stata高級(jí)-配套講義分章節(jié)b6times

B6_TimeSB6_TimeS-Printedon2011-3-512 ******計(jì)量分析與Stata4 主講人：連博6 單 電郵 主頁: ::高級(jí)部分 計(jì)量分析與Stata應(yīng) 第六講 *--- ----* 6.1* 6.2ARIMA 6.3VAR* 6.4 6.5 6.6* 6.7GARCH cdd:\stata10\ado\ al\NetCourse\B6TimeS*時(shí)間序列數(shù)據(jù)的處 helpusegnp96.dta,listingenLgnp=L.gnptssetlistingenLgnp=L.gnp*usegnp96.dta,tssettsreport,dropinlistintsreport,tsreportreportlist/*列出存在斷點(diǎn)的樣本信息*/*tsreport,reportlistin1/12*usegnp96.dta,tssetlistin-10/-tsappend /*追加5個(gè)觀察值listin-10/-*reggnp96predictgnplistin-10/-1*tsset,****---滯后項(xiàng)、超前項(xiàng)和差分 helpusegnp96.dta,tssetgenLgnp= /*一階滯后genL2gnpL2.gnp96/*二階滯后genFgnp=genF2gnp=genDgnp=genD2gnp=listinlistin-10/-1*---產(chǎn)生增長(zhǎng)率變量:genlngnp=gengrowth=gengrowth2=(gnp96-gendiff=growth-listdategnp96lngnpgrowth*diffin1/10* **日期的格式help**基本時(shí)點(diǎn)：整數(shù)數(shù)值，如-3210123 ，取值為** 定 含 * 季 半 * *tssetuseB6tsset.dta,tssett, useB6tsset.dta, tssett, setobssetobsgent=replacet=t-localformat"tdtwtmtqthforeachfoflocalgent`f'=formatt`f'}listin *capdropgeneratemonth=m(1990-1)+n-formatmonthlisttmonthin1/20capdropgenyear=y(1952)+_n-formatyearlisttyearin1/20*設(shè)定不同的顯示格式help* %dtd %[-][t]d<描述特定的顯示格式** “<描述特定的顯示格式>”中可包含如下字母或字 cymlndjhq .,:-/' CYMLND *cand 世紀(jì)值(個(gè)位數(shù)不附加/附加yand 不含世紀(jì)值的年份(個(gè)位數(shù)不附加/附加 三個(gè)英文字母的月份簡(jiǎn)寫(第一個(gè)字母大寫 英文字母拼寫的月份(第一個(gè)字母大寫nand 數(shù)字月份(個(gè)位數(shù)不附加/附加dand 一個(gè)月中的第幾日(個(gè)位數(shù)不附加/附加jand 一年中的第幾日(個(gè)位數(shù)不附加/附加 一年中的第幾半年(1or 一年中的第幾季度(123orwand 一年中的第幾周(個(gè)位數(shù)不附加/附加displayablank下劃線 displayaperiod(句號(hào) displayacomma(逗號(hào) displayacolon(冒號(hào) displayadash短線 displayaslash(斜線 displayaclosesinglequote(右引號(hào) displaycharacterc(code!!todisplayanexclamation ***Sampledatein***July7,*****%twCY,2010,**Sampledatein*****%dMJuly11, %ddM11July * setobsgent=n+listtin formatt%dCY-N-D/*1978-02- listtin1/5 formatt%dcy_n_d/*19782 listtin1/5useB6_tsset,tssett,format(%twCY-*usee1920.dta,listyearmonthinsortyeargentime=tssetlistyearmonthtimein1/30 generatenewmonth=m(1920-1)+time- tssetnewmonth, listyearmonthtimenewmonthin1/30 *--- helpdatesandtimes helptime-seriesfunctions*以下適用于STATA9.2*--時(shí)間序列日期概 help*--將文字變量轉(zhuǎn)換為日 *--利用年、月、季度轉(zhuǎn)換日期 *--日期轉(zhuǎn)換函 * **help*例setsim_armaar2,ar(0.70.2)simarmama2,ma(0.7tssettslinear2*亦可采用twowayline命令繪制，但較為twowaylinear2ma2t*例2sysusetsline2,tsset#delimittslinecalories,ttick(28nov200225dec2002,ttext(347028nov2002347025dec2002"x-mas",#delimit*例3sysusetsline2,tssettslinecalories,tline(28nov2002*twowaylinelocald1=locald2=linecaloriesday,xline(`d1'`d2') *例4：改變 tslinecalories,tlabel(,format(%tdmd))ttitle("Date tslinecalories,tlabel(,format(%td))B6_TimeS-B6_TimeS-Printedon2011-3-5 ******計(jì)量分析與Stata 主講人：連博 單 電郵 主頁: ::高級(jí)部分 計(jì)量分析與Stata應(yīng) 第六講 6.2ARIMA * ARIMA模 help**AR過程與MA*--* **AR過程(自回歸過程*AR(1):y_t=rho*y_{t-1}+*AR(p):yt=r1*y{t-1}+r2*y{t-2}+...+rp*y{t-p}+utsim_armay_ar,ar(0.9)lineyart,yline(0)**自相關(guān)系數(shù) Cov[yt,y rs=------------------ *偏自相關(guān)系數(shù) yt=a11*y{t-1}+u yt=a21*y{t-1}+a22*y{t-2}+u yt=ak1*y{t-1}+ak2*y{t-2}+...+akk*y{t-k}+u**PACF為{a11a22a33*相當(dāng)于控制其它滯后項(xiàng)的影響后，得到的“凈”*acy /*AR過程 ACF具有“拖尾”特征，長(zhǎng)pac /*AR過程的PACF具有“截尾”特征*評(píng)論：根據(jù)AC和PAC圖形可以初步判斷某個(gè)序列是否為AR (1)AC圖“拖尾 (2)PAC圖“截?cái)唷?截?cái)嗵帉?duì)應(yīng)的階數(shù)就是AR的滯后階數(shù)*MA過程(移動(dòng)平均過程 *MA(1):y_t=theta*u_{t-1}+*MA(q):yt=theta1*u{t-1}+theta2*u{t-2}+...