SAS編程技術(shù)SAS處理流程與指針控制課件

1、第第24章章 SAS處理流程與指針控制處理流程與指針控制ZResdat樣本數(shù)據(jù)：樣本數(shù)據(jù)：SAS論壇：論壇： SAS處理流程處理流程 SAS處理流程數(shù)據(jù)集SAS數(shù)據(jù)文件SAS數(shù)據(jù)視圖PROC SQL視圖SAS/ACCESS視圖原始數(shù)據(jù)外部文件數(shù)據(jù)程序行數(shù)據(jù)遠(yuǎn)程數(shù)據(jù) socketURLDATA步SAS數(shù)據(jù)集PORC步SAS報(bào)告SAS數(shù)據(jù)集SAS日志SAS報(bào)告SAS日志其它外部數(shù)據(jù)文件數(shù)據(jù)步定義數(shù)據(jù)步定義 通過(guò)數(shù)據(jù)步可以實(shí)現(xiàn)的功能如下。創(chuàng)建SAS數(shù)據(jù)集（SAS數(shù)據(jù)文件或SAS數(shù)據(jù)視窗）；讀取外部數(shù)據(jù)文件創(chuàng)建SAS數(shù)據(jù)集；l通過(guò)對(duì)現(xiàn)有SAS數(shù)據(jù)集取子集、合并、修改和更新創(chuàng)建新的SAS數(shù)據(jù)集；l分析、

2、操作或展示數(shù)據(jù)；l創(chuàng)建新變量；l產(chǎn)生報(bào)告、或?qū)⑽募鎯?chǔ)到硬盤或磁帶上；l提取信息；l文件管理。編譯SAS語(yǔ)句包括語(yǔ)法檢查編譯階段建立輸入緩沖區(qū)程序數(shù)據(jù)向量PDV描述信息開始data數(shù)據(jù)步語(yǔ)句反復(fù)計(jì)數(shù)運(yùn)行階段設(shè)定PDV中的變量值為缺失數(shù)據(jù)讀入語(yǔ)句判斷是否還有記錄可以讀入關(guān)閉數(shù)據(jù)集執(zhí)行下一個(gè)數(shù)據(jù)步或者過(guò)程步?jīng)]有有讀入一個(gè)數(shù)據(jù)記錄執(zhí)行其它的可執(zhí)行語(yǔ)句寫入一個(gè)觀測(cè)到數(shù)據(jù)集中數(shù)據(jù)步處理流程數(shù)據(jù)步處理流程 指針控制指針控制 當(dāng)SAS從輸入數(shù)據(jù)中讀取數(shù)據(jù)，并將其讀入到輸入緩沖區(qū)時(shí)，用一個(gè)指針標(biāo)記所讀數(shù)據(jù)的位置。INPUT語(yǔ)句提供了三種方式來(lái)控制指針運(yùn)動(dòng)。列指針控制設(shè)置指針的列位置行指針控制設(shè)置指針的行位置行

3、固定說(shuō)明符在輸入緩沖區(qū)內(nèi)保持指針在同一個(gè)記錄行上，從而使得其它的INPUT語(yǔ)句可以讀入同一條記錄行。SAS默認(rèn)的情況下，INPUT語(yǔ)句在讀入一條記錄之后就自動(dòng)釋放該條記錄而進(jìn)入下一條列行指針控制列行指針控制 列指針控制指定變量從哪一列開始讀入數(shù)據(jù)。行指針控制可以實(shí)現(xiàn)如下控制： 將指針移動(dòng)至下一次記錄行； 在INPUT語(yǔ)句中定義每個(gè)觀測(cè)所要讀入的記錄行數(shù)量，或在INFILE語(yǔ)句中使用N=選項(xiàng)設(shè)定每個(gè)觀測(cè)所需讀入的記錄數(shù)量。例例24.2 列行指針控制。data one;input 2 Name $ +1 age ;cards; sara 15 kitty 23 paul 24;run; 例中：2表

4、示第一個(gè)變量Name從每個(gè)觀測(cè)記錄的第二列開始讀取數(shù)據(jù)，在讀完Name之后，+1表示此時(shí)指針向右相對(duì)移動(dòng)一列讀取age的數(shù)值。通過(guò)列表輸入方式的INPUT語(yǔ)句，每讀入一個(gè)數(shù)值之后，指針自動(dòng)停留在數(shù)據(jù)后的第二列上（如本例第一個(gè)數(shù)據(jù)行，讀完sara后，指針已經(jīng)指到sara后第二列上），所以此時(shí)指針只需相對(duì)向右一位，就能繼續(xù)讀入下一個(gè)變量。使用行固定說(shuō)明符使用行固定說(shuō)明符 下列情況發(fā)生時(shí)使用行固定說(shuō)明符使得指針停留在當(dāng)前的輸入記錄行上。l 一個(gè)數(shù)據(jù)記錄行被多個(gè)INPUT語(yǔ)句讀入（單尾綴）。l 一個(gè)數(shù)據(jù)記錄行包含多個(gè)觀測(cè)所需要的值（雙尾綴）。l 一個(gè)數(shù)據(jù)記錄行需要在下一個(gè)DATA步的重復(fù)過(guò)程中再次讀入

