运用EViews进行实证分析--基于论文的计量需求汇总.pdf

《运用EViews进行实证分析--基于论文的计量需求汇总.pdf》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汇总.pdf（29页珍藏版）》请在三一文库上搜索。

1、目录 1 目录 1、模型设定与数据处理 1 1.1 模型设定 1 1.2 数据预处理 1 1.2.1 建立工作文档 . 1 1.2.2 数据导入 . 2 1.2.3 X12进行季节性调整 3 1.2.4 HP滤波法估计潜在GDP . 4 1.2.5 时间序列数据的平稳性检验 . 4 1.3 时间序列变量的最小二乘估计. . 5 1.3.1时间序列最小二乘估计的前提条件. 5 1.3.2同阶单整举例 6 1.3.3 EG协整法进行协整检验 6 2、诊断回归模型 7 2.1 多重共线性计量检验与消除. . 7 2.2 异方差计量检验与消除 . . 9 2.2.1 怀特异方差检验模型 . 9 2.2

2、.2 white异方差校正功能 10 2.2.3 加权最小二乘法 . 10 2.3 自相关计量检验与消除 . 11 2.3.1自相关的后果 .11 2.3.2自相关的识别 .11 2.3.3 DW 检验的局限 12 2.3.4 EViews进行自相关检验 12 2.3.5 包含滞后变量的自相关检验 . 13 3、联立方程模型. 13 4、面板数据模型的建立及应用. 14 5、葛兰杰因果检验. 15 5.1 前提条件 . 15 5.2 检验模型 . 15 5.3 用 EViews 进行实例分析 . 16 6、协整检验及应用. 16 6.1 平稳性检验（单位根检验）. 17 6.2 协整检验 .

3、17 6.3 因果检验 . 17 6.4 误差纠正机制 ECM 18 7、GARCH 模型 . . 19 目录 2 7.1 GARCH 模型的基本概念 . . 19 7.2 沪深股市收益率的波动性研究. 19 7.2.1 描述性统计 . 19 7.2.2 平稳性检验 . 20 7.2.3 均值方程的确定及残差序列自相关检验 20 7.2.4 GARCH 类模型建模 22 7.2.5 检验两市波动的因果性 . 25 7.2.6 修正 GARCH-M 模型 . 25 主要参考文献 27 运用 EViews8.0 进行实证分析基于论文的计量需求 1 运用 EViews 进行实证分析 -基于论文的计量

4、需求 1、模型设定与数据处理 1.1 模型设定 一般化形式的泰勒规则 t y 2 * t1t * t B-Bi）（ 回归方程式 tt t ycccui 210 t 考虑利率平滑特性 1-t21 * 1 i)B1()B1()1 ()B-()1(i t t t y 回归方程式 tt t yUiCCCCi 1- t3210 t （1） 在 EViews 中对（ 1）式进行回归分析。 1.2 数据预处理 1.2.1 建立工作文档 按下图中的步骤建立workfile 打开后的界面如下。 东北财经大学2016 届本科毕业论文 2 给文档命名为多元回归，选择季度型数据Quarterly，输入开始日期 200

5、4Q1，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 （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） ，下图演示同时录入多个变量数据的步骤，如下图所示。 在接下来打开的界面中（如下图） ，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。 运用 EViews8.0 进行实证分析基于论文的计量需求 3 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

6、，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下列操作时不会出现CensusX12的选项。在正 确设定数据类型后，依次选择。ProSeasonal Adjustme nt Census X-12 ，如下图所示。 打开如下界面，默认下列图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

7、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。 东北财经大学2016 届本科毕业论文 4 1.2.4 HP 滤波法估计潜在 GDP 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-Prescott Filter，如下图 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1

8、600，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GDP yt 序列，如右图所示。 1.2.5 时间序列数据的平稳性检验 打开时间序列 Y，依次选择 ViewUnit Root Test，如下图中左图所示。进入下图中右 图界面。 运用 EViews8.0 进行实证分析基于论文的计量需求 5 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

9、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。 D（Y）表示 Y 序列的一阶差分， P 值=0.000，显著拒绝 D（Y）不平稳的原假 设，故 D（Y）是平稳的时间序列。 Y 不平稳， D（Y）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 1.3.1 时间序列最小二乘估计的前提条件 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下列条件 中的一个。 （

10、1）Y、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。 东北财经大学2016 届本科毕业论文 6 （2）Y、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。 1.3.2 同阶单整举例 Y、X1、X2 都不平稳，但 D（Y） 、D（X1） 、D（X2）都是平稳的， Y、X1、X2 三个 时间序列是都是 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