+thetaq*u{t-q}+usimarmayma,liney_ma_t,yline(0)acy /*MA過程 ACF具有“截尾”特征，短期pacy /*MA過程的PACF具有鋸齒型“拖尾”特征**定義：協(xié)方差穩(wěn)定(Covariance aE[y_t bVar[yt cCov[yt,yt+s是s的有限函數(shù)，但與t*穩(wěn)定的AR過程和MA*ARIMA ytxt*bu u_trho*u_{t-1theta*v_{t-1 一階移動(dòng)平 白噪**很多情況下，模型設(shè)定中并不包含解釋變量,此時(shí)ARMA(1,1) y_t=a+rho*y_{t-1}+theta*v_{t-1}+**usewpi1.dta,ddfullergendwpi=dfullerd*ARMA(1,1,1)模型由于原始序列包含單位根，所以要采用ARIMAarimawpi,*另一種設(shè)定方式,arimadwpi,ar(1)ma(1)**LL值，AIC準(zhǔn)則，BIC準(zhǔn)*LL越大越好AIC和BIC*AIC2*ln(L /*ln(L)對(duì)數(shù)似然值；k參數(shù)個(gè)數(shù)；N樣本數(shù)*BIC=-2*ln(L)+*BIC更傾向于篩選出“精簡(jiǎn)的”*產(chǎn)生模擬數(shù)據(jù)：ARMA(2,1)setseedsimarmayarma21,ar(0.8)ma(0.2)*估計(jì)ARMA(1,1)模型arimay_arma21,ar(1)*estat *估計(jì)ARMA(2,1模 arimayarma21,ar(12) estat ret matlist mats= dis"AIC=" **例1tssetmatb=localp=forvaluesi=forvaluesj=matb[`p',1]=B6_TimeSB6_TimeS-Printedon2011-3-5 matb[`p',2]= quiarimayarma21,ar(1/`i') eststore quiestat matS= matb[`p',3]=(S[1,5], localp=`p'+ matcolnamesb=ARMAAIC matlist localmmarma11arma12arma21arma22arma31 esttab`mm',mtitle(`mm')compressnogapscalar(llaicbic)*例2：真實(shí)數(shù)據(jù)——零售價(jià)格指usewpi1.dta,tssetlinewpilineD.wpilineD.lnwpiacD.ln_wpi/*包含AR過程/ * localy locala= localb= forvaluesi= forvaluesj= if`j'== localma localma quiarima`yar(1/`i`ma'/*填寫變量名稱 eststore *quiestat localmmarma10arma11arma20arma21arma30 esttab`mm',mtitle(`mm')compressnogapscalar(llaicbic) * *(1本例中，AIC和BIC判斷的結(jié)論一致，都是選擇ARMA(1,1 *(2多數(shù)情況下，ARMA(1,1*季節(jié)效應(yīng)usewpi1.dta,setschemetssetlinewpilined.wpit,acD.ln_wpiylabels(-0.4(0.2)0.6)/*注意前四階pacD.lnwpi,ylabels(-0.4(0.2)0.6)arimaD.lnwpi,ar(1)eststorearimaD.lnwpi,ar(1)ma(1eststorearimaD.lnwpi,ar(1)eststorearma11234 localmm"arma11arma114 esttab`mm',mtitle(`mm')scalar(llaicbic)nogap *此時(shí)，我們發(fā)現(xiàn)，選擇ARMA(1,(1,4)) *注意資料的特性:季節(jié)資料通常會(huì)呈現(xiàn)出“季節(jié)效應(yīng) 月度資料有時(shí)也會(huì)呈現(xiàn)出“月度效應(yīng)*usewpi1.dta,arimaD.ln_wpi,ar(1)ma(1capdropcapdropycapdropyhatdy * predictyhat0 /*y*/*listin-15/-tsappend,listin-15/-predict /*y的樣本外一步預(yù)測(cè)值listin-15/-1 genDlnwpi=D.ln predictyhatdy0dynamic(124)/*動(dòng)態(tài)預(yù)測(cè) * 當(dāng)t<123時(shí)，采用yt t>=123y_t predictyhatdy5,dynamic(120) listin-20/-1 ******計(jì)量分析與Stata 主講人：連博 單 電郵 主頁: ::高級(jí)部分 計(jì)量分析與Stata應(yīng) 第六 時(shí)間序列分 6.3VAR模型 cdd:\stata10\ado\ al\NetCourse\B6TimeS *向量自回歸(VAR) 簡(jiǎn)介 *結(jié)構(gòu)型VAR模型與縮減型VAR*結(jié)構(gòu)型 S*Yt=C+SUMSi*Yt-p+R*Xt+E ** Yt[y1ty2t...yMt，是一個(gè)MxT維列向量M個(gè)內(nèi)生 Xtx1tx2t...xKt]，是一個(gè)MTxK維矩陣，表示外生變 E_tu1_tu2_t...uM_t，是一個(gè)MxT維列向量(干擾項(xiàng)*縮減型**若S矩陣可逆，則(1* Yt=C+SUMAi*Yt-p+B*Xt+U ** Ai=inv(S)*S = * (1SVAR (2) 縮減型 * Yt=C+SUMAi*Yt-p+B*Xt+U **Yty1ty2t...yMt，是一個(gè)MxT維列向量M*Xtx1tx2t...xKt]，是一個(gè)MTxK*U_tu1_tu2_t...uM_tMxT維列向量(干擾項(xiàng)*模型(1**Y_t=C+A_1*Y_t-1+...+A_p*Y_t-p+B*X_t+****y1_t=c10+a1*Y_t-1+...+ap*Y_t-p+b11*x1_t+...+b1k*xk_t+*y2t=c20+a1*Yt-1+...+ap*Yt-p+b21*x1t+...+b2k*xkt+u1*... ...*yMt=cM0+a1*Yt-1+...+ap*Yt-p+bM1*x1t+...+bMk*xkt+uM** E(Ut)= E(Ut*Ut 各個(gè)干擾項(xiàng)之間^存在^同期相關(guān) E(U_t*U_s0ts各個(gè)干擾項(xiàng)之間以及自身^不存在^_跨期_*--* 系 n1=M^2*p+M*(K+1) n2[M*(M+1)]/2* 若Tn1n2 *=估計(jì)VAR *step1 uselutkepohl.dta, tsset varsocdlinvest edlconsumption *stpe2:估計(jì)模 varbasic edlconsumption, eststore *說明 varbasic默認(rèn)滯后階數(shù)為2，即自動(dòng)附加lags(1/2*reg3(dlinvL(1/2).dlinvL(1/2).dlincoL(1/2).dlconsu)(dlincoL(1/2).dlincoL(1/2).dlinvL(1/2).dlconsu)(dlconsL(1/2).dlconsL(1/2).dlinveststore* *亦可使用var var edlconsumption eststorevar esttabreg3var*,nogap *-- varbasicdlinvestment edlconsumption *--脈沖響應(yīng)圖形（未正交化 varbasic edlconsumption, * irfgraphirf,lstep(1)**F值和tvar edlconsumption,lag(1/2)**默認(rèn)設(shè)定下，在估計(jì)方差-協(xié)方差矩陣時(shí)，采用大樣本下的1/T*使用dfk選項(xiàng)后，采用1/(T-m調(diào)整自由度，mvar edlconsumption,eststore /*多數(shù)t值變小了，即標(biāo)準(zhǔn)誤變大了esttabvarvardfk,mtitle(varvardfk)nogap *--包含外生變量的VAR *假設(shè)消費(fèi)(dlconsumption) vardlinvest e,exog(dlconsumption)lag(1/2)small*Blanchard(1989)*y--GDP；u--失業(yè)率；p--物價(jià)指數(shù)；w--工資；m--*s1-s3useBlanchard.dta,tssetdvard.yud.pd.wd.m,exog(ts1s2s3)lags(123) *VAR模型相關(guān)檢驗(yàn)*uselutkepohl.dta,var