5、(雙尾綴)。單尾綴單尾綴一般來(lái)說(shuō)，數(shù)據(jù)步中的每個(gè)INPUT語(yǔ)句都會(huì)將一條新的數(shù)據(jù)記錄行讀入輸入緩沖區(qū)中，若用單尾綴控制，則在同一個(gè)重復(fù)過(guò)程中：l指針位置沒有改變。l沒有新的記錄行被讀入到輸入緩沖區(qū)當(dāng)中。l下一個(gè)INPUT語(yǔ)句會(huì)繼續(xù)讀入同一條記錄行。SAS在使用單尾綴時(shí)，會(huì)在碰到以下情況時(shí)釋放一條記錄行：l一個(gè)空的INPUT語(yǔ)句: input;l一個(gè)不帶單尾綴的input語(yǔ)句；l下一次重復(fù)過(guò)程開始。例24.3 單尾綴的作用。data one;input a b ; /*input語(yǔ)句1*/input ; /*input語(yǔ)句2*/input c d ; /*input語(yǔ)句3*/cards;1 2

6、3 41 2 3 4;run;上述例子是一個(gè)標(biāo)準(zhǔn)組合順序123 ，得到的結(jié)果是Obsa b c d11 2 1 2如果是13組合,得到的結(jié)果Obsabcd1123421234雙尾綴雙尾綴一般來(lái)說(shuō)，若使用雙尾綴，則數(shù)據(jù)步在進(jìn)行下一次重復(fù)過(guò)程時(shí)，INPUT語(yǔ)句讀入同一條記錄行。在碰到下列情況時(shí)，SAS才會(huì)將一個(gè)記錄行釋放：l指針移動(dòng)超過(guò)了輸入記錄的尾端；l空INPUT語(yǔ)句；l在DATA步下一次重復(fù)開始時(shí)，有一個(gè)單尾綴的INPUT語(yǔ)句input ;例例24.4 雙尾綴的作用。data one;input a b ; cards;1 2 1 21 2 1 2;run;例中，每個(gè)數(shù)據(jù)記錄行可以完成兩次重

7、復(fù)過(guò)程，當(dāng)指針移動(dòng)超過(guò)了輸入記錄的尾端,指針才開始換行。讀完數(shù)據(jù)后的指針位置讀完數(shù)據(jù)后的指針位置 分別用列表方式、列方式、格式化方式讀入下一段數(shù)據(jù)-+-1-+-2-+-3REGION1 49670REGION2 97540REGION3 86342列表方式：列表方式：input region $ jansales;在讀完REGION1之后，指針停留在第9列上。-+-1-+-2-+-3REGION1 49670 格式化方式和列方式格式化方式和列方式列方式列方式input region $ 1-7 jansales 12-16;格式化方式格式化方式input region $7. +4 jansa

8、les 5.;input region $7. 12 jansales 5.;INPUT語(yǔ)句控制指針從前7列中讀取數(shù)據(jù)賦給變量REGION，而后指針停留在第8列上。-+-1-+-2-+-3REGION1 49670 多個(gè)數(shù)據(jù)行構(gòu)成一個(gè)觀測(cè)多個(gè)數(shù)據(jù)行構(gòu)成一個(gè)觀測(cè) 看下面的例子:data list2; in; input #4 name $ 1-10 #2 age 13-14 #3 team 16 ; datalines;li 12 1wang 45 2zhou 12 3qian 3 4zhang 23 5ren 11 6wu 1 7qiu 98 8;proc print data=list2;q

9、uit;Obs name age team1 qian 45 32 qiu 11 7input #4 name $ 1-10 #2 age 13-14 team 16 ;對(duì)應(yīng)輸出窗口結(jié)果Obs name age team1 qian 45 22 qiu 11 6指針超過(guò)行的結(jié)尾指針超過(guò)行的結(jié)尾 在使用或+控制指針時(shí)，如果指針移動(dòng)超過(guò)數(shù)據(jù)行的結(jié)尾，則自動(dòng)轉(zhuǎn)到下一次數(shù)據(jù)記錄行的第一列，并將此信息輸入到SAS日志中。如下例：data one;input x +6 y;cards;1 2 3 4;run;/*x=1 y=3*/23 data one;24 input x +6 y;25 cards;N

