計量經濟什麼是白噪音

㈠ 單位根檢驗有哪些

問題一：單位根檢驗 5分 投入為序列x，收入為序列y，導入數據後並選xy，open as group做散點圖可以觀察到數據有向上的趨勢，隨x的增加y也增加，說明數據有趨勢
打開序列，選view，unit root test，單位根檢驗又稱ADF檢驗，test type不需要改
主要需要注意的選項是 test for unit root in level表示對原序列進行單位根檢驗
1st difference 表示對一階差分後的序列進行單位根檢驗
2nd difference 表示對二階差分後的序列進行單位根檢驗
一般單位根檢驗都是對原序列，此處選 level
include in test equation 下的三個選項分別是，截距項，截距項和趨勢，none（針對平穩的時間序列來說是既無截距項又無趨勢）由圖可知數據存在趨勢，此處選trend and intercept
請採納答案，支持我一下。

問題二：單位根檢驗的根據什麼確定 單位根檢驗是指檢驗序列中是否存在單位根，因為存在單位根就是非平穩時間序列了。單位根就是指單位根過程，可以證明，序列中存在單位根過程就不平穩，會使回歸分析中存在偽回歸。
中文名
單位根檢驗
外文名
Unit root test
單位根檢驗
是指檢驗序列中是否存在單位根
單位根
就是指單位根過程，可以證明
對於存在
單位根的時間序列
簡介 聽語音
單位根檢驗是隨機過程的問題。定義隨機序列{ x_t}，t=1,2,…是一單位根過程，若x_t=ρx_t-1 +ε ， t=1,2… 其中ρ=1，{ε }為一平穩序列(白噪音)，且E[ε ]=0, V(ε )=σ 問題三：有誰懂單位根檢驗？？ 15分 單位根就是說，如果設n 是正整數，當一個數的n 次乘方等於1 時，稱此數為n 次「單位根」

問題四：單位根檢驗、協整、格蘭傑因果檢驗有什麼關系？ 單位根檢驗、協整檢驗和格蘭傑因果關系檢驗三者之間的關系 實證檢驗步驟：先做單位根檢驗，看變數序列是否平穩序列，若平穩，可構造回歸模型等經典計量經濟學模型；若非平穩，進行差分，當進行到第i次差分時序列平穩，則服從i階單整（注意趨勢、截距不同情況選擇，根據P值和原假設判定）。若所有檢驗序列均服從同階單整，可構造VAR模型，做協整檢驗（注意滯後期的選擇），判斷模型內部變數間是否存在協整關系，即是否存在長期均衡關系。如果有，則可以構造VEC模型或者進行Granger因果檢驗，檢驗變數之間「誰引起誰變化」，即因果關系。一、討論一1、單位根檢驗是序列的平穩性檢驗，如果不檢驗序列的平穩性直接OLS容易導致偽回歸。2、當檢驗的數據是平穩的（即不存在單位根），要想進一步考察變數的因果聯系，可以採用格蘭傑因果檢驗，但要做格蘭傑檢驗的前提是數據必須是平穩的，否則不能做。3、當檢驗的數據是非平穩（即存在單位根），並且各個序列是同階單整（協整檢驗的前提），想進一步確定變數之間是否存在協整關系，可以進行協整檢驗，協整檢驗主要有EG兩步法和JJ檢驗A、EG兩談咐步法是基於回歸殘差的檢驗，可以通過建立OLS模型檢驗其殘差平穩性B、JJ檢驗是基於回歸系數的檢驗，前提是建立VAR模型（即模型符合ADL模式）4、當變數之間存在協整關系時，可以建激蔽立ECM進一步考察短期關系，Eviews這里還提供了一個Wald－Granger檢驗，但此時的格蘭傑已經不是因果關系檢驗，而是變數外生性檢驗，請注意識別 二、討論二1、格蘭傑檢驗只能用於平穩序列！這是格蘭傑檢驗的前提，而其因果關系並非我們通常理解的因與果的關系，而是說x的前期變化能有效地解釋y的變化，所以稱其為「格蘭傑原因」。2、非平穩序列很可能出現偽回歸，協整的意義就是檢驗它們的回歸方程所描述的因果關系是否是偽回歸，即檢驗變數之間是否存在穩定的關系。所以，非平穩序列的因果關系檢驗就是協整檢驗。3、平穩性檢驗有3個作用：1）檢驗平穩性，若平穩，做格蘭傑檢驗，非平穩，作協正檢驗。2）協整檢驗中要用到每個序列的單整階數。3）判斷時間學列的數據生成過程。 三、討論明侍州三其實很多人存在誤解。有如下幾點，需要澄清：第一，格蘭傑因果檢驗是檢驗統計上的時間先後順序，並不表示而這真正存在因果關系，是否呈因果關系需要根據理論、經驗和模型來判定。第二，格蘭傑因果檢驗的變數應是平穩的，如果單位根檢驗發現兩個變數是不穩定的，那麼，不能直接進行格蘭傑因果檢驗，所以，很多人對不平穩的變數進行格蘭傑因果檢驗，這是錯誤的。第三，協整結果僅表示變數間存在長期均衡關系，那麼，到底是先做格蘭傑還是先做協整呢？因為變數不平穩才需要協整，所以，首先因對變數進行差分，平穩後，可以用差分項進行格蘭傑因果檢驗，來判定變數變化的先後時序，之後，進行協整，看變數是否存在長期均衡。第四，長期均衡並不意味著分析的結束，還應考慮短期波動，要做誤差修正檢驗。