edlconsumption,lag(1/2)dfkvarstable /*圖示模的分布varstable,graphvarstable,graphmodlabel*uselutkepohl.dta,var edlconsumption,lag(1/2)dfkeststore /*檢驗(yàn)特定滯后階數(shù)的聯(lián)合顯著性*評(píng)論：dlinvest e方程僅設(shè)定一階制后即*constraintdefine1[dlinvestment]L2.dlinvest=constraintdefine2 e=constraintdefine3[dlinvestment]L2.dlconsumption=constraintdefine4 e]L2.dlinvest=constraintdefine5 e=constraintdefine6 e]L2.dlconsumption=var edlconsumption,lag(1/2)dfksmalleststorevarC esttabvar0varC,mtitle(var0varC)scalar(llaichqicsbic) eret*uselutkepohl.dta,var edlconsumptionifqtr<=q(1978q4),lag(1/2)dfk 三個(gè)統(tǒng)計(jì)量均無法殘差服從正態(tài)分布的原假var edlconsumption,lag(1/2)dfk **VARuselutkepohl.dta,var edlconsumptionifqtr<=q(1978q4),lag(1/2)dfkvarlmar, *==因果檢驗(yàn)*基本思想：若x是y的Granger 則在給定y的滯后項(xiàng)的前提下，x的滯后項(xiàng)仍有助于解釋yuselutkepohl.dta,var edlconsumption,lag(1/2)dfk*test e test[#2]L.dlconsumption*使用[accumatlate]test[#2]L.dlinvestment[#2]L2.dlinvestment,accumulate *==預(yù)測(cè) uselutkepohl.dta, vardlinvest edlconsumption,lag(1/2)dfksmall*--樣本外一步(onestep)預(yù)*y *yfL*yfU*y_f_sevarfcastlistdlinvestmentdlinvestmentfdlinvestmentf dlinvestment_f_Udlinvestment_f_sein91/93*--樣本內(nèi)一步預(yù)測(cè):dynamic()選uselutkepohl.dta,var edlconsumption,lag(1/2)dfkvarfcastcompute,listdlinvestmentdlinvestment efdlconsumptiondlconsumptionfin4/7 *多步預(yù)測(cè):dynamic()選項(xiàng)+step() uselutkepohl.dta, var edlconsumption,lag(1/2)dfk varfcastcompute,dynamic(85) listdlinvestmentdlinvestment ef dlconsumptiondlconsumptionfin83/95 *==脈沖響應(yīng) *Basicidea Thefollowingtypesofimpulse-responsefunctionsaremodelssimplefollowingsvar,var,ororthogonalizedfollowingsvar,var,or dynamic following cumulative followingsvar,var,or cumulative,orthogonalized followingsvar,var,or cumulative,dynamic following structuralIRFs followingsvaronly Thefollowingtypesofforecast-error positionsare modelsfitting Cholesky followingsvar,var,or structuralFEVDs followingsvaronly *--Basic*step1:estimateVARuselutkepohl.dta,var edlconsumption,lag(1/2)dfk*step2:createIRFirfcreateorder1,step(10)set(myirf1)*step3:irfgraphoirf, e)response(dlconsumption)**(1)"irfcreate"createdfilemyirf1.irf,saveresults*(2)"order1"(see *--changeorderof irfcreateorder2,step(10) edlinvestdlconsumption) irfgraphoirf,irf(order1order2)impulse( e)response(dlconsumption) *--showresultsintable irftableoirf,irf(order1order2) e)irftablecoirf,irf(order1irftablecoirf,irf(order1order2)e)*--BoostrapStandardvar edfk irfcreateasymp,step(8)set(result1) irfcreatebs,step(8)bsreps(200)*Confidenceirfctable eoirf) e*Standardirfctable eoirf) eoirf),noci*Combineirfcgraph eoirf) eoirf) efevd) e******計(jì)量分析與Stata 主講人：連博 單 電郵 主頁: ::高級(jí)部分 計(jì)量分析與Stata應(yīng) 第六講 6.3VAR模型 cdd:\stata10\ado\ al\NetCourse\B6TimeS *結(jié)構(gòu)型VAR **縮減型VAR模型只能描述各個(gè)內(nèi)生變量yt*著重的是內(nèi)生變量的“跨期”*并不考慮內(nèi)生變量的“同期”*因此無法呈現(xiàn)內(nèi)生變量之間的“因果關(guān)系*而采用結(jié)構(gòu)型VAR模型(SVAR)* A*y_t=SUMA_j*y[t-j]+ * Var(e_tSigmaB*B'(正交分解，B是一個(gè)下三角矩陣* et=B*ut（ut稱為“正交單位創(chuàng)元”)* Var(u_t)=I_t(單位矩陣)，u_t是一個(gè)向**(1* A*yt=SUMAj*y[t-j]+B*u **設(shè)Var(v_t)=S,即，v_t--N(0, 其中，vtA^{-1}*et即(1)式對(duì)應(yīng)的縮減型VAR**由于S為正定矩陣，所以可進(jìn)行分解如下：S=*由(3式可得：PA^{-*因此，根據(jù)VAR估計(jì)得到的殘差的方差-協(xié)方差矩陣S，我們可以進(jìn)而得到A和 * *(1A是一個(gè)下三角矩陣，B (2)通常將A矩陣的對(duì)角元素設(shè)定為 *3A矩陣的非對(duì)角元素反映了變量間的“同期” *SVAR (1)A (2)B 因此，我們事實(shí)上對(duì)干擾項(xiàng)et進(jìn)行了正交分解，得到了“單位正交創(chuàng)元”u 這使得我們可以分析ut *例1短期恰足確認(rèn)結(jié)構(gòu)型VAR模型(short-runjust-identifiedSVARmodel) *所謂“短期”，是指通過對(duì)A矩陣施加約束條件，來反映變量間的“同期” *所謂“長(zhǎng)期”，是指通過對(duì)CA^{-1}*B**模型yt=e,* |100 |.0*A=|.10 B=|00 |..1 |0. * (1)當(dāng)期投資(invest)不受收入 e)和消費(fèi)(consumption)的影 *(2)收入 