11、变量et，对 et 变量进行单位根检验，若检验结果表明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。 QuickEstimate Equation。 在输入栏中输入估计方程式y c x1 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 。 View Actual，Fitted，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 cop

12、y。 然后 在工 具栏 选择 。 ObjectNew 运用 EViews8.0 进行实证分析基于论文的计量需求 7 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。 东北财经大学2016 届本科毕业论文 8 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

13、.6217%。 . F 统计量为 40.93，对应的 P 值为 0.0000，小于 0.05，表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， 表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）表明可能存在严重的多重 共线性。 进一步诊断。 依 次 选 择Quick Group Statistics Correlations 在接下来的窗口中输入x1 x2 x3 输出结果如右图所示。 x1 与 x3 的相关性

14、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 Y 进行的回归分析 解释变 量 C X1 X2 X3 R 2 Adjusted-R 2 第一步2.2170 （0.0000* ） 0.2234 （0.0008* ） 0.2201 0.2032 2.8555 （0.0000* ） 0.0370 （ 0.5637） 0.0073 0 0.4517 （0.0676* ） 0.8417 （0.0000* ） 0.7077 0.7014 第二步0.3986 （0.0948* ） 0.0849 （0.0365* ） 0.7747 （0.00

15、00* ） 0.7351 0.7233 运用 EViews8.0 进行实证分析基于论文的计量需求 0.4403 （0.0791* ） -0.0147 （ 0.6794） 0.7747 （0.0000* ） 0.7088 0.6959 注。 Adjusted-R2 为负数时取 0。 *代表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

16、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 ttt UX3CX3CX1CX1CCe 2 t3t3 2 210 2 t 若包括交叉乘积项，则自变量还有X1*X3 项。 样本容量 n，上述方程估计出R 2，然后 n* R2（服从卡方分布）后的值与临界值进行比 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 ViewResidual Tests HeteroskedasticityWhite( 选 项中挑 选)，若勾选 Include White cross term

17、，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。 东北财经大学2016 届本科毕业论文 10 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，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，w

18、eight 下选择 Inverse std 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/abs （resid） ” ，resid 默认为最新估计方程的残差序列） 运用 EViews8.0 进行实证分析基于论文的计量需求 11 输出结果如右图： 2.3 自相关计量检验与消除 Yt=0+1*Xt1+ 2*Xt2+ t COV（t，t-s）0, t=1,2,N, s=1,2，,t-1 2.3.1 自相关的后果 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

19、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。 2.3.2 自相关的识别 2.3.2.1图示法 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） ，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

20、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。若 et 随时间 t 呈某种周期性的变化趋势，则说明存在正相关。若呈现锯 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,N H0: =0，H1: 0 东北财经大学2016 届本科毕业论文 12 2 N 1t t 2 N 2t 1 -tt e e-e =DW ）（ ；）（ -12DW； 2 N 1t t N 2t 1 -tt e ee = 若存在一阶完全正自相关，帽1，则 DW0；

21、 若存在一阶完全负自相关，帽-1，则 DW4； 若不存自相关， 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-W dU 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（N15） 2.3.4 EViews进行自相关检验 11;vuu t1 -tt （1） 其中 Vt N（0， 2） ，COV（Vt，Vt-1）=0。 记 ut 服从一阶自回归 AR（1） 。 在 EViews 的估计窗口中输入带估计方程Y C X

22、1 X3 AR(1) 。选择估计方法最小二乘法。 AR （1）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。 运用 EViews8.0 进行实证分析基于论文的计量需求 13 若误差项存在高阶自相关，形如 11;vuuuuu it4- t43-t32- t21 - t1t 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) 若形如下式的自相关 11;vu

23、u 4t4-t4t 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。 ）项的标准误的平方（）为（其中； ）（ ）（1-YVAR nVAR-1 n 2 DW -1h * 1 * 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。 1t1-

24、t2t10t uCYC消费方程： 2t1- t10t uYI投资方程： t1ttt GICY收入方程： 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。 东北财经大学2016 届本科毕业论文 14 前两行输入 Ct，Yt 的估计方程，最 终 Yt 只受 Ct（-1）Yt（-1） ，Gt 的影响， 。 而第三行输入INST Ct（-1）Yt（-1） Gt 。 （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 （Wh

25、ite 协方 差矩阵，用于截面数据） GMM （HAC 协方差矩阵，用于时间序列数据）ARCH。 下图选择 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ObjectNew Object， 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。 运用 EViews8.0 进行实证分析基于论文的计量需求