10、OTE: INPUT 語(yǔ)句到達(dá)一行的末尾，SAS 已轉(zhuǎn)到新的一行。NOTE: 數(shù)據(jù)集 WORK.ONE 有 1 個(gè)觀測(cè)和 2 個(gè)變量。NOTE: “DATA 語(yǔ)句”所用時(shí)間（總處理時(shí)間）: 實(shí)際時(shí)間 0.05 秒 CPU 時(shí)間 0.06 秒30 ;31 run;指針移到第一列之前指針移到第一列之前 當(dāng)列指針試圖移到第一列之前的位置時(shí)，會(huì)被限制到第一列。例例24. 5 列指針移到第一列。data one;input x (A-7) y;cards;1;run;/*x=1 y=1*/SAS在讀完X的值之后，指針回到第一列。x和y有同樣的值。 恩格爾和克拉格（恩格爾和克拉格（Kraft, D., 1

11、983）在分析宏觀）在分析宏觀數(shù)據(jù)時(shí)，發(fā)現(xiàn)這樣一些現(xiàn)象：時(shí)間序列模型中的擾數(shù)據(jù)時(shí)，發(fā)現(xiàn)這樣一些現(xiàn)象：時(shí)間序列模型中的擾動(dòng)方差穩(wěn)定性比通常假設(shè)的要差。恩格爾的結(jié)論說(shuō)動(dòng)方差穩(wěn)定性比通常假設(shè)的要差。恩格爾的結(jié)論說(shuō)明在分析通貨膨脹模型時(shí)，大的及小的預(yù)測(cè)誤差會(huì)明在分析通貨膨脹模型時(shí)，大的及小的預(yù)測(cè)誤差會(huì)大量出現(xiàn)，表明存在一種異方差，其中預(yù)測(cè)誤差的大量出現(xiàn)，表明存在一種異方差，其中預(yù)測(cè)誤差的方差取決于后續(xù)擾動(dòng)項(xiàng)的大小。方差取決于后續(xù)擾動(dòng)項(xiàng)的大小。 從事于股票價(jià)格、通貨膨脹率、外匯匯率等金融時(shí)間序從事于股票價(jià)格、通貨膨脹率、外匯匯率等金融時(shí)間序列預(yù)測(cè)的研究工作者，曾發(fā)現(xiàn)他們對(duì)這些變量的預(yù)測(cè)能力隨列預(yù)測(cè)的研究

12、工作者，曾發(fā)現(xiàn)他們對(duì)這些變量的預(yù)測(cè)能力隨時(shí)期的不同而有相當(dāng)大的變化。預(yù)測(cè)的誤差在某一時(shí)期里相時(shí)期的不同而有相當(dāng)大的變化。預(yù)測(cè)的誤差在某一時(shí)期里相對(duì)地小，而在某一時(shí)期里則相對(duì)地大，然后，在另一時(shí)期又對(duì)地小，而在某一時(shí)期里則相對(duì)地大，然后，在另一時(shí)期又是較小的。這種變異很可能由于金融市場(chǎng)的波動(dòng)性易受謠言、是較小的。這種變異很可能由于金融市場(chǎng)的波動(dòng)性易受謠言、政局變動(dòng)、政府貨幣與財(cái)政政策變化等等的影響。從而說(shuō)明政局變動(dòng)、政府貨幣與財(cái)政政策變化等等的影響。從而說(shuō)明預(yù)測(cè)誤差的方差中有某種相關(guān)性。預(yù)測(cè)誤差的方差中有某種相關(guān)性。 為了刻畫這種相關(guān)性，恩格爾提出自回歸條件異方差為了刻畫這種相關(guān)性，恩格爾提出自

13、回歸條件異方差(ARCH)模型。模型。ARCH的主要思想是時(shí)刻的主要思想是時(shí)刻 t 的的ut 的方差的方差( (= t2 ) )依賴于時(shí)刻依賴于時(shí)刻(t 1)的擾動(dòng)項(xiàng)平方的大小，即依賴于的擾動(dòng)項(xiàng)平方的大小，即依賴于 t2- 1 。 為了說(shuō)得更具體，讓我們回到為了說(shuō)得更具體，讓我們回到k -變量回歸模型：變量回歸模型：(6.1.1) 如果如果 ut 的均值為零，對(duì)的均值為零，對(duì) yt 取基于取基于(t-1)時(shí)刻的信息的期望，即時(shí)刻的信息的期望，即Et-1(yt)，有如下的關(guān)系：有如下的關(guān)系： (6.1.2)由于由于 yt 的均值近似等于式（的均值近似等于式（6.1.1）的估計(jì)值，所以式（）的估計(jì)

14、值，所以式（6.1.1）也稱為也稱為。ttkkttuxxy110ktkttttxxxy221101)(E 假設(shè)在時(shí)刻假設(shè)在時(shí)刻 ( t 1 ) 所有信息已知的條件下，擾所有信息已知的條件下，擾動(dòng)項(xiàng)動(dòng)項(xiàng) ut 的條件分布是：的條件分布是： (6.1.7) 也就是，也就是，ut 遵循以遵循以0為均值，為均值，( 0+ 1u2t-1 )為方差的為方差的正態(tài)分布。正態(tài)分布。tu)( ,02110tuN 由于由于(6.1.7)中中 ut 的方差依賴于前期的平方擾動(dòng)項(xiàng)，我們稱的方差依賴于前期的平方擾動(dòng)項(xiàng)，我們稱它為它為ARCH(1)過(guò)程：過(guò)程： 通常用極大似然估計(jì)得到參數(shù)通常用極大似然估計(jì)得到參數(shù) 0,