e)受當(dāng)期投資(invest)的影響，但不受當(dāng)期消費(fèi)(consumption)的影 e)的影 uselutkepohl.dta, matA=(1,0,0\.,1,0\ matB=(.,0,0\0,.,0\matlistmatlistsvar edlconsumption,aeq(A)eststorematlistmatliste(B)**(1)“Exactlyidentified 下三角矩陣A中恰好有3*(2)a21表示A矩陣中第2行第1*3)Aj的系數(shù)可以通過varsvardlinvestment edlconsumption,aeq(A)beq(B)var * irfcreatesv01,step(10)set(myirf01) irfgraphoirf,irf(sv01) e) irfgraphcoirf,irf(sv01)impulse( e)response(dlconsumption) *(2010.01.06更新 irftablefevd,irf(sv01)impulse( e)response(dlconsumption) *例2短期過度確認(rèn)結(jié)構(gòu)型VAR模型(short-runover-identifiedSVARmodel)*模型yt=e,* |100 |.0*A=|010 B=|00 |..1 |0.**(1)當(dāng)期投資(invest)不受當(dāng)期收入 e)和消費(fèi)(consumption)的影*(2)當(dāng)期收入 e)不受當(dāng)期投資(invest)和消費(fèi)(consumption)的影*(3)當(dāng)期消費(fèi)(consumption)同時(shí)受到當(dāng)期投資(invest)和收入 e)的影uselutkepohl.dta,matA=(1,0,0\0,1,0\matB=(.,0,0\0,.,0\matlistmatlistsvaredlconsumption,aeq(A)eststorematlistmatlist**LRtestof*LR=2(LLvar-LLsvar)--*where,qisthenumberofvoeridendifying*例3帶有約束條件的短期結(jié)構(gòu)型VAR模型(Short-runSVARmodelwithuselutkepohl.dta,var edlconsumption,*Review:(1)mostcoefficientsineq1are (2)someofcoefficientsineq2are*wecanrestrictthesecoefficientstobeconstraintdefine1[#1]L2.dlinvestment=constraintdefine2 e=constraintdefine3 e=constraintdefine4[#1]L1.dlconsumption=constraintdefine5[#1]L2.dlconsumption=constraintdefine6 e=constraintdefine7 e=constraintdefine8[#2]L2.dlconsumption=constraintdefine9[#3]L2.dlconsumption= svardlinvestment edlconsumption,aeq(A)beq(B)varconstraints(1/9) eststoresvar03 svardlinvestment edlconsumption,aeq(A)beq(B)varconstraints(1/9)var * localmmsvar01svar02 esttab`mm',mtitle(`mm') *例4--長(zhǎng)期結(jié)構(gòu)型VAR模型(Long-runSVAR *A*y_t=SUMA_i*y_t-i+ * A(I_k-A1*L-A2*L^2-...-Ap*L^p)y_t= *設(shè)：et=B*u (Ik-A1*L-A2*L^2-...-Ap*L^p)yt=inv(A)*e = =C*u *C *A1:unexpectedchangesinmoneysupplyhavenolong-runeffects onchangesinoutput; *A2:unexpectedchangesinoutputhavenolong-runeffects onchangesinmoneysupply; *Which |.0 C= |0. usem1gdp.dta, matC=(.,0\ svard.ln_m1d.ln_gdp,lreq(C) matC=(.,0\.,.) /*assumegdphaseffectonm1*/ svard.lnm1d.lngdp,lreq(C) matC=(.,.\0,.) /*assumem1haseffectongdp*/ svard.lnm1d.lngdp,lreq(C)

計(jì)量分析與Stata應(yīng)用主講人：連博單位：中山大學(xué)嶺南學(xué)院金融系電郵:主頁 ::高級(jí)部分計(jì)量分析與Stata應(yīng)第六講6.4 簡(jiǎn)介 *------目錄 *-白噪聲過程(WhiteNoise，WN) *-隨機(jī)過程(RandomWalk，RW) *-趨勢(shì)平穩(wěn)過程 *-偽回歸 *===白噪聲(WhiteNoise) *yt=et et--IID(0,1) *E(y = *Var(yt)= *因此,WN序列是平穩(wěn) *平穩(wěn)序列的特征: setobs geny1= geny2=invnorm(uniform())+sin(2*pi*(n-1)/10) gent=_n tsset liney1t,yline(0) liney2t,yline(0) liney1y2t,yline(0) *-- *wntestb(Bartlett'speriodogram-basedtestforwhitenoise) wntestby1 wntestby1table/*列表 wntestb *wntestq(Portmanteau(Q)testforwhitenoise,LjungandBox,1978) wntestqy1 wntestq wntestqy1, *統(tǒng)計(jì)量為chi2(m)m為滯后 *LjungandBoxQ統(tǒng)計(jì)量也可以采用圖示的方法 corrgramy1 corrgramy1,lags(20) corrgram /*有明顯的序列相關(guān)特征 *===隨機(jī)過 *標(biāo)準(zhǔn)化隨機(jī)過程(standardizedrandomwalkprocess) *w_t=w_t-1+e_t, w_0=0, e_t--IID(0,1) *wt=wt-2+et-1+et *wt=wt-3+et-2+et-1+et *...... *w_t= +(e_1+e_2+...+ *即，wt *Var(wtt非平穩(wěn)，且t無窮，則Var(wt *set setobs gent= tsset geny0=invnorm(uniform()) /*W.N.*/ simarmay1,ar(0.9) /*AR(1)*/ sim_armay2,ar(1) /*R.W.*/twoway(liney0t)(liney1t)(liney2t),legend(label(1"WN")lab(2"AR(0.9)")"RW") *隨 過*y_t=y_t-1+e_t,y_0=0,e_t--*Var(yt)=capdropsim_armay3,ar(1)twoway(liney0t)(liney1t)(liney2t)y3t),legend(label(1"WN")lab(2"AR(0.9)")"RW")lab(4*帶有飄移項(xiàng)的隨 *yt=c0+yt-1+e**y_t=++*yt=c0++yt-+et-+e*yt=c0+c0++yt-+et-2+t-1e ...