26、 15 录入数据后在pool 窗口下单击Estimate 按钮，按左下图输入。点击确定。 5、葛兰杰因果检验 5.1 前提条件 在进行 Granger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。 5.2 检验模型 如果 Xt 与 Yt 为平稳的过程，对于模型 1tj -t q 1j jj - t p 1j j1t uYXCX（1） 2tj- t q 1j jj- t p 1j j2t uXYCY（2） 如果 j= j=0（j=1,q） ，则 Xt、Yt 相互独立； 东北财经大学

27、2016 届本科毕业论文 16 如果 j=0， j0（j=1,q） ，则 Xt 为 Yt 的原因； 如果 j0， j0（j=1,q） ，则 Yt 为 Xt 的原因； 如果 j0， j0（j=1,q） ，则 Xt、Yt 互为因果。 5.3 用 EViews 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。 G

28、DP 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。 运用 EViews8.0 进行实证分析基于论文的计量需求 17 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

29、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。若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 Estimate Equation。 输入估计方程logyt c logct ，得到右图结 果。

30、接着在窗口中单击Procs按钮，选择 Make Residual 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 logyt，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

31、，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 东北财经大学2016 届本科毕业论文 18 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。 6.4 误差纠正机制 ECM 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

32、后选择ProcMake Residual series 。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差异。 若能通过检验， 则表明 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。 若要研究 ct 与 yt 的联动效应， 可以选

33、择更新或更多的样本。 运用 EViews8.0 进行实证分析基于论文的计量需求 19 7、GARCH 模型 7.1 GARCH 模型的基本概念 P 阶自回归条件异方程ARCH（p）模型，其定义由均值方程和条件方程给出： ttt XY均值方程： 2 p- tp 2 2- t2 2 1 -t10 1 - t tt .varH）（条件方程： 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GARCH（p，q）模型可以表示为

34、： ttt XY均值方程： q- tq1 - t1 2 p-tp 2 2- t2 2 1- t10 1 -t tt h.h.varh）（条件方程： 7.2 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 ObservationRead Text-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

35、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&Tests Histogram and Stats命令，得到 rh 的描述性统计量由下图可得之后表中数据 rh、rz 描述性统计量 序列名称均值标准差偏度峰度Jarque-Beva的 p 值 东北财经大学2016 届本科毕业论文 rh -0.000287 0.025370 -0.973990 4.870522

36、0.000000 rz 0.001257 0.027716 -0.912291 3.975215 0.000000 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 表明序列有尖峰后 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。得到下列结果。 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

37、列数 据。金融资产的价格一般是非平稳的，经常有一个单位根（随机游走），而收益率序列通常 是平稳的。 7.2.3 均值方程的确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： t15- tt rcr 7.2.3.1对收益率做自回归 QuickEstimation 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。 运用 EViews8.0 进行实证分析基于论文的计量需求 21 7.2.3.2自相关的 Q 统计量检验 用 Ljun

38、g-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，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

39、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，表明不存在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。 东北财经大学2016 届本科毕业论文 22 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

40、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 DiagnosticsHeteroskedasticity Tests ，选择 ARCH，1 阶滞后，得到下图结果。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。 结果表明残差项的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 GAR

41、CH（1,1 ）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（即主体模型） ， 选择 ARCH 估计方法。 rh 估计结果如下： 运用 EViews8.0 进行实证分析基于论文的计量需求 23 残差平方和项为ARCH 项，ARCH 项和 GARCH 都是高度显著的，表明收益率序列具 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 GARCH（1,1）过程是平稳的，其条件

42、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-M（1,1 ）的估计结果 与之前步骤一样，但在ARCH-M下选择 Variance ，即可得 GARCH-M （1,1）的估计结果 . 东北财经大学2016 届本科毕业论文 24 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，

43、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 EGARCH 估计如下。 运用 EViews8.0 进行实证分析基于论文的计量需求 25 其中，）（项的系数为5C h 1 - t 1-t ，沪、深两市的 C（5）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 GAR

44、CH Variance 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Open as 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

45、存在溢出效应，且是不对称、单向的。这 表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 东北财经大学2016 届本科毕业论文 26 在沪市 GARCH-M 模型的条件方差方程 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。 27 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 by Pearson Education, Inc. John Y . Campbell, Andrew Wen-Chuan Lo, Archie Craig Mackinlay. The Ecomometrics of Financial Markets. Princeton University Press, 1997, 2003