EViews6完整操作手册（Word版）

项两种检验。White检验是检验原假设：不存在异方差性。检验统计量通过一个辅助回归来计算。利用回归因子所有可能的交叉乘积对残差做回归。例如：假设估计如下方程

式中b估计系数，e是残差。检验统计量基于辅助回归：

F统计量是对所有交叉作用（包括常数）联合显著性的检验。 选择view/Residual test/White Heteroskedasticity进行White’s异方差检验。EViews对检验有两个选项：交叉项和没有交叉项。有交叉项包括所有交叉作用项。但如果回归右边有许多变量，交叉项的个数会很多，所以把它们全包括在内不实用。无交叉项选项仅使用回归因子平方进行检验回归。 §15.3 定义和稳定性检验

EViews提供了一些检验统计量选项，它们检查模型参数在数据的不同子区间是否平稳。一个推荐的经验方法是把观测值区间T分为T1和T2两部分。T1个观测值用于估计，T2个观测值用于检验和评价。把所有样本数据用于估计，有利于形成最好的拟合，但没有考虑到模型检验，也无法检验参数不变性，估计关系的稳定性。检验预测效果要用估计时未用到的数据，建模时常用T1区间估计模型，用T2区间检验和评价效果。例如居民收入，企业的销售，或其他指标，留下一部分样本进行检验。对于子区间T1和T2的相对大小，没有太明确的规则。有时可能会出现明显的结构变化的转折点，例如战争，石油危机等。当看不出有转折点时，常用的经验方法是用85%-90%的数据作估计，剩余的数据作检验。EViews提供了现成方法，进行这类分析很方便。 一、Chow分割点检验

分割点Chow检验的思想是把方程应用于每一个子样本区间，看看估计方程中是否存在显著差异。显著差异说明关系中有结构变化。为了进行Chow间断点检验，选择View/Stability Tests/Chow Breakpoint Test…出现对话框以后，填入间断点的日期。原假设：不存在结构变化。

二、Chow预测检验

Chow预测检验先估计了包括T1区间子样本的模型，然后用估计的模型去预测在剩余的T2区间样本的因变量的值。如果真实值和预测值差异很大，就说明模型可能不稳定。检验适用于最小二乘法和二阶段最小二乘法。原假设为无结构变化。选择View/Stability Test /Chow Forecast Test进行Chow预测检验。.对预测样本开始时期或观测值数进行定义。数据应在当前观测值区间内。 三、RESET Test

由Ramsey（1969）提出RESET方法，即回归定义错误检验（Regression Specification Error Test）。古典正态线性回归模型定义如下：

。序列相关，异方差性，

。扰动项服从多元正态分布

服从多元正态分布

非正态分布都违反了扰动项

的假设。存在以上这样的定义错误，LS估计量会是有偏的且不一致，一般推断

方法也将不适用。Ramsey说明：任一或所有上述定义错误对产生一个非零均值向量。因此，RESET检验原假设和被选假设为：

；

（

33

）。检验基于一个扩展回归方程：

。建立检验的关键问题是决定什么变量应记入z矩阵。Ramsey建议把因变

量预测值的乘方（这是解释变量乘方和互乘项的线性组合）计入z，特别的，建议：

。

是y对X回归的拟合值向量。上标说明乘方阶数。一阶没有包括在

内，因为它与X矩阵完全共线性。

选择View/stability tests/Ramsey RESET test进行检验，定义检验回归中要包括的拟合项数。拟合项是原始回归方程拟合值的乘方。如果定义一个很大的拟合项数，EViews将显示一个近似奇异矩阵误差信息，这是因为拟合项的乘方很可能高度共线。Ramsey RESET检验仅应用于LS估计的方程。 四、递归最小二乘法

在递归最小二乘法中，方程使用样本数据大子区间进行重复估计。如果在向量b中有k个系数要估计，那么前k个观测值就被用于形成对b的第一次估计。这一估计重复进行，直到T个样本点都被使用，产生对b向量的T-k+1个估计值。在每一步中，b的最后一个估计值可以用来预测因变量的下一个值。这一预测过程的一步超前预测误差，被定义为递归误差。选择View/stability tests/Recursive Estimate(OLS only)计算递归残差，递归估计仅适用于没有AR和MA项的OLS估计方程。如果模型有效，递归残差将独立且服从零均值，常数方差的正态分布。

第十六章 ARCH和GARCH估计

本章讨论的工具是建立变量的条件方差或变量波动性模型。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模型由Engle（1982）提出，并由Bollerslev(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。 §16.1 ARCH的说明