***yt=m*c0+yt-+SUM***setobsgent=tsset*yt=0.1+yt-1+ugenu=geny=forvaluesi=quireplacey=0.1+y[`i'-+uift}* xt=0.1*t+ugenx=0.1*t+labelvarylabelvarxWNtwoway(lineyt)(linextssetregyeststoreregyeststoreregyL.yeststoreregxeststoreregxeststoreregxL.x eststorextlag localmm"ylagytytlagxlagxtxtlag" esttab`mm',mtitle(`mm')compress * *(1regzL.z *(2RW中，t *(3而在包含時(shí)間趨勢(shì)的平穩(wěn)序列中，t *=RW *--平穩(wěn)序列具有均值回復(fù)的特征，而RWB6_TimeSB6_TimeS-Printedon2011-3-5 *--1262*===對(duì)估計(jì)結(jié)果的影響： adopath+d:\stata10\ado\al\NetCourse\B6TimeS *一個(gè)簡(jiǎn)單的實(shí)例 setobs simarmay, sim_armax, regy twowaylineyt||linext * *(1)二者“似乎” *(2)但D-W *---一個(gè)模擬分析---GrangerandNewbold(1974)[T]p.356 隨機(jī)產(chǎn)生兩個(gè)序列y和x，然后regyx，記錄b,t,R2和DW 重復(fù)上述過程300 *-模擬A：兩個(gè)"平穩(wěn)"序列 y-N(0,1);x-N(0,1) doeditB6simregr.ado simulate bs=r(b)ts=r(t)r2s=r(r2)dws=r(dw),/// rep(300)dots genid= quisort saveB6simregr.dta,replace *-模擬B：兩個(gè)"非平穩(wěn)" doeditB6simreg simulate"B6simreg bu=r(b)tu=r(t)r2u=r(r2)dwu=r(dw),/// rep(300)dots saveB6simregu.dta,replace useB6simregu.dta,clear genid=n quisort mergeidusingB6simregr.dta dropmergeid *- * twoway(kdensityb_s,lwid(thickkdensityb_u,lwid(thick legend(lab(1"b—穩(wěn)定序列")lab(2"b—非穩(wěn)定序列")) *t twoway(kdensityt_s,lwid(thickkdensityt_u,lwid(thick legend(lab(1"t—穩(wěn)定序列")lab(2"t—非穩(wěn)定序列")) *R2 twoway(kdensityr2_s,lwid(thick)kdensityr2_u,lwid(thick) legend(lab(1"R2—穩(wěn)定序列")lab(2"R2—非穩(wěn)定序列")) *D-W值通常都非常接近于0 twoway(kdensitydw_s,lwid(thick)kdensitydw_u,lwid(thick) legend(lab(1"D-W—穩(wěn)定序列")lab(2"D-W—非穩(wěn)定序列")) *--- *若兩個(gè)時(shí)序變量回歸得到的R2 但D-W值接近于0，則很可能是“偽回歸 ******計(jì)量分析與Stata 主講人：連博 單 電郵 主頁: ::高級(jí)部分 計(jì)量分析與Stata應(yīng) 第六 時(shí)間序列分 6.5 cdd:\stata10\ado\ al\NetCourse\B6TimeS *單位根過程（隨機(jī) y_t=y_t-1+e_t, e_t--IID(0,sigma^2) yt=c0+yt-1+et, *----- * *-D-F檢驗(yàn)（Dickey-Fullert- *-ADF檢驗(yàn)（AugmentedDickey-Fullertest） *-DF-GLS（modifiedDickey-Fuller） *PP *KPSS * * *- *- *-- *=D-F *yt=a0+rho*yt-1+deta*t+ut(1) *OLS*==*==AugmentedDickey-Fullerunit-*H0yt*H1：yt*1式兩邊同時(shí)減去yt-1**D.yt= +b*yt-1++(c1*D.yt-1+c2*D.yt-2+...+ck*D.yt- *注意：brho-*四種形式：對(duì)應(yīng)不同的真實(shí)數(shù)據(jù)生成過程(DGP)**形 processunder 參數(shù)限 dfuller選**1RW,無漂移a=0,*2RW,無漂移(默認(rèn)設(shè)置*3RW,有漂移*4RW,有或無漂移無* *說明 (1Case2Case3中，回歸時(shí)都會(huì)加入常數(shù)項(xiàng)，但臨界值的計(jì)算不同 Case1Case2中，計(jì)算臨界值時(shí)，原假設(shè) Case3a!=0 uselutkepohl.dta, dfullerlconsumption /*ln(消費(fèi))為單位根過程*/ dfullerlconsumption,regress /*Case2*/ dfullerlconsumption,regresslag(3) dfullerlconsumption,regresslag(3)trend/*Case4*/ dfullerlconsumption,regressnocon /*Case1*/ dfullerlconsumption,regressdrift /*Case3*/ dfullerlconsumption,regress/*case2,請(qǐng)與Case3的臨界值對(duì)比

所以，Case4在本例中比較合適ln(消費(fèi))的一階差分是平穩(wěn) dfuller dfullerD.lconsumption,trend *---modifiedDickey-Fullert-test(Elliot,etal.,1996,Econometrica) *Ho：yt *H1：yt 形式1：趨勢(shì)平穩(wěn)（即，包含一個(gè)時(shí)間趨勢(shì)項(xiàng) 形式2：一般平穩(wěn)（不包含時(shí)間趨勢(shì)項(xiàng)）加入notrend1445*先對(duì)數(shù)據(jù)做一定的轉(zhuǎn)換(GLS) dfgls dfgls *---Phillips-Perronunit-roottest(Phillips-Perron,1987)

yt=a+b*t+rho*yt-1+e特點(diǎn)：采用Newey-West(1987)dfuller命令則通過放入多個(gè)差分滯后項(xiàng)來控制序列相關(guān)問題 *形 processunder 參數(shù)限 a=0,deta=0 RW,有或無漂移 *事實(shí)上，Case3是Case4 pperron pperronlconsumption,lag(4) pperronlconsumption,lag(4)trendregress pperronlinvest,lag(4)trendregress pperronD.linvest,lag(4)regress *考慮離群值的單位根檢驗(yàn)Vogelsang *Vogelsang,T.J. TwoSimpleProceduresforTestingforaUnitRoot WhenThereareAdditiveOutliers. *JournalofTimeSeriesysis20:237-1486 如果序列中有結(jié)構(gòu)斷點(diǎn)，如石油等，會(huì)導(dǎo)致傳統(tǒng)的單根檢定過度接受 *dfao usepervog92.dta,clear linelfiuscpiyear dfullerlfiuscpi lfiuscpi/*無法 dfaolfiuscpi dfaolfiuscpi,notrlev(90) dfaolfiuscpi,notrlev(90)reg *-- *Zivot-Andrews(1992) *Andrews,D.,Zivot,E. FurtherevidenceontheGreatCrash,theoilpriceshock,and theunit-roothypothesis. JournalofBusinessandEconomicStatistics10,251-70.