問題五：趨勢性檢驗中,進行單位根檢驗的意義是什麼 對非平穩序列使用傳統的估計方法時(像普通最小二乘估計OLS)，以及估計變數間的關系時會得出錯誤推斷。正確的方法是在檢驗時間趨勢之前，要先確定時間序列中是否存在單位根。如果變數不能拒絕有單位根，則認為是非平穩的。如果經過單位根檢驗得到所研究的序列是非平穩的，可以通過一次或多次差分變為平穩序列。

問題六：EVIEWS中怎麼對多個變數 單位根檢驗以及回歸分析 30分 你問的問題太多
比如吧，第一個問題，那是當然的，必須的
第二個問題，沒有必須的要求的
滯後項就是常識性問題了
所以呢，你的問題太常識太基礎了，如果不會做數據分析的話，讓人幫你
我經常幫別人做這類的數據分析的

問題七：Eviews單位根檢驗結果怎麼看 10分 看ADF那一行的p值，越接近0越說明序列是平穩的，第一個p=0.0526，在10%上通過平穩性檢驗，在5%上不通過，第二個p=0.0730，也是在10%上通過5%上不通過

問題八：時間序列單位根檢驗問題 1.建立workfile 然後將序列打開 在view中可以找到unit root test 進入後是用ADF檢驗 設定滯後期數 得到結果
2.分別對兩組時間序列進行單位根檢驗，檢查它們的平穩性。非平穩序列之間的關系可能是偽回歸。同時也可雞存在協整關系，得到回歸方程後，使用單位根檢驗殘差序列的平穩性。

問題九：怎麼用R語言做單位根檢驗 R語言做單位根檢驗的幾個方法：
一是用fUnitRoots包中的UnitrootTests()和adfTest()
二是用tseries包中的adf.test()和pp.test()
用法都基本類似，可以看一下help的example
希望對你有用。

㈡ 計量經濟學中的"白雜訊"是什麼概念

白雜訊(White Noise)中各個頻點/頻段具有相同的電中漏平/能量，如100～200Hz與1000～1100Hz范圍內的雜訊能量是相同的，但由於人耳前首的聽覺特性對高頻較敏感，實際聽到的是明亮的「噝噝」聲。電視機無信號時的背景雜訊和調頻收音機無台時的背景雜訊均是白雜訊。白雜訊可用來測量揚聲器和耳機的諧振和靈敏度等賣悔爛。

