，再选择滞后阶数 5 阶。得到以下图结果。我们无法拒绝 0 假设上市波动不是深市波动的原因， 但能拒绝 0 假设深市波动不是上市波动的原因。这初步证明了沪深股市的波动之间存在溢出效应，且是不对称、单向的。这说明是深圳市场的波动导致上海市场的波动，而不是相反。7.2.6 修正 GARCH-M 模型24基于论文的计量需求基于论文的计量需求在沪市 GARCH-M 模型的条件方
42、差方程中加入深市波动的滞后项，应该会改善估计结果。在 GARCH-M 估计的基础上于 Variance文 本 框 中 输 入 garch02(-1)garch02(-2)garch02(-3)garch02(-4)garch02(-5) ， 单击确认按钮。可以得到加入滞后项 GARCH02 后沪市GARCH-M 模型重新估计的结果，结果如下所示。25主要参考文献1.朱顺泉， 金融计量经济学及其软件应用 ，2012 年 9 月第 1 版。2. A. H. Student. Using Econometrics: A Practical Guide.5th Edition Copyright 2006 byPearson Education, Inc. John Y. Campbell, Andrew Wen-Chuan Lo, Archie Craig Mackinlay.The Ecomometrics of Financial Markets. Princeton University Press, 1997, 200326