15、1, 2, , k, 0, 1的有的有效估計(jì)。效估計(jì)。 容易加以推廣，容易加以推廣，ARCH ( (p) )過(guò)程可以寫為：過(guò)程可以寫為： (6.1.8)這時(shí)方差方程中的這時(shí)方差方程中的(p+1)個(gè)參數(shù)個(gè)參數(shù) 0, 1, 2, , p也要和回歸模也要和回歸模型中的參數(shù)型中的參數(shù) 0, 1, 2, , k一樣，利用極大似然估計(jì)法進(jìn)行估一樣，利用極大似然估計(jì)法進(jìn)行估計(jì)。計(jì)。21102)var(tttuu222221102)var(ptpttttuuuu 如果擾動(dòng)項(xiàng)方差中沒有自相關(guān)，就會(huì)有如果擾動(dòng)項(xiàng)方差中沒有自相關(guān)，就會(huì)有 H0 ：這時(shí)這時(shí) 從而得到擾動(dòng)項(xiàng)方差的同方差性情形。從而得到擾動(dòng)項(xiàng)方差的同方差

16、性情形。 恩格爾曾表明，容易通過(guò)以下的回歸去檢驗(yàn)上述虛擬恩格爾曾表明，容易通過(guò)以下的回歸去檢驗(yàn)上述虛擬假設(shè)：假設(shè)：其中，其中，t 表示從原始回歸模型（表示從原始回歸模型（6.1.1）估計(jì)得到的）估計(jì)得到的OLS殘殘差。差。 222221102ptptttuuuu021p02)var(tu 在在 ARCH(p) 過(guò)程中，由于過(guò)程中，由于 ut 是隨機(jī)的是隨機(jī)的，ut2 不可能不可能為負(fù)，所以對(duì)于為負(fù)，所以對(duì)于 ut 的所有實(shí)現(xiàn)值，只有是正的，才是的所有實(shí)現(xiàn)值，只有是正的，才是合理的。為使合理的。為使 ut2 協(xié)方差平穩(wěn)，所以進(jìn)一步要求相應(yīng)的協(xié)方差平穩(wěn)，所以進(jìn)一步要求相應(yīng)的特征方程特征方程 （6.

17、1.9）的根全部位于單位圓外。如果的根全部位于單位圓外。如果 i（i = = 1, 2, , p）都非都非負(fù)，式（負(fù)，式（6.1.9）等價(jià)于）等價(jià)于 1 + + 2 + + + + p 1 1。 01221ppzzz 下面介紹檢驗(yàn)一個(gè)模型的殘差是否含有下面介紹檢驗(yàn)一個(gè)模型的殘差是否含有ARCH效應(yīng)的效應(yīng)的兩種方法：兩種方法：ARCH LM檢驗(yàn)和殘差平方相關(guān)圖檢驗(yàn)。檢驗(yàn)和殘差平方相關(guān)圖檢驗(yàn)。 Engle在在1982年提出檢驗(yàn)殘差序列中是否存在年提出檢驗(yàn)殘差序列中是否存在ARCH效應(yīng)的拉格朗日乘數(shù)檢驗(yàn)（效應(yīng)的拉格朗日乘數(shù)檢驗(yàn)（Lagrange multiplier test），），即即ARCH L

18、M檢驗(yàn)。自回歸條件異方差性的這個(gè)特殊的設(shè)檢驗(yàn)。自回歸條件異方差性的這個(gè)特殊的設(shè)定，是由于人們發(fā)現(xiàn)在許多金融時(shí)間序列中，殘差的大小定，是由于人們發(fā)現(xiàn)在許多金融時(shí)間序列中，殘差的大小與最近的殘差值有關(guān)。與最近的殘差值有關(guān)。ARCH本身不能使標(biāo)準(zhǔn)的本身不能使標(biāo)準(zhǔn)的OLS估計(jì)估計(jì)無(wú)效，但是，忽略無(wú)效，但是，忽略ARCH影響可能導(dǎo)致有效性降低。影響可能導(dǎo)致有效性降低。 ARCH LM檢驗(yàn)統(tǒng)計(jì)量由一個(gè)輔助檢驗(yàn)回歸計(jì)算。為檢檢驗(yàn)統(tǒng)計(jì)量由一個(gè)輔助檢驗(yàn)回歸計(jì)算。為檢驗(yàn)驗(yàn)，運(yùn)行如下回歸：運(yùn)行如下回歸： 式中式中 t 是殘差。這是一個(gè)對(duì)常數(shù)和直到是殘差。這是一個(gè)對(duì)常數(shù)和直到 q 階的滯后平方殘階的滯后平方殘差所作的