ARCH的主要思想是时刻t的ε的方差（=

?2）依赖于时刻（t─ 1）的平方误差的大

小，即依赖于。

（1）

并假设在时刻(t-1)所有信息的条件下，干扰项的分布是：

~

（2）

即遵循以0为均值，为方差的正态分布。由于（2）中的的方差依赖于前期的平方干扰，我们称它为ARCH(1)过程。然而，容易加以推广，一个ARCH (p)过程可以写为：

（3）

如果误差方差中没有自相关，就会有H0：

。这时

34

，从而得到误差方差的同方差性情形。恩格尔曾表明，容易通过以

下的回归去检验上述虚拟假设：

（4）

其中，

表示从原始回归模型（1）估计得到的OLS残差。

一、GARCH（1， 1）模型

在标准化的GARCH(1,1)模型中：

(16.1)

(16.2)

（16.1）中给出的均值方程是一个带有误差项的外生变量函数。由于

是以前一期

的信息为基础的预测方差，所以它被叫做条件方差。（16.2）中给出的条件方差方程是一个下面三项的函数：

1．均值：

；

2．用均值方程的残差平方的滞后来度量从前期得到的波动性的信息：项）；

（ARCH

3．上一期的预测方差：（GARCH项）。

GARCH (1, 1) 中的(1, 1)是指阶数为1的GARCH项（括号中的第一项）和阶数为1的ARCH项（括号中的第二项）。普通的ARCH模型是GARCH模型的特例，即在条件方差方程中不存在滞后预测方差的说明。 二、ARCH—M模型

方程（16.1）中的x代表在均值方程中引入的外生或先决变量。如果我们把条件方差引进到均值方程中，就可以得到ARCH—M模型(Engle,Lilien,Robins,1987)：

（16.9）

ARCH—M模型的另一种不同形式是将条件方差换成条件标准差。

ARCH—M模型通常用于关于资产的预期收益与预期风险紧密相关的金融领域。预期风险的估计系数是风险收益交易的度量。 三、GARCH（p, q）模型

高阶GARCH模型可以通过选择大于1的p或q得到估计，记作GARCH(p, q)。其方差表示为：

（16.10）

35

这里， p是GARCH项的阶数， q是ARCH项的阶数。 §16.2 在EViews中估计ARCH模型

估计GARCH和ARCH模型，首先通过Object/New Object/Equation Equation建立方程，然后在Method的下拉菜单中选择ARCH，即得到相应的对话框。 一、均值方程

均值方程的形式可以用回归列表形式列出因变量及解释变量。如果需要一个更复杂的均值方程，可以用公式的形式输入均值方程。如果含有ARCH—M项，就要点击对话框右上方对应的按钮。 二、方差方程

在Variance Regressors栏中，可以选择列出要包含在指定方差中的变量。注意到EViews在进行方差回归时总会包含一个常数项作为回归量，所以不必在变量表中列出C。 三、ARCH说明

在ARCH Specification标栏下，选择ARCH项和GARCH项的阶数。Eviews默认为选择1阶ARCH和1阶GARCH进行估计，这是目前最普遍的形式。标准GARCH模型，需点击GARCH按钮。其余的按钮将进入更复杂的GARCH模型的变形形式。 四、估计选项  点击Options按钮选择估计方法的设置： 1.回推

在缺省的情况下，MA初始的扰动项和GARCH项中要求的初始预测方差都是用回推方法来确定初始值的。如果不选择回推算法，EViews会设置残差为零来初始化MA过程，用无条件方差来设置初始化的方差和残差值。 2.系数协方差

点击Heteroskedasticity Consistent Covariances用Bollerslev和Wooldridge（1992）的方法计算极大似然（QML）协方差和标准误差。如果怀疑残差不服从条件正态分布，就应该使用这个选项。只有选定这一选项，协方差的估计才可能是一致的，才可能产生正确的标准差。注意如果选择该项，参数估计将是不变的，改变的只是协方差矩阵 4.迭代估计控制

ARCH模型的似然函数不总是正规的，所以用默认的设置进行估计可能不会收敛。这时，可以利用选项对话框来选择迭代算法（马尔科夫、BHHH/高斯-牛顿）、改变初值、增加迭代的最大次数或者调整收敛准则。 5.ARCH估计的结果

可以分为两部分：上半部分提供了均值方程的标准结果；下半部分，即“方差方程”包括系数，标准误差，z—统计量和方差方程系数的p值。在方程中ARCH的参数对应于GARCH的参数对应于

，

。在表的底部是一组标准的回归统计量，使用的残差来自于均值

也就没有意义了。

方程。注意如果在均值方程中不存在回归量，那么这些标准，例如

§16.3 ARCH模型的视图和方法

一旦模型被估计出来，EViews就会提供各种视图和方法进行推理和诊断检验。 一、ARCH模型的视图

在方程和检验的章节已做介绍。 二、ARCH模型的方法

1．构造残差序列  将残差以序列的名义保存在工作文件中，可以选择保存普通残

36