㈢ 計量經濟學中，「白雜訊」通俗的講，是什麼意

很多種舉拍來源：
1、模型中沒有引入亮族進來的自變數
2、變數的測量誤正鍵羨差
3、變數的波動
4、。。。

㈣ 計量經濟學數理推導

        

        隨機誤差項

        

        

        殘差項

        

    ①線性回歸模型→正確型塌的變數集&函數形式

    ② 是固定的或獨立於誤差項→

    ③不存在設定偏誤→

    ④同方差性→

    ⑤干擾項無自相關→

    ⑥觀測次數大於待估參數個數

    ⑦ 性質良好→ 具有足夠變異性且

        估計值：

    其中

        估計方法：①最小二乘法（OLS）；②最大似然法（ML）；③參數估計矩法（MM）

    ①線性性

        記

        則

    ②無偏性

        

        

        則

    ③有效性

        

        

    ④一致性

        

        

        

        

    ①隨機誤差項方差的預測值：

        OLS下，

        ML下，

    ②總體條件均值的預測值：

        

        

        

    ③總體個別值的預測值：

        

        

    ①異方差性；②序列相關性；③多重共線性；④隨機解釋變數

    ①虛擬變數模型；②滯後變數模型；③模型設定偏誤

    ①選擇性樣本模型；②二元離散選擇模型；③平行數據模型

        稱時間序列 為寬平穩過程，若：

    ① ；② ；③

        均與時間 無關

        總體ACF：

        樣宴租輪本ACF：

         與 之間消除了中間變數 帶來的間接相關後的直接相關性

        白噪音

    ① ；② ；③

    ①DF檢驗

        

    ②ADF檢驗

        Ⅰ：

        Ⅱ：

        Ⅲ：

        

    ①自回歸過程AR(p)

        

    ②移動平均過程MA(q)

        

    ①自回歸過程AR(p)

        

        

        特徵方程

        必要條件：

        充分條件：

    ②移動平均過程MA(q)

        

        

        ... 晌信   ...

        

        有限階協方差總是平穩的

    ①自回歸過程AR(p)

        ACF：

        PACF：

        ACF拖尾，PACF截尾

    ②移動平均過程MA(q)

        ACF：

        ACF截尾，PACF拖尾

㈤ 什麼是鞅什麼是白噪音他們有什麼用途

鞅是指去了毛的獸皮，就是指套在馬頸或馬腹上的皮帶。泛指牲口拉車時的器具。

白噪音是一種功率頻譜密度為常數的隨機信號或隨機過程。在一段聲音中的頻率分量的功率在整個可聽范圍（0～20KHZ）內都是均勻的。由於人耳對高頻敏感，這種聲音聽上去是很吵耳的沙沙聲。

鞅的用途是通過套在馬頸或馬腹上，固定拉車的馬匹。

白噪音的用途利用白噪音來停止嬰兒的哭泣；幫助些經常受到環境噪音污染的人群恢復工作效率。

(5)計量經濟什麼是白噪音擴展閱讀：

白雜訊信號在各個頻段上的功率是一樣的，由於白光是由各種頻率（顏色）派行的單色光混合而成，因而此信號的這種具有平坦功率譜歲嫌的性質被稱作是「白色的」。

理想的白雜訊具有無限帶寬，因而其能量是無限大，這在現實世界是不可能存在的。實際上，人們常常將有限帶寬的平整訊號視為白噪音，因為這讓人們在認知分析上更加方便。

參考資料來源：

網路——鞅塵雀嘩

網路——白噪音

㈥ 怎樣用eviews進行白雜訊檢驗

可以打開eviews中的resid序列並將差分階數選擇為level，看伴隨p值的大小即可，如果伴隨p值大說明對應的白雜訊也較大。

只要一個雜訊過程所具有的頻譜寬度遠遠大於它所作用系統的帶寬，並且在該帶寬中其頻譜密度基本上可以作為常數來考慮，就可以把它作為白雜訊來處理。

Eviews處理的基本數據對象是時間序列，每個序列有一個名稱，只要提及序列的名稱就可以對序列中所有的觀察值御賀進行操作，Eviews允許用戶以簡便的可視化的方式從鍵盤或磁碟文件中輸入數據。