19、回歸。這個(gè)檢驗(yàn)回歸有兩個(gè)統(tǒng)計(jì)量：差所作的回歸。這個(gè)檢驗(yàn)回歸有兩個(gè)統(tǒng)計(jì)量： （1）F 統(tǒng)計(jì)量是對(duì)所有殘差平方的滯后的聯(lián)合顯著性所統(tǒng)計(jì)量是對(duì)所有殘差平方的滯后的聯(lián)合顯著性所作的一個(gè)省略變量檢驗(yàn)；作的一個(gè)省略變量檢驗(yàn)； （2）T R2 統(tǒng)計(jì)量是統(tǒng)計(jì)量是Engles LM檢驗(yàn)統(tǒng)計(jì)量，它是觀測(cè)檢驗(yàn)統(tǒng)計(jì)量，它是觀測(cè)值個(gè)數(shù)值個(gè)數(shù) T 乘以回歸檢驗(yàn)的乘以回歸檢驗(yàn)的 R2 ； tqtqttuuu221102 普通回歸方程的普通回歸方程的ARCH檢驗(yàn)都是在殘差檢驗(yàn)下拉列表中檢驗(yàn)都是在殘差檢驗(yàn)下拉列表中進(jìn)行的，需要注意的是，只有使用最小二乘法、二階段最進(jìn)行的，需要注意的是，只有使用最小二乘法、二階段最小二乘法和非線

20、性最小二乘法估計(jì)的方程才有此項(xiàng)檢驗(yàn)。小二乘法和非線性最小二乘法估計(jì)的方程才有此項(xiàng)檢驗(yàn)。 Breusch-Pagan-GodfreyHarveyGlejserARCHWhiteC u s t o m T e s t Wizard 顯示直到所定義的滯后階數(shù)的殘差平方顯示直到所定義的滯后階數(shù)的殘差平方t2的自相關(guān)性和的自相關(guān)性和偏自相關(guān)性，計(jì)算出相應(yīng)滯后階數(shù)的偏自相關(guān)性，計(jì)算出相應(yīng)滯后階數(shù)的Ljung-Box統(tǒng)計(jì)量。殘統(tǒng)計(jì)量。殘差平方相關(guān)圖可以用來(lái)檢查殘差自回歸條件異方差性差平方相關(guān)圖可以用來(lái)檢查殘差自回歸條件異方差性（ARCH）。）?？蛇m用于使用可適用于使用LS，TSLS，非線性，非線性LS估計(jì)方

21、程。在圖估計(jì)方程。在圖6.4中選擇中選擇Residuals Tests/ Correlogram Squared Residuals項(xiàng)，它是對(duì)方程進(jìn)行殘差平項(xiàng)，它是對(duì)方程進(jìn)行殘差平方相關(guān)圖的檢驗(yàn)。單擊該命令，會(huì)彈出一個(gè)輸入計(jì)算自相關(guān)方相關(guān)圖的檢驗(yàn)。單擊該命令，會(huì)彈出一個(gè)輸入計(jì)算自相關(guān)和偏自相關(guān)系數(shù)的滯后階數(shù)設(shè)定的對(duì)話框，默認(rèn)的設(shè)定為和偏自相關(guān)系數(shù)的滯后階數(shù)設(shè)定的對(duì)話框，默認(rèn)的設(shè)定為36，單擊單擊OK按鈕，得到檢驗(yàn)結(jié)果。按鈕，得到檢驗(yàn)結(jié)果。 為了檢驗(yàn)股票價(jià)格指數(shù)的波動(dòng)是否具有條件異方為了檢驗(yàn)股票價(jià)格指數(shù)的波動(dòng)是否具有條件異方差性，本例選擇了滬市股票的收盤價(jià)格指數(shù)的日數(shù)據(jù)作差性，本例選擇了滬市股票

22、的收盤價(jià)格指數(shù)的日數(shù)據(jù)作為樣本序列，這是因?yàn)樯虾９善笔袌?chǎng)不僅開市早，市值為樣本序列，這是因?yàn)樯虾９善笔袌?chǎng)不僅開市早，市值高，對(duì)于各種沖擊的反應(yīng)較為敏感，因此，本例所分析高，對(duì)于各種沖擊的反應(yīng)較為敏感，因此，本例所分析的滬市股票價(jià)格波動(dòng)具有一定代表性。在這個(gè)例子中，的滬市股票價(jià)格波動(dòng)具有一定代表性。在這個(gè)例子中，我們選擇的樣本序列我們選擇的樣本序列sp是是1996年年1月月1日至日至2006年年12月月31日的上海證券交易所每日股票價(jià)格收盤指數(shù)，為了減日的上海證券交易所每日股票價(jià)格收盤指數(shù)，為了減少舍入誤差，在估計(jì)時(shí)，對(duì)少舍入誤差，在估計(jì)時(shí)，對(duì)sp進(jìn)行自然對(duì)數(shù)處理，即進(jìn)行自然對(duì)數(shù)處理，即將序列將