Ho:yt=yt-1 +d1*DTB1t+utH1:y_t=c0+c1*t+d1*DTB_1t+ * y_t=c0+rho*y_t-1+d1*DTB_1t+u_t usewpi1.dta, linewpi linelnwpi dfullerln ln zandrewsln_wpi/*無法原假設(shè)：存在單根*/ zandrewslnwpi,graph zandrewslnwpi,lagmethod(BIC) zandrewslnwpi,break(trend) zandrewsln_wpi,break(trend)graph *Clemente,Montanes,andReyes(1998)*基本思想：對(duì)PerronandVogelsang(1992)方法進(jìn)行* Ho:yt=yt-1+d1*DTB1t+u* H1:yt=c0+d1*DTB1t+u*** yt=c0+rho*yt-1+d1*DTB1t+u*usewpi1.dta,linewpiclemao1wpi,clemio1不平穩(wěn)dfuller平穩(wěn)dfgls不平穩(wěn) *Clemente,J.,Montanes,A.,Reyes,M., *Testingforaunitrootinvariableswithadoublechangeinthemean. *EconomicsLetters59,175-182. *基本思想：對(duì)PerronandVogelsang(1992)方法進(jìn)行 Ho:y_t=y_t-1+d1*DTB_1t+d2*DTB_2t+ H1:yt=c0+d1*DTB1t+d2*DTB2t+u * yt=c0+rho*yt-1+d1*DTB1t+d2*DTB2t+ut usewpi1.dta, clemao2wpi, clemao2D.wpi, dfullerD.wpi/*平穩(wěn) dfglsD.wpi /**/ * (1在允許兩個(gè)結(jié)構(gòu)突變的情況下，D.wpi (2)dfuller檢驗(yàn)結(jié)果似乎比較穩(wěn)健，相對(duì)于 ******計(jì)量分析與Stata 主講人：連博 單 電郵 主頁: ::高級(jí)部分 計(jì)量分析與Stata應(yīng) 第六講 6.6 cdd:\stata10\ado\ al\NetCourse\B6TimeS 協(xié)整分 *簡(jiǎn)介 *協(xié)整的定義：若yt,xt均為I(1)過程，對(duì)于如下模型 yt=a+b*xt+et *1若et是I(1過程，則“偽回歸 *2若二者的線性組合(ztytab*xt是I(0

則稱yt和xt存在協(xié)整關(guān)系，協(xié)整向量為(1,- ** y_t=b*x_t+|corr(u_t,v_t)= xt=xt-1+v|ut,vtare**顯然，xt和yt都是I(1*但z_ty_tb*x_tu_t卻是I(0*因此，y_t和x_t存在協(xié)整關(guān)系，協(xié)整向量為(1,-**式* =-1*(y_t-1-b*x_t-1)+(b*v_t+*=-zt+e(ztyt-1b*xt-1稱為協(xié)整方程 D.x=v*VECM**D.y_t=alpha*z_t-1+**zt-1=(yt-1-b*xt-1)+(c0+**長(zhǎng)期均衡關(guān) 時(shí)間趨****D.y_t=alpha*(y_t-1-b*x_t-1+c1+r1*t)+SUM(g_i*D.y_t-i)+**調(diào)整速度長(zhǎng)期均衡關(guān) 短期動(dòng)態(tài)關(guān) ** 釋*(1當(dāng)zt0時(shí)，整個(gè)系統(tǒng)處于均衡態(tài)；zt！=0*(2alpha表示yt和xt*(3g_i反映了y_t和x_t*setsetobssimarmax,ar(1)geny=0.6*x+twowaylineyt||linexsaveB6simcoin.dta,**y和0.6x亦步亦趨，二者的間距決定于utsetsetobssimarmax,ar(1)geny=0.6*x+twowaylineyt||linex*進(jìn)一步的解釋 如收入(y_t)和消費(fèi) 雖然二者通常都為I(1)過程，但消費(fèi)占收入的比例卻是一個(gè)非常穩(wěn)定的數(shù) 因此，ln(yt/ztln(yt)-ln(zt通常I(0)，即平穩(wěn)過*例：四州的房usetxhprice.dta,*-四個(gè)州房?jī)r(jià)的時(shí)序特tssetlineaustindallashoustonsa*例：中國(guó)三省的人均usegdpChinaTS.dta,dlineshanhuihenan *---協(xié)整分析 *-1-Johans檢 * *N個(gè)序列構(gòu)成一個(gè)VAR(K) *xt=SUM{Bi*xt-i}+f*Dt+m0+m1*t+et *(t=1,...,T *我們可以把這個(gè)VAR模型表示成如下差分形式 *d.xt=SUM{Gi*d.xt-i}+P*xt-1+f*Dt+m0+m1*t+et P= B表示(r A表示相應(yīng)的權(quán)重矩 *Johans檢驗(yàn)的依據(jù):rank(A*B') *如果rank(A*Br表明存在r *rank決定于矩陣A*B'中非零特征根的個(gè) *--例1：模擬數(shù)據(jù)—— useB6simcoin.dta,clear *=第一步 varsocyx *=第二步：確定協(xié)整關(guān)系的個(gè) vecrankyx,lags(1)/*stata命令*/ *=第三步：估計(jì)VEC模型（長(zhǎng)期關(guān)系和短期關(guān)系 *D.yt=alpha*(c0+yt-1+beta*xt-1)+SUM(D.yt-j+D.xt-j) *y 調(diào)整速 協(xié)整方程：長(zhǎng)期均衡關(guān) 短期關(guān) vecyx *D.y=-1.023*(0.079+y-0.58*x)+[0.0086-0.121*D.yt-1-0.102*D.xt- *D.x=-0.078*(0.079+y-0.58*x)+[-0.113-0.087*D.y_t-1+0.201*D.x_t- *含義：當(dāng)y的數(shù)值過高時(shí)(偏離長(zhǎng)期均衡態(tài))，它會(huì)迅速朝著x 因此，由x和y構(gòu)成的協(xié)整關(guān)系中，x *數(shù)據(jù)的真實(shí)生成過程17601761*yt=0.6*xt+ut|corr(ut,vt)=01762*x_t=x_t-1+v_t|u_t,v_tareW.N.1763* D.yt=-(yt-1-b*xt-1)+(b*vt+ut) D.xt=vt *協(xié)整方程：y0.58x0.079 predictce, linecet, wntestb dfuller vecyx irfcreatevec1,set(vec01,replace)1776irfgraphoirf,impulse(x)response(y)1777irfgraphoirf,impulse(y)response(x) *說明：vec命令中trend D.y_t=alpha*(y_t-1-b*x_t-1+c1+r1*t)+SUM(g_i*D.y_t-i)+c2+r2*t 1784 