高铁梅计量经济学建模教程第二版-第五章 第六章.pptVIP

t = (1.45) (?7.01) （9.14） （5.4.16） R2 = 0.31 D.W. =2.45 在式（5.4.14）表示的长期均衡方程中财政收入的系数为0.95，接近1，体现了我国财政收支“量入为出”的原则。在式（5.4.16）表示的误差修正模型中，差分项反映了短期波动的影响。财政支出的短期变动可以分为两部分：一部分是短期财政收入波动的影响；一部分是财政收支偏离长期均衡的影响。误差修正项ecmt 的系数的大小反映了对偏离长期均衡的调整力度。从系数估计值（?0.38）来看，当短期波动偏离长期均衡时，将以（?0.38）的调整力度将非均衡状态拉回到均衡状态。 从短期看，被解释变量的变动是由较稳定的长期趋势和短期波动所决定的，短期内系统对于均衡状态的偏离程度的大小直接导致波动振幅的大小。 从长期看，协整关系式起到引力线的作用，将非均衡状态拉回到均衡状态。 第六章 条件异方差模型 EViews中的大多数统计工具都是用来建立随机变量的条件均值模型。本章讨论的重要工具具有与以往不同的目的——建立变量的条件方差或变量波动性模型。 我们想要建模并预测其变动性通常有如下几个原因: 首先，我们可能要分析持有某项资产的风险；其次，预测置信区间可能是时变性的，所以可以通过建立残差方差模型得到更精确的区间；第三，如果误差的异方差是能适当控制的，我们就能得到更有效的估计。 　 §6.1 自回归条件异方差模型 自回归条件异方差(Autoregressive Conditional Heteroscedasticity Model， ARCH)模型是特别用来建立条件方差模型并对其进行预测的。 ARCH模型是1982年由恩格尔(Engle, R.)提出，并由博勒斯莱文(Bollerslev, T., 1986)发展成为GARCH (Generalized ARCH)——广义自回归条件异方差。这些模型被广泛的应用于经济学的各个领域。尤其在金融时间序列分析中。 按照通常的想法，自相关的问题是时间序列数据所特有，而异方差性是横截面数据的特点。但在时间序列数据中，会不会出现异方差呢？会是怎样出现的？ 恩格尔和克拉格（Kraft, D., 1983）在分析宏观数据时，发现这样一些现象：时间序列模型中的扰动方差稳定性比通常假设的要差。恩格尔的结论说明在分析通货膨胀模型时，大的及小的预测误差会大量出现，表明存在一种异方差，其中预测误差的方差取决于后续扰动项的大小。 从事于股票价格、通货膨胀率、外汇汇率等金融时间序列预测的研究工作者，曾发现他们对这些变量的预测能力随时期的不同而有相当大的变化。预测的误差在某一时期里相对地小，而在某一时期里则相对地大，然后，在另一时期又是较小的。这种变异很可能由于金融市场的波动性易受谣言、政局变动、政府货币与财政政策变化等等的影响。从而说明预测误差的方差中有某种相关性。 为了刻画这种相关性，恩格尔提出自回归条件异方差(ARCH)模型。ARCH的主要思想是时刻 t 的ut 的方差(= ?t2 )依赖于时刻(t ?1)的扰动项平方的大小，即依赖于 ?t2- 1 。 6.1.1 ARCH模型 为了说得更具体，让我们回到k -变量回归模型： (6.1.1) 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： (6.1.2) 由于 yt 的均值近似等于式（6.1.1）的估计值，所以式（6.1.1）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： ~ (6.1.7) 也就是，ut 遵循以0为均值，(?0+?1u2t-1 )为方差的正态分布。 由于(6.1.7)中 ut 的方差依赖于前期的平方扰动项，