23、序列l(wèi)n(sp)作為因變量進(jìn)行估計(jì)。作為因變量進(jìn)行估計(jì)。 由于股票價(jià)格指數(shù)序列常常用一種特殊的單位根過(guò)由于股票價(jià)格指數(shù)序列常常用一種特殊的單位根過(guò)程程隨機(jī)游動(dòng)（隨機(jī)游動(dòng)（Random Walk）模型描述，所以本例進(jìn)）模型描述，所以本例進(jìn)行估計(jì)的基本形式為：行估計(jì)的基本形式為： (6.1.12) 首先利用最小二乘法，估計(jì)了一個(gè)普通的回歸方程，結(jié)首先利用最小二乘法，估計(jì)了一個(gè)普通的回歸方程，結(jié)果如下：果如下：(6.1.13) (2.35) (951) R2= 0.997 tttuspsp)ln()ln(110)ln(9976. 00178. 0)ln(1ttspps 可以看出，這個(gè)方程的統(tǒng)計(jì)量很顯

24、著，而且，擬合可以看出，這個(gè)方程的統(tǒng)計(jì)量很顯著，而且，擬合 的程度也很好。但是需要檢驗(yàn)這個(gè)方程的誤差項(xiàng)是否存的程度也很好。但是需要檢驗(yàn)這個(gè)方程的誤差項(xiàng)是否存在條件異方差性，。在條件異方差性，。 觀察上圖，該回歸方程的殘差，我們可以注意到波動(dòng)的觀察上圖，該回歸方程的殘差，我們可以注意到波動(dòng)的“成成群群”現(xiàn)象：波動(dòng)在一些較長(zhǎng)的時(shí)間內(nèi)非常小，在其他一些較長(zhǎng)的現(xiàn)象：波動(dòng)在一些較長(zhǎng)的時(shí)間內(nèi)非常小，在其他一些較長(zhǎng)的時(shí)間內(nèi)非常大，這說(shuō)明殘差序列存在高階時(shí)間內(nèi)非常大，這說(shuō)明殘差序列存在高階ARCH效應(yīng)。效應(yīng)。 因此，對(duì)式因此，對(duì)式(6.1.26)進(jìn)行條件異方差的進(jìn)行條件異方差的ARCH LM檢驗(yàn)，得檢驗(yàn)，得到

25、了在滯后階數(shù)到了在滯后階數(shù)p = 3時(shí)的時(shí)的ARCH LM檢驗(yàn)結(jié)果如下。此處的檢驗(yàn)結(jié)果如下。此處的P值為值為0，拒絕原假設(shè)，說(shuō)明式（，拒絕原假設(shè)，說(shuō)明式（6.1.26）的殘差序列存在）的殘差序列存在ARCH效應(yīng)。效應(yīng)。 可以計(jì)算式（可以計(jì)算式（6.1.26）的殘差平方）的殘差平方t2的自相關(guān)（的自相關(guān)（AC）和偏自）和偏自相關(guān)（相關(guān)（PAC）系數(shù)，結(jié)果說(shuō)明式（）系數(shù)，結(jié)果說(shuō)明式（6.1.26）的殘差序列存在）的殘差序列存在ARCH效應(yīng)。效應(yīng)。 本例建立本例建立CPI模型，因變量為中國(guó)的消費(fèi)價(jià)格指數(shù)（上年同月模型，因變量為中國(guó)的消費(fèi)價(jià)格指數(shù)（上年同月=100）減去）減去100，記為，記為cpit

26、；解釋變量選擇貨幣政策變量：狹義貨；解釋變量選擇貨幣政策變量：狹義貨幣供應(yīng)量幣供應(yīng)量M1的增長(zhǎng)率，記為的增長(zhǎng)率，記為m1rt；3年期貸款利率，記為年期貸款利率，記為Rt，樣本，樣本期間是期間是1994年年1月月2007年年12月。由于是月度數(shù)據(jù)，利用月。由于是月度數(shù)據(jù)，利用X-12季節(jié)季節(jié)調(diào)整方法對(duì)調(diào)整方法對(duì) cpit 和和 m1rt 進(jìn)行了調(diào)整，結(jié)果如下：進(jìn)行了調(diào)整，結(jié)果如下： t = (19.5) (-5.17) (2.88) (-2.74) R2=0.99 對(duì)數(shù)似然值對(duì)數(shù)似然值 = -167.79 AIC = 2.045 SC =2.12 ttttttuRrmcpicpicpi06. 0