根和森據已有的序列生成新的序列，在屏幕上顯示序列或列印機上列印輸出序列，對序列之間存在的關系進行統計分析。

(6)計量經濟什麼是白噪音擴展閱讀：

eviews的優點：

EViews是在Windows操作系統中計量經濟學軟體里世界性領導軟體。強而有力和靈活性加上一個便於使用者操作的界面；最新的建模工具，快速直覺且容易使用的軟體。

由於它革新的圖表使用者界面和精密的分析引擎工具，EViews 是強喚拆畝大，靈活性和便於使用的功能。EViews 預測分析計量軟體在科學數據分析與評價、金融分析、經濟預測、銷售預測和成本分析等領域應用非常廣泛。

EViews軟體在Windows環境下運行，操作介面容易上手，使得本來復雜的數據分析過程變得易學易用。

㈦ 計量經濟學中的DF檢驗和ADF檢驗

一、DF檢驗：隨機遊走序列Xt=Xt-1+μt是非平穩的，其中μt是白雜訊。而該序列可看成是隨機模型Xt=ρXt-1+μt中參數ρ=1時的情形戚爛。

零假設H0：δ=0；備擇假設H1：δ<0可通過OLS法估計Xt=α+δXt-1+μt並計算t統計量的值，與DF分布表中給定顯著性水平下的臨界值比較：如果：t<臨界值，則拒絕零冊埋假設H0：δ=0，認為時間序列不存在單位根，是平穩的。

二、ADF檢驗：在DF檢驗中，實際上是假定了時間序列是由具有白雜訊隨機誤差項的一階自回歸過程AR（1）生成的。

但在實際檢驗中，時間序列可能由更高階的自回歸過程生成的，或者隨機誤差項並非是白雜訊，為了保證DF檢驗中隨機誤差項的白雜訊特性，Dicky和Fuller對DF檢驗進行了擴充，形成了ADF（AugmentDickey-Fuller）檢驗。

獨立四格表資料檢驗

四格表資料的卡方檢驗用於進行兩個率或兩個構成比的比較。

1、專用公式：

若四格表資料四個格子的頻數分別為a，b，c，d，則四格表資料卡方檢驗的卡方值=n(ad-bc)^2/(a+b)(c+d)(a+c)(b+d)，（或者使用擬合度公式）

自由度v=（行數-1）（列數-1）=1

2、應用條件：

要求樣本含量應大於40且每個格子中的理論頻數不應小於5。當樣本含量大於40但有1=<理論頻數<5時，卡方值需要校正，當樣本含量小於40或理論頻數小於1時只能用州仔螞確切概率法計算概率。

以上內容參考：網路-卡方檢驗

㈧ 時間序列基礎

1.隨機時姿埋序分析的基本概念
1）隨機變數：簡單的隨機現象，如某班一天學生出勤人數，是靜態的。
2）隨機過程：隨機現象的動態變化過程。動態的。如某一時期各個時刻的狀態。
所謂隨機過程，就是說現象的變化沒有確定形式，沒有必然的變化規律。用數學語言來說，就是事物變化的過程不能用一個（或幾個）時間t的確定的函數來描述。
如果對於每一特定的t屬於T（T是時間集合），X(t)是一個隨機變數，則稱這一族無窮多個隨機變數{X(t),t屬於T}是一個隨機過程。

2.白雜訊序列
1）純隨機過程：隨機變數X（t）（t=1，2，3……），如果是由一個不相關的隨機變數的序列構成的，即對於所有s不等於k，隨機變數Xs和Xk的協方差為零，則稱其為 純隨機過程 。
2）白雜訊過程：如果一個純隨機過程的期望和方差均為常數，則稱之為 白雜訊過程 。白雜訊過程的樣本實稱成為白雜訊序列，簡稱白雜訊。
3）高斯白雜訊序列：如果白雜訊具體是服從均值為0、方差為常數的正態分布，那就是 高斯白跡銷螞雜訊序列 。