調(diào)整速 長(zhǎng)期均衡關(guān) 短期動(dòng)態(tài)關(guān) *trend()中的選 參數(shù)限 備 r2= vecyx,trend(rtrend) *--例2:四州的房?jī)r(jià)變 usetxhprice.dta, *-四個(gè)州房?jī)r(jià)的基本時(shí)序特 tsset lineaustindallashoustonsat *--PartI--Dallasv.s.Houston * linedallashoustont *一個(gè)的解釋 *-0 dfuller dfuller *- varsocdallashouston *-2 vecrankdallashouston,lag(2) *-4建立VECM(向量誤差修正模型) vecdallashouston,lag(2) * *1 [D_dallas]L._ce1=- 若Dallas的房?jī)r(jià)過高，它會(huì)向著Houston的房?jī)r(jià)下調(diào) [Dhouston]L.ce1= 若Dallas的房?jī)r(jià)過高，Houston [D_houston]L._ce1 則表明，若Houston的房?jī)r(jià)過高，它會(huì)向著Dalla的房?jī)r(jià)下 *(2) (Pdallas-1.69-0.868*Phouston) predictce,ce listtdallashouston *ce0表明dallas *ce0標(biāo)明dallas twoway(linedallashoustont,yaxis(1)) (linecet, ,yline(0,axis(2)lp(dash)lc(black*0.4)) *-5沖擊反應(yīng)分析（脈沖響應(yīng)分析1856irfcreatevec2set(vec02replacestep(24)1857*正交沖擊反應(yīng) irfgraphoirfimpulse(dallas)response(houston) irfgraphoirf,impulse(houston)response(dallas)1860*累積正交沖擊反應(yīng) irfgraphcoirf,impulse(dallas)response(houston) irfgraphcoirf,impulse(houston)response(dallas) *--PartIIaustindallashoustonsa * usetxhprice.dta, tsset lineaustindallashoustonsat *-0 dfuller dfuller *- varsocdallashoustonaustinsa *-2 vecrankdallashoustonaustinsa, vecrankdallashoustonaustinsalag(3)/*為了穩(wěn)妥起見*/ *-3 johansdallashoustonaustinsalag(3) *lrjtest和wjtest原假設(shè)： H0: *LR lrjtest lrjtest lrjtest lrjtest *Waldtest wjtest wjtest wjtest *因此，達(dá)拉斯、休斯敦和三個(gè)州的房 *在協(xié)整關(guān)系中非常顯著，而sa *-4建立VECM(向量誤差修正模型 vecaustindallashouston,rank(2) vecdallashoustonaustin,rank(2)lag(3)noetable *-5沖擊反因分析（脈沖響應(yīng)分析1911irfcreatevec3,set(vec03,replace)1912irfgraphoirf,impulse(dallashouston)response(austin)1913irfgraphoirf,impulse(dallasaustin)response(houston)1914irfgraphoirf,impulse(houston)response(austindallas)*-6*-6*--s6.1協(xié)整方程的穩(wěn)定性檢驗(yàn)--- vecaustindallashouston,rank(2)predictce1,cepredictce2,ce twowaylinece1 twowaylinece2 linece1ce2 linedallashoustonaustin /*1991年前后，三州的房?jī)r(jià)較為“ wntestbce1/*第一個(gè)協(xié)整關(guān)系的設(shè)定似乎并不好*/ wntestbce2 dfuller dfuller *--s6.2檢驗(yàn)協(xié)整個(gè)數(shù)的設(shè)定是否正 VECM******協(xié)整******協(xié)整個(gè)數(shù)的確定是正確的；這可以通過vecrankvecstable思路：如果VECM中有K個(gè)內(nèi)生變量，rK-r1，就表明 即，rank()選項(xiàng)設(shè)定的數(shù)值過 vecaustindallashouston,rank(2)lag(5) vecstable,graph *--s6.3 *Johansen(1995,p.141由于VECM采用MLE *假設(shè)干擾項(xiàng)為i.i.d *因此，多數(shù)學(xué)者還是會(huì)檢驗(yàn)殘差是否服從正態(tài)分布 vecaustindallashouston,rank(2)lag(5) * useB6_simcoin.dta, vecy *--s6.4檢驗(yàn)殘差序列是否存在序列相 *VECM quivecaustindallashouston,rank(2)lag(3) veclmar,mlag(5) useB6_simcoin.dta, vecy *--例3:中國(guó)區(qū)域增長(zhǎng)—、、山 usegdpChinaTS.dta, linesh anhuihenanyear,sort varsocsh anhuihenan vecranksh anhuihenan,lag(2) vec anhuihenan, *在第一個(gè)協(xié)整關(guān)系中，三個(gè)省 呈現(xiàn)出彼此“追趕”的效果 在第二個(gè)協(xié)整關(guān)系中，三個(gè)省份又呈現(xiàn)出彼此“牽制”的效果 irfcreatevec4,set(vec04,replace) irfgraphoirf,impulse(henan)response(sh irfgraphoirf,impulse(shanhui)response(henan) ******計(jì)量分析與Stata 主講人：連博 單 電郵 主頁: ::高級(jí)部分 計(jì)量分析與Stata應(yīng) 第六講 6.7GARCH模型 ARCH模 help * *ARCH *ARCH *ARCH * cdd:\stata10\ado\ al\NetCourse\B6TimeS * 2038*2039 *例1 useB6hsindex.dta, globalxd"xlabel(,valuelabel)" capdropt tostringdate,gen(tt) encodett,gen(t) tsset *2001- lineindexhut,$xd