27、168. 236. 035. 12121 這個(gè)方程的統(tǒng)計(jì)量很顯著，擬合的程度也很好。但是這個(gè)方程的統(tǒng)計(jì)量很顯著，擬合的程度也很好。但是觀察該回歸方程的殘差圖，也可以注意到波動(dòng)的觀察該回歸方程的殘差圖，也可以注意到波動(dòng)的“成群成群”現(xiàn)象：波動(dòng)在一些時(shí)期內(nèi)較小，在其他一些時(shí)期內(nèi)較大，現(xiàn)象：波動(dòng)在一些時(shí)期內(nèi)較小，在其他一些時(shí)期內(nèi)較大，這說(shuō)明誤差項(xiàng)可能具有條件異方差性。這說(shuō)明誤差項(xiàng)可能具有條件異方差性。 從自相關(guān)系數(shù)和偏自相關(guān)系數(shù)可以看出：殘差序列存在從自相關(guān)系數(shù)和偏自相關(guān)系數(shù)可以看出：殘差序列存在著一階著一階ARCH效應(yīng)。再進(jìn)行條件異方差的效應(yīng)。再進(jìn)行條件異方差的ARCH LM檢驗(yàn)，檢驗(yàn)，得到了在滯

28、后階數(shù)得到了在滯后階數(shù)p = 1時(shí)的時(shí)的ARCH LM檢驗(yàn)結(jié)果：檢驗(yàn)結(jié)果： 因此計(jì)算殘差平方因此計(jì)算殘差平方t2的自相關(guān)（的自相關(guān)（AC）和偏自相關(guān)（）和偏自相關(guān)（PAC）系數(shù)，結(jié)果如下：系數(shù)，結(jié)果如下： 從自相關(guān)系數(shù)和偏自相關(guān)系數(shù)可以看出：殘差序列存在著一階從自相關(guān)系數(shù)和偏自相關(guān)系數(shù)可以看出：殘差序列存在著一階ARCH效應(yīng)。因此利用效應(yīng)。因此利用ARCH(1)模型重新估計(jì)模型模型重新估計(jì)模型（6.1.14），結(jié)），結(jié)果如下：果如下： 均值方程：均值方程： z = (12.53) (-1.53) (4.72) (-3.85) 方差方程：方差方程： z = (5.03) (3.214) R2=0

29、.99 對(duì)數(shù)似然值對(duì)數(shù)似然值 = -151.13 AIC = 1.87 SC = 1.98 方差方程中的方差方程中的ARCH項(xiàng)的系數(shù)是統(tǒng)計(jì)顯著的，并且對(duì)數(shù)似然值項(xiàng)的系數(shù)是統(tǒng)計(jì)顯著的，并且對(duì)數(shù)似然值有所增加，同時(shí)有所增加，同時(shí)AIC和和SC值都變小了，這說(shuō)明值都變小了，這說(shuō)明ARCH(1)模型能夠更模型能夠更好的擬合數(shù)據(jù)。好的擬合數(shù)據(jù)。 ttttttuRrmcpicpicpi062. 01098. 313. 0088. 12121212648. 0186. 0ttu 再對(duì)這個(gè)方程進(jìn)行條件異方差的再對(duì)這個(gè)方程進(jìn)行條件異方差的ARCH LM檢驗(yàn)，得到檢驗(yàn)，得到了殘差序列在滯后階數(shù)了殘差序列在滯后階數(shù)

30、p=1時(shí)的統(tǒng)計(jì)結(jié)果：時(shí)的統(tǒng)計(jì)結(jié)果： 此時(shí)的相伴概率為此時(shí)的相伴概率為0.69，接受原假設(shè)，認(rèn)為該殘差序列，接受原假設(shè)，認(rèn)為該殘差序列不存在不存在ARCH效應(yīng)，說(shuō)明利用效應(yīng)，說(shuō)明利用ARCH(1)模型消除了式模型消除了式（6.1.14）的殘差序列的條件異方差性。式（）的殘差序列的條件異方差性。式（6.1.15）的殘差）的殘差平方相關(guān)圖的檢驗(yàn)結(jié)果為：平方相關(guān)圖的檢驗(yàn)結(jié)果為： 自相關(guān)系數(shù)和偏自相關(guān)系數(shù)近似為自相關(guān)系數(shù)和偏自相關(guān)系數(shù)近似為0。這個(gè)結(jié)果也說(shuō)明。這個(gè)結(jié)果也說(shuō)明了殘差序列不再存在了殘差序列不再存在ARCH效應(yīng)。效應(yīng)。 擾動(dòng)項(xiàng)擾動(dòng)項(xiàng) ut 的方差常常依賴于很多時(shí)刻之前的變化量的方差常常依賴于很

31、多時(shí)刻之前的變化量（特別是在金融領(lǐng)域，采用日數(shù)據(jù)或周數(shù)據(jù)的應(yīng)用更是如（特別是在金融領(lǐng)域，采用日數(shù)據(jù)或周數(shù)據(jù)的應(yīng)用更是如此）。因此此）。因此 必須估計(jì)很多參數(shù)，而這一點(diǎn)很難精確的做到。必須估計(jì)很多參數(shù)，而這一點(diǎn)很難精確的做到。但是如果我們能夠意識(shí)到方程但是如果我們能夠意識(shí)到方程(6.1.8)不過(guò)是不過(guò)是 t2 的分布滯后模的分布滯后模型，型，我們就能夠用一個(gè)或兩個(gè)我們就能夠用一個(gè)或兩個(gè) t2 的滯后值代替許多的滯后值代替許多 ut2的滯后值，的滯后值，這 就 是 廣 義 自 回 歸 條 件 異 方 差 模 型這 就 是 廣 義 自 回 歸 條 件 異 方 差 模 型 ( g e n e r a