3.平穩性序列
1）平穩性可以說是時間序列分析的基礎。平穩的通俗理解就是時間序列的一些行為不隨時間改變， 所謂平穩過程就是其統計特性不隨時間的平移而變化的過程。
2）即時間序列內含的規律和邏輯，要在被預測的未來時間段內能夠延續下去。這樣我們才能用歷史信息去預測未來信息，類似機器學習中的訓練集和測試集同分布。
3）如果時間序列的變化是沒有規律的、完全隨機的，那麼預測模型也就沒有用。
4）平穩性的數學表達：如果時間序列在某一常數附近波動且波動范圍有限，即有常數均值和常數方差，並且延遲k期的序列變數的自協方差和自相關系數是相等的或者說斗枯延遲k期的序列變數之間的影響程度是一樣的，則稱該序列為平穩序列。簡單說就是沒有明顯趨勢且波動范圍有限。

4.嚴平穩/強平穩
1）通俗來說，就是時間序列的聯合分布隨著時間變化嚴格保持不變。
2）數學表達：如果對所有的時刻 t， (yt1,yt2,…ytm)的聯合分布與(y(t1+k),(yt2+k),…y(tm+k))的聯合分布相同，我們稱時間序列 {yt} 是嚴平穩的。也就是時間序列的聯合分布在時間的平移變換下保持不變。

5.弱平穩
1）數學表達：均值不變，協方差Cov（yt，y(t-k)）=γk，γk依賴於k。
2）即協方差也不隨時間改變，而僅與時間差k相關。
3）可以根據根據時間序列的折線圖等大致觀察數據的（弱）平穩性：*所有數據點在一個常數水平上下以相同幅度波動。
4）弱平穩的線性時間序列具有短期相關性（證明見參考書），即通常只有近期的序列值對現時值得影響比較明顯，間隔越遠的過去值對現時值得影響越小。至於這個間隔，也就是下面要提到的模型的階數。

6.嚴平穩和弱平穩的關系
1）嚴平穩是一個很強的條件，難以用經驗的方法驗證，所以一般將弱平穩性作為模型的假設條件。
2）兩者並不是嚴格的包含與被包含關系，但當時間序列是正態分布時，二者等價。

7.單位根非平穩序列（可轉換為平穩序列的非平穩序列）
在金融數據中，通常假定資產收益率序列是弱平穩的。但還有一些研究對象，比如利率、匯率、資產的價格序列，往往不是平穩的。對於資產的價格序列，其非平穩性往往由於價格沒有固定的水平，這樣的非平穩序列叫做單位根（unit-root）非平穩序列。
1）最著名的單位根非平穩序列的例子是隨機遊走（random walk）模型：
pt=μ+p(t-1)+εt
μ是常數項（漂移：drift）。εt是白雜訊序列，則pt就是一個隨機遊走。它的形式和AR模型很像，但不同之處在於，AR模型中，系數的模需要小於1，這是AR的平穩性條件，而隨機遊走相當於系數為1的AR公式，不滿足AR模型的平穩性條件。
隨機遊走模型可作為（對數）股價運動的統計模型，在這樣的模型下，股價是不可預測的。因為εt關於常數對稱，所以在已知p(t-1)的條件下，pt上升或下降的概率都是50%，無從預測。
2）帶趨勢項的時間序列
pt=β0+β1*t+yt，yt是一個平穩時間序列。
帶漂移的隨機遊走模型，其均值和方差都隨時間變化；而帶趨勢項的時間序列，其均值隨時間變化，但方差則是不變的常數。
單位根非平穩序列可以進行平穩化處理轉換為平穩序列。比如用差分法處理隨機遊走序列，用用簡單的回歸分析移除時間趨勢處理帶趨勢項的時間序列。

