GAERCH模型实验.docVIP

GAERCH模型实验 【实验数据】 选用2006—2008年间IPO上市公司的截面数据为研究对象。 样本1：中小板IPO公司首日溢价率序列，样本量;109 样本2：全部（上海和中小板）IPO公司首日溢价率序列，样本量：138 【实验步骤】 稳定性检验 分析数据是否具有GARCH特征 分析序列的相关图、差分图 打开变量up1数据表，选择view—correlogram 弹出如下图1 得到变量up1的相关图—其自相关与偏相关程度：如图2为水平相关分析结果，图3为一阶差分结果 建立自回归模型（AR）来分析IPO首日抑价率的滞后影响。 Quick—estimate equation ，弹出以下窗口：如图4所示 得到变量up1的自回归方程模型：如图5 Up1=0.443+0.424up1t-1+0.279up1t-2+μt （2.886） （4.5276）（3.0125）t统计量 残差分析（模型可能存在自回归条件异方差），检验AR的残差，采用LM检验 View—residual tests—serial correlation LM tests—lags include：4 得到结果如下图6 若滞后阶数分别为3、2、1 则结果分别为： 以上残差检验结果表明残差的平方序列存在2阶自相关，即AR(2)模型误差序列存在自回归条件异方差。因此在AR(2)模型的基础上建立GARCH模型。 6. 建立GARCH模型 （1）估计均值方程、残差方程 Quick—estimate equation；不同于建立AR(2)模型时采用的估计方法，本次采用ARCH方法 均值方程：up1 c up1(-1) up1(-2) 首先进行GARCH（p，q）模型的估计 如下图7所示：p代表ARCH q 代表GARCH 如果要建立ARCH模型则需把GARCH设置为0 经过测试不同的pq值发现当p=1，q=2时效果最好，得到的均值方程与残差方程分别为：如下图8所示 由GARCH（1,2）模型的结果显示其拟合结果均能通过检验，接下来需要检验此模型是否消除了条件异方差。 GARCH（1,2）模型的诊断检验 诊断检验需要上述得到的GARCH(1,2)模型的残差基础上进行如下操作：view—residual tests—ARCH LM Test 得到如下图9 选择ARCH 滞后阶数为2 得到检验结果表如下图10 比较此ARCH-LM检验结果与AR（2）模型检验结果，有明显的不同，E统计量和T·R2的零系数概率值显著不为零，而AR(2)对应的零系数则显著为零，该检验结果无法拒绝原假设，说明不存在ARCH效应，也就表明GARCH（1,2）模型能够消除残差序列的条件异方差。