32、l i z e d autoregressive conditional heterosce-dasticity model，簡(jiǎn)記，簡(jiǎn)記為為GARCH模型模型)。在。在GARCH模型中，要考慮兩個(gè)不同的設(shè)模型中，要考慮兩個(gè)不同的設(shè)定：一個(gè)是條件均值，另一個(gè)是條件方差。定：一個(gè)是條件均值，另一個(gè)是條件方差。 222221102ptptttuuu 在標(biāo)準(zhǔn)化的在標(biāo)準(zhǔn)化的GARCH(1,1)模型中：模型中：均值方程：均值方程：(6.1.17)方差方程：方差方程：(6.1.18)其中：其中：xt 是是 (k+1)1維外生變量向量維外生變量向量， 是是(k+1)1維系數(shù)向維系數(shù)向量量。 (6.1.17)中

33、給出的均值方程是一個(gè)帶有擾動(dòng)項(xiàng)的外生變量中給出的均值方程是一個(gè)帶有擾動(dòng)項(xiàng)的外生變量函數(shù)。由于函數(shù)。由于 t2是以前面信息為基礎(chǔ)的一期向前預(yù)測(cè)方差是以前面信息為基礎(chǔ)的一期向前預(yù)測(cè)方差 ，所，所以它被稱作條件方差以它被稱作條件方差，式式（6.1.18）也被稱作也被稱作 。tttuyx21212tttu (6.1.18)中給出的條件方差方程是下面三項(xiàng)的函數(shù)：中給出的條件方差方程是下面三項(xiàng)的函數(shù)： 1常數(shù)項(xiàng)（均值）：常數(shù)項(xiàng)（均值）： 2用均值方程用均值方程(6.1.11)的擾動(dòng)項(xiàng)平方的滯后來(lái)度量的擾動(dòng)項(xiàng)平方的滯后來(lái)度量從前期得到的波動(dòng)性的信息：從前期得到的波動(dòng)性的信息： ut2-1（ARCH項(xiàng)）。項(xiàng)）

34、。 3上一期的預(yù)測(cè)方差：上一期的預(yù)測(cè)方差： t2-1 （GARCH項(xiàng)）。項(xiàng)）。 GARCH(1,1)模型中的模型中的(1,1)是指階數(shù)為是指階數(shù)為1的的GARCH項(xiàng)（括號(hào)中的第一項(xiàng)）和階數(shù)為項(xiàng)（括號(hào)中的第一項(xiàng)）和階數(shù)為1的的ARCH項(xiàng)（括號(hào)中的項(xiàng)（括號(hào)中的第二項(xiàng)）。一個(gè)普通的第二項(xiàng)）。一個(gè)普通的ARCH模型是模型是GARCH模型的一個(gè)模型的一個(gè)特例，特例，GARCH(0,1)，即在條件方差方程中不存在滯后預(yù)，即在條件方差方程中不存在滯后預(yù)測(cè)方差測(cè)方差 t2-1的說(shuō)明。的說(shuō)明。 在在EViews中中ARCH模型是在擾動(dòng)項(xiàng)是條件正態(tài)分布的假定下，模型是在擾動(dòng)項(xiàng)是條件正態(tài)分布的假定下，通過(guò)極大似然函

35、數(shù)方法估計(jì)的。例如，對(duì)于通過(guò)極大似然函數(shù)方法估計(jì)的。例如，對(duì)于GARCH(1,1)，t 時(shí)期時(shí)期的對(duì)數(shù)似然函數(shù)為：的對(duì)數(shù)似然函數(shù)為：(6.1.19) 其中其中 (6.1.20) 這個(gè)說(shuō)明通?？梢栽诮鹑陬I(lǐng)域得到解釋，因?yàn)榇砩袒蛸Q(mào)易這個(gè)說(shuō)明通?？梢栽诮鹑陬I(lǐng)域得到解釋，因?yàn)榇砩袒蛸Q(mào)易商可以通過(guò)建立長(zhǎng)期均值的加權(quán)平均（常數(shù)），上期的預(yù)期方差商可以通過(guò)建立長(zhǎng)期均值的加權(quán)平均（常數(shù)），上期的預(yù)期方差（GARCH項(xiàng)）和在以前各期中觀測(cè)到的關(guān)于變動(dòng)性的信息項(xiàng)）和在以前各期中觀測(cè)到的關(guān)于變動(dòng)性的信息（ARCH項(xiàng)）來(lái)預(yù)測(cè)本期的方差。如果上升或下降的資產(chǎn)收益出項(xiàng)）來(lái)預(yù)測(cè)本期的方差。如果上升或下降的資產(chǎn)收益出乎意料地大