arch效应检验的一些要点

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

arch效应检验的一些要点
       ARCH LM检验的原假设是：ARCH模型里所有回归系数是否同时为零。
       若概率大，大于给定的显著性水平（比如5％），则序列不存在ARCH效应的，即不能拒绝没有ARCH效应假设， ARCH LM一般是对残差进行检验，在未知残差是否具有ARCH效应时，用OLS后，一般是希望残差检验的相伴概率从1阶就有ARCH效应，即概率从1阶就很小，拒绝假设，但是有些时候是低阶概率大，不能拒绝假设，而到了高阶（一般为7、8阶时）概率小，拒绝假设时，说明高阶是有很强的ARCH效应的，这是正常的表现。
       在对序列使用GARCH模型后的残差ARCH LM检验时，就必须期望残差从1阶就表现较大的概率为好，即不能拒绝原假设，残差不再有ARCH效应，说明残差里的信息已经提取干净！
------------------------------------------------分割线--------------------------------------------
预测garch模型的异方差
计算步骤为：
具体来说，在使用设定的模型估计出GARCH模型后，在“Proc”中点击“Forecast”按键即可以弹出预测对话框，为了在工作文件中保存预测值，在对话框的“Series name”中需要输入相应的名称，“forecast name”后输入收益率序列预测值的名称，“GARCH”后面输入条件方差预测值的名称；在“Methods”项中选择“Static”即静态预测（向前一步预测），在“Output”中选择“Do graph”和“Forecast evaluation”，而“sample range for forecast”采用系统默认的值即可，可得出向前一步预测的条件均值和条件方差的值；最后利用生成新序列的选项将条件均值和条件方差的序列名代入2楼中提供的式子即可。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏22 回帖

关键词：ARCH效应 效应检验 ARCH ARC RCH Eviews arch 效应检验 garch 异方差

请问如果做出来的是30阶滞后序列的残差才存在ARCH效应还算存在ARCH效应吗？图如下：
Heteroskedasticity Test: ARCH                               
                               
F-statistic              1.449140                 Prob. F(30,427)                0.0618
Obs*R-square   42.32152                 Prob. Chi-Square(30)           0.0672
                               
                               
Test Equation:                               
Dependent Variable: RESID^2                               
Method: Least Squares                               
Date: 03/12/15   Time: 16:09                               
Sample (adjusted): 33 490                               
Included observations: 458 after adjustments                               
                               
Variable        Coefficient        Std. Error        t-Statistic        Prob.  
                               
C        9.44E-05        4.41E-05        2.139657        0.0329
RESID^2(-1)        0.012615        0.047983        0.262901        0.7928
RESID^2(-2)        0.046015        0.047955        0.959559        0.3378
RESID^2(-3)        -0.002242        0.047762        -0.046949        0.9626
RESID^2(-4)        0.013632        0.047721        0.285665        0.7753
RESID^2(-5)        -0.021623        0.047667        -0.453623        0.6503
RESID^2(-6)        0.001717        0.047749        0.035965        0.9713
RESID^2(-7)        0.006221        0.047724        0.130361        0.8963
RESID^2(-8)        -0.034432        0.047651        -0.722582        0.4703
RESID^2(-9)        0.077511        0.047673        1.625895        0.1047
RESID^2(-10)        0.054082        0.047557        1.137203        0.2561
RESID^2(-11)        0.039490        0.047624        0.829212        0.4074
RESID^2(-12)        0.107632        0.047470        2.267350        0.0239
RESID^2(-13)        0.022254        0.047755        0.466000        0.6415
RESID^2(-14)        -0.040503        0.047694        -0.849217        0.3962
RESID^2(-15)        -0.035096        0.047724        -0.735405        0.4625
RESID^2(-16)        0.006555        0.047710        0.137400        0.8908
RESID^2(-17)        0.054715        0.047663        1.147945        0.2516
RESID^2(-18)        -0.003531        0.047744        -0.073955        0.9411
RESID^2(-19)        0.088339        0.047440        1.862122        0.0633
RESID^2(-20)        0.027870        0.047588        0.585650        0.5584
RESID^2(-21)        -0.077161        0.047534        -1.623281        0.1053
RESID^2(-22)        -0.003301        0.047544        -0.069439        0.9447
RESID^2(-23)        0.055591        0.047513        1.170004        0.2427
RESID^2(-24)        0.038002        0.047583        0.798647        0.4249
RESID^2(-25)        0.033773        0.047614        0.709308        0.4785
RESID^2(-26)        -0.045722        0.047528        -0.961999        0.3366
RESID^2(-27)        -0.039788        0.047578        -0.836276        0.4035
RESID^2(-28)        0.099003        0.047616        2.079194        0.0382
RESID^2(-29)        -0.034027        0.047811        -0.711701        0.4770
RESID^2(-30)        0.126531        0.047854        2.644099        0.0085
                               
R-squared        0.092405            Mean dependent var                0.000221
Adjusted R-squared        0.028640            S.D. dependent var                0.000410
S.E. of regression        0.000405            Akaike info criterion                -12.72243
Sum squared resid        6.99E-05            Schwarz criterion                -12.44310
Log likelihood        2944.436            Hannan-Quinn criter.                -12.61242
F-statistic        1.449140            Durbin-Watson stat                2.016704
Prob(F-statistic)        0.061773                       
                               

“但是有些时候是低阶概率大，不能拒绝假设，而到了高阶（一般为7、8阶时）概率小，拒绝假设时，说明高阶是有很强的ARCH效应的，这是正常的表现。” 请问这里的“正常的表现”是指有ARCH效应的正常表现，还是说没有ARCH效应，但是有时也会出现这种情况的、正常的表现。

没有读太懂，谢谢~~~

同问啊，有人可以解答吗？

补充一下二楼ARCH检验Eviews步骤如图：先序列AR(3)再 ，Obs*R-squared
即为LM统计量，其P值小于0.01，拒绝原假设即存在ARCH效应，异方差现象存在。
二楼是不存在ARCH效应的，接受了H0的。

想问一下ARCH检验的统计量结果，after adjusting endpoints是n的个数还是n-p呀

请问，如果对LS方法估计的结果进行ARCH效应检验一阶到十阶都是显著的（只放两个结果） ，LM统计量的p值都是0，那用ARCH方法估计的时候阶数该如何选择呢？ 是看AIC/SIC吗？，需要用GARCH模型吗？感谢帮助

   若概率大，大于给定的显著性水平（比如5％），则序列不存在ARCH效应的，即不能拒绝没有ARCH效应假设。
-----------------------------------------------------------
所以Ho是无ARCH吗

zhy116 发表于 2021-3-22 05:52
若概率大，大于给定的显著性水平（比如5％），则序列不存在ARCH效应的，即不能拒绝没有ARCH效应假设。
...

原假设是不存在ARCH效应