建立具體的模型,需解決如下三個問題模型的具體形式、時序變數的滯後期以及隨機擾動項的結構。

μ是yt的均值；ψ是系數，決定了時間序列的線性動態結構，也被稱為權重，其中ψ0=1；{εt}為高斯白雜訊序列，它表示時間序列{yt}在t時刻出現了新的信息，所以εt稱為時刻t的innovation（新信息）或shock（擾動）。
線性時間序列模型，就是描述線性時間序列的權重ψ的計量經濟模型或統計模型，比如ARIMA。因為並非所有金融數據都是線性的，所以不是所有金融數據都適合ARIMA等模型。

①自回歸模型（AR）
用變數自身的歷史時間數據對變數進行回歸，從而預測變數未來的時間數據。
p階（滯後值，可暫理解為每個移動窗口有p期）自回歸公式即AR(p)：

②移動平均模型（MA）
移動平均模型關注的是誤差項的累加，能夠有效消除預測中的隨機波動。
可以看作是白雜訊序列的簡單推廣，是白雜訊序列的有限線性組合。也可以看作是參數受到限制的無窮階AR模型。

③自回歸移動平均模型（ARMA）
有時候，要用很多階數的AR和MA模型（見後面的定階問題），為解決這個問題提出ARMA模型。
對於金融中的收益率序列，直接使用ARMA模型的時候較少，但其概念與波動率建模很相關，GARCH模型可以認為是對{εt}的ARMA模型。

④自回歸差分移動平均模型（ARIMA）
ARIMA比ARMA僅多了個"I"，代表的含義可理解為 差分。
一些非平穩序列經過d次差分後，可以轉化為平穩時間序列。我們對差分1次後的序列進行平穩性檢驗，若果是非平穩的，則繼續差分。直到d次後檢驗為平穩序列。

⑤一般分析過程
1、 平穩性檢驗
ADF檢驗（單位根檢驗）：這是一種檢查數據穩定性的統計測試。
原假設（無效假設）：時間序列是不穩定的。
2、 平穩化處理
平穩化的基本思路是：通過建模並估計趨勢和季節性這些因素，並從時間序列中移除，來獲得一個穩定的時間序列，然後再使用統計預測技術來處理時間序列，最後將預測得到的數據，通過加入趨勢和季節性等約束，來還原到原始時間序列數據。
2.0 對數變換
對某些時間序列需要取對數處理，一是可以將一些指數增長的時間序列變成線性增長，二是可以穩定序列的波動性。對數變換在經濟金融類時間序列中常用。
2.1 差分法
如果是單位根非平穩的（比如隨機遊走模型），可以對其進行差分化。它能讓數據呈現一種更加平穩的趨勢。差分階數的選擇通常越小越好，只要能夠使得序列穩定就行。
2.2 平滑法
移動平均、指數加權移動平均
註：經差分或平滑後的數據可能因包含缺失值而不能使用檢驗，需要將缺失值去除
2.3 分解法
建立有關趨勢和季節性的模型，並從模型中刪除它們。
3 、建立模型：模型選擇和模型的定階
模型的選擇即在AR、MA、ARMA、ARIMA中間如何選擇。
模型的定階即指定上面過程中產生的超參數p、q和d（差分的階數）。
（1）用ACF和PACF圖判斷使用哪種線性時間序列模型
AR模型：ACF拖尾，PACF截尾，看PACF定階。
MA模型：ACF截尾，PACF拖尾，看ACF定階。
ARMA模型：都拖尾。（EACF定階）
截尾：在某階後 迅速 趨於0（後面大部分階的對應值在二倍標准差以內）；
拖尾：按指數衰減或震盪，值到後面還有增大的情況。
ARIMA模型：適用於差分後平穩的序列。
（2）利用 信息准則 函數選擇合適的階
對於個數不多的時序數據，可以通過觀察自相關圖和偏相關圖來進行模型識別，倘若要分析的時序數據量較多，例如要預測每隻股票的走勢，就不可能逐個去調參了。這時可以依據AIC或BIC准則識別模型的p, q值，通常認為AIC或BIC值越小的模型相對更優。
AIC或BIC准則綜合考慮了殘差大小和自變數的個數，殘差越小AIC或BIC值越小，自變數個數越多AIC或BIC值越大。AIC或BIC准則可以說是對模型過擬合設定了一個標准。
AIC （Akaike information criterion，赤池信息度量准則）
AIC=2k-2ln(L)
· BIC （Bayesian information criterion，貝葉斯信息度量准則）
BIC=kln(n)-2ln(L)
k為模型的超參數個數，n為樣本數量，L為似然函數。
類比機器學習中的損失函數=經驗損失函數+正則化項。
模型選擇標准：AIC和BIC越小越好（在保證精度的情況下模型越簡單越好）
4 、模型檢驗和評估（之前應切分訓練集和驗證集）
檢驗殘差是否符合標准（QQ圖）：是否服從均值為0，方差是常數的正態分布（εt是否是高斯白雜訊序列）。
擬合優度檢驗（模型的評估）：R ^{2和調整後的R} 2（R^2隻適用於平穩序列）。
5 、預測
如果之前進行了標准化、差分化等，需要進行還原：
標准化的還原要注意是log(x+1)還是log(x)。