ytitle("ShangHaiStockMakketIndex")/// xti("")xlabel(1(250)1800) *2007- lineindexhutifdate> ,$xd/// ytitle("ShangHaiStockMakketIndex")/// * *yline(0,lw(thick))ytitle("")graphsaverhu,*linerrshenyline(0,lw(thick))ytitle("")graphsaverhu,*linerrshent,$xdxtitle("ReturnsofShenzhengsotckmarketIndex")yline(0,lw(thick))ytitle("")graphsavershen,*滬深300指數(shù)收益率時(shí)序linerrhs300t,$xdxtitle("ReturnsofShen-Hu300Index")graphsavehs300,graphcombinerhu.gphrshen.gphhs300.gph, caption("DataSource: *genabs_rr_hu=linerrhut,$xdytitle(Returns)xlabel(1(330)1800)graphsaverrhu.gph,lineabsrrhut,$xdytitle(|Returns|)xlabel(1(330)1800)graphsaverr_hu_abs.gph,graphcombinerrhu.gphrrhuabs.gph,*分布特征：tsumrrhu,histogramrrhu,kdensityrrhu,normalhistogramrr_shen,histogramrrhs300, * qnormrr_hu,grid/*Q-Q圖，對(duì)尾部特征比較敏感*/ pnormrrhu,grid/*對(duì)中間部位比較敏感*/ * *sscinstall archqqrrhu/*需要*/ *==ARCH模 Engle *基本思想：采用自回歸過程(AR(p)) *-- yt=xt*b+et et--N(0,s2t) Var(et)=sigma2 =h =c+a1*e2t-1+a2*e2t-2+...+ap*e2t-p AR(p)條件方 其中，sigma2=sigma^2； e2=e^2 *--估計(jì)： *檢驗(yàn)ARCH Step1regyxOLS)得到殘差序列et Step2rege2te2t-1e2t-pOLS)R2 Step3構(gòu)造統(tǒng)計(jì)量LMT*R2Chi2(p *例2：上證綜指收益率的ARCH(p useB6_hs_index.dta,clear *檢驗(yàn)ARCH效應(yīng)是否存在：archlm regressrr archlm, regressrrhuL(1/3).rr archlm, * capdrop capdrop reg predicte, gene2= rege2 localLM= dising"chi2("iny"`e(dfm)'"ing")="iny%6.3f`LM'/// ing" p-value="iny%6.4fchi2(`LM',e(dfm)) *估計(jì)：arch archrrhu, archrrhu, *評(píng)論(1ARCH (2) *- *信息準(zhǔn)則AIC AIC=-2*ln(likelihood)+2*k BIC=-2*ln(likelihood)+ln(N)*k *where k=modeldegreesoffreedom N=numberofobservations forvaluesi= quiarchrr_hu, eststoreLag`i' estimatesstats *若根據(jù)AIC準(zhǔn)則，選擇ARCH(10 *若根據(jù)BIC準(zhǔn)則，選擇ARCH(5 *圖形法——自相關(guān)函數(shù)圖(ac) ace2,lag(40) genrrhu2=rr acrrhu2, * * * archrrhu, predictht /*條件方差 *ht=c+a1*e2t-1+a2*e2t-2+...+a5*e2t-5 linehtt predictet,residual sumet,detail *- * zt=et/sqrt(h 應(yīng)為一個(gè)i.i.d的隨機(jī)序列，即不存在序列相關(guān)和ARCH genzt=et/sqrt(ht)/*標(biāo)準(zhǔn)化殘差*/ genzt2=zt^2 * pac corrgram /*Ljung-Box統(tǒng)計(jì)量 *Q(10)=18.49p- pac corrgram *Q(10)=8.874p- * histogramzt, wntestb wntestb *評(píng)論：均值方程的設(shè)定可能需要改進(jìn)，因?yàn)閦t *ARCH *- archrr_huL(1/7).rr_hu, *多數(shù)滯后項(xiàng)在5% * *-在均值方程中加入ARMA過程:ARMA(1,1)-ARCH(5)模 archrrhu,ar(1)ma(1)arch(1/5) *-考慮“星期效應(yīng)” ******計(jì)量分析與Stata 主講人：連博 單 電郵 主頁: ::高級(jí)部分 計(jì)量分析與Stata應(yīng) 第六講 6.7GARCH模型 cdd:\stata10\ado\ al\NetCourse\B6TimeS *==GARCH模型 *基本思想：相當(dāng)于把AR(p)模型擴(kuò)展為ARMA(p,q模 *=模型設(shè)定 yt=xt*b+et； et--N(0,s2t) Var(e_t)= =h =c+a1*e2t-1+a2*e2t-2+...+ap*e2t-p +b1*ht-1+b2*ht-2+...+bq*ht-q Var(et)=ht=c+c1*e2t-1+c2*ht-1 *=特點(diǎn) (1)任何平穩(wěn)的GARCH(p,q)可以轉(zhuǎn)換為ARCH(oo) 任何高階的ARCHGARCH (2)經(jīng)驗(yàn)研究表明 最簡(jiǎn)單的GARCH(1,1)模型通常就可以達(dá)到很好的擬合效估計(jì)：估計(jì)：*檢驗(yàn)：類似于ARCHLM檢B6_TimeSB6_TimeS-Printedon2011-3-5 *==例3：滬市綜指GARCH(1,1)模 useB6_hs_index.dta, archrrhu,arch(1)garch(1) eststoreGARCH11 archrr_hu,arch(1/5) eststoreARCH5 archrrhu,arch(1/10) eststoreARCH10 localmm"GARCH11ARCH5 esttab`mm',mtitle(`mm')nogapscalar(llaicbic) *評(píng)論：簡(jiǎn)單的GARCH(1,1)模 -優(yōu)于 ARCH(5ARCH(10 *ARCH *==一個(gè)簡(jiǎn)單的模擬分析：ARCH(1) helpsim_arch /*GivenbyLianYujun*/ * set simarchz1,arch(0.4) linez1t,yline(0) sim_archz2,arch(0.7)garch(0.2)nobs(1000) linez2t,yline(0) *叢聚程度決定于ARCH(1) sim_archx