1 、基礎概念
波動率
在期權交易中，波動率是標的資產的收益率的條件標准差。之前的平穩序列假設方差為常數，但當序列的方差不是常數時，我們需要用波動率對其變化進行描述。
對於金融時間序列，波動率往往具有以下特徵：
存在波動率聚集（volatility cluster）現象。 即波動率在一些 時間段 上高，一些時間段上低。
波動率以連續時間變化，很少發生跳躍。
波動率不會發散到無窮，而是在固定的范圍內變化（統計學角度上說，其是平穩的）
杠桿效應：波動率對價格大幅上升和大幅下降的反應是不同的。
波動率模型/條件異方差模型
給資產收益率的波動率進行建模的模型叫做條件異方差模型。這些波動率模型試圖刻畫的數據有這樣的特性： 它們是序列不相關或低階序列相關的(比如股票的日收益率可能相關，但月收益率則無關)，但又不是獨立的 。波動率模型就是試圖刻畫序列的這種非獨立性。
定義信息集F(t-1)是包含過去收益率的一切線性函數，假定F(t-1)給定，那麼在此條件下時間序列yt的條件均值和條件方差分別表示為：

㈨ 計量經濟學中的滯後期有什麼用。應該怎麼確定滯後期

時間序列分析

一般是Box-Jenkins的方法
把因變數的滯後項作為自變數
y_t = b0 + b1*y_{t-1} + b2*y_{t-2} + ... + bp*y_{t-p} + u_t
這樣的模型確定滯後階數p的方法是
1. y_t滿足covariance-stationarity 也就是對於任意t 均值不變 方差不變 協方差只是間隔項數的函數
2. u_t是白雜訊而不出現序列相關
3. p的確定遵循parsimony的原則 國內應該翻譯為「精簡」
一般構造AIC和 SBC兩個指標來比較 這兩個指標越小越好
AIC = T * ln(殘差平方和) + 引入p階的懲罰
SBC相似
也就是說首先殘差平方和應該越小說明自變數也就是滯後階數的解釋能力強 不過呢引入的滯後項數越多 殘差平方和應該越來越小 所以要看有效性 便加入一個懲罰 使得模型精簡 原理和adjusted R^2一樣
AIC適合小樣本 SBC適合大樣本
然後這兩個信息標准都在一般的回歸軟體中列了出來
比較其中最小的就是合適的p階滯後
但是一定要保證殘差是白雜訊

㈩ eviews軟體計算Arma（2,1）參數及白雜訊方差

在得到參漏核茄數值那個界面中，參數值下有Sum squared resid 即為殘差平返察方和RSS（計量經濟學），
方差=RSS/(n-k-1), n為觀測值的個數，k為變數個數，該題中為3，代入數據可氏搭得到方差值