金融計量學實驗案例集

1、國家級雙語示范課程申報材料金融計量學實驗案例集金融學院上海財經(jīng)大學 2009年5月目 錄上篇金融計量實驗一異方差的檢驗與修正2金融計量實驗二虛擬變量在金融數(shù)據(jù)處理中的作用11金融計量實驗三金融數(shù)據(jù)的平穩(wěn)性檢驗實驗指導16金融計量實驗四ARDL模型的運用實驗指導27金融計量實驗五ARIMA模型的概念和構(gòu)造34金融計量實驗六VAR模型的概念和構(gòu)造40金融計量實驗七(G)ARCH模型在金融數(shù)據(jù)中的應用45金融計量實驗八聯(lián)立方程模型在金融數(shù)據(jù)中的應用60下篇天相實驗一自定義指數(shù)67天相實驗二選股匯總75天相實驗三基金分析84基金分析案例一84基金分析案例二87天相實驗四Excel引擎的幾個典型應用89

2、在EXCEL中實現(xiàn)數(shù)據(jù)的捆綁89以時間序列為參數(shù)的數(shù)據(jù)讀取92固定格式數(shù)據(jù)的模板化處理94實驗一 異方差的檢驗與修正一、實驗目的：了解異方差(heteroscedasticity)、Goldfeld-Quandt檢驗、Spearman rank correlation 檢驗、Park檢驗、Glejser檢驗、Breusch-Pagan檢驗、White檢驗、加權最小二乘法（weighted least squares,簡記WLS）、模型對數(shù)變換法等基本概念及異方差產(chǎn)生的原因和后果。掌握異方差的檢驗與修正方法以及如何運用Eviews軟件在實證研究中實現(xiàn)相關檢驗與修正。二、基本概念：異方差(hete

3、roscedasticy)就是對同方差假設(assumption of homoscedasticity)的違反。經(jīng)典回歸中同方差是指隨著樣本觀察點X的變化，線性模型中隨機誤差項的方差并不改變，保持為常數(shù)。異方差的檢驗有圖示法及解析法，檢驗異方差的解析方法的共同思想是，由于不同的觀察值隨機誤差項具有不同的方差，因此檢驗異方差的主要問題是判斷隨機誤差項的方差與解釋變量之間的相關性。異方差的修正方法有加權最小二乘法和模型對數(shù)變換法等，其基本思路是變異方差為同方差，或者盡量緩解方差變異的程度。三、實驗內(nèi)容及要求：內(nèi)容：根據(jù)北京市1978-1998年人均儲蓄與人均收入的數(shù)據(jù)資料，若假定X為人均收入（元

4、），Y為人均儲蓄（元），通過建立一元線性回歸模型分析人均儲蓄受人均收入的線性影響，并討論異方差的檢驗與修正過程。要求：（1）深刻理解上述基本概念 （2）思考：異方差的各種檢驗方法所適用的情況及如何運用加權最小二乘法（WLS）修正異方差？ （3）熟練掌握相關Eviews操作四、實驗指導：1.用OLS估計法估計參數(shù)（1）導入數(shù)據(jù)打開Eviews軟件，選擇“File”菜單中的“New-Workfile”選項，出現(xiàn)“Workfile Range”對話框，在“Workfile frequency”框中選擇“Annual”,在“Start date”和“End date”框中分別輸入“1978”和“199

5、8”，如下圖：圖11 建立新文件然后單擊“OK”，彈出如下窗口：圖12 建立新文件選擇“File”菜單中的“Import-Read Text-Lotus-Excel”選項，找到要導入的名為EX3.2.xls的Excel文檔，單擊“打開”出現(xiàn)“Excel Spreadsheet Import”對話框并在其中輸入“x”和“y”,如下圖所示： 圖13 導入數(shù)據(jù)再單擊“OK”完成數(shù)據(jù)導入。 （2）回歸數(shù)據(jù)估計方程 設模型為，在Eviews命令窗口中輸入“LS Y C X”并回車，得到如下結(jié)果： 圖14 Eviews回歸結(jié)果2.異方差檢驗（1）圖示法首先通過“Equation”對話框中“Procs”菜單

6、的“Make Residual Series”命令生成殘差序列E，點擊“OK”。圖15 生成殘差序列然后在“Quick”菜單中選“Graph”選項，再在彈出的對話框中輸入“X E2” ，并單擊“OK”即可得到：圖16 殘差序列圖示法再在“Graph Type”框中選擇散點圖（Scatter Diagram），并單擊“OK”即可得到： 圖17 殘差序列的散點圖（2）Goldfeld-Quandt檢驗首先將時間定義為1978-1985，方法如下：在“Workfile”對話框中選擇“Procs”菜單的“sample”選項，彈出如下窗口并把期間改為“1978 1985”。 圖18 樣本范圍的設定再在E

7、views命令區(qū)輸入命令“LS Y C X”回車得到：圖19 1978-1995年數(shù)據(jù)的回歸結(jié)果即用OLS方法可求得下列結(jié)果：Y=-145.4415+0.3971X （1978-1995）（-8.7302）（25.4269）=0.9908 =1372.202其次用相同的方法將時間定義為1991-1998，回歸得到如下結(jié)果：圖110 1991-1998年數(shù)據(jù)的回歸結(jié)果即： Y=-4602.365+1.9525X （1991-1998）（-5.0660）（18.4094）=0.9826 =5811189求F統(tǒng)計量： =4334.9370，查F分布表，給定顯著性水平=0.05，得臨界值=4.28，比

8、較F=4334.9370=4.28則拒絕，表明隨機誤差項顯著存在異方差。（3）ARCH檢驗在“Equation EQ01”窗口的“View” 菜單中選擇“Residual Tests ”“ARCH LM Test”選項，然后在彈出的對話框中選擇滯后階數(shù)為3階，即可得到下圖：圖111 ARCH檢驗結(jié)果從中可知10.186，P值為0.017，表明模型隨機誤差項存在異方差性。3.異方差的修正（1）WLS估計法選擇“Equation”對話框中“Estimate”菜單的“Option”選項，填入權重X(-0.5)即可得到下圖： 圖1-12 WLS估計結(jié)果 （2）對數(shù)變換法 在“Equation”窗口中“

9、Estimate”菜單的對話框直接輸入“LOG(Y) C LOG(X)”，再單擊“OK”后，就可以得到線性模型對數(shù)變換后的結(jié)果如下圖：圖1-13 對數(shù)變換估計結(jié)果比較上述兩種修正方法，對數(shù)變換后的結(jié)果在擬合優(yōu)度和系數(shù)顯著性都要好于加權最小二乘法得到的結(jié)果，這說明人均收入與人均儲蓄的關系更接近于對數(shù)關系。實驗二 虛擬變量在金融數(shù)據(jù)處理中的作用一、實驗目的：了解虛擬變量、方差分析模型、協(xié)方差分析模型、虛擬變量陷阱、季節(jié)調(diào)整、分段線性回歸、級差截距、級差斜率系數(shù)、周內(nèi)效應等基本概念及虛擬變量的引入原則、虛擬變量模型中參數(shù)的意思。掌握虛擬變量模型在回歸分析中的應用，及如何在Eviews中實現(xiàn)相應的操作

10、。二、基本概念：由于其不能直接度量，為研究方便，可構(gòu)造一個變量，令其取值為1或為0，取值為0時表示某一性質(zhì)出現(xiàn)（不出現(xiàn)），取值為1時表示某性質(zhì)不出現(xiàn)（出現(xiàn)），該變量即為虛擬變量（dummy variables）,也稱指標變量（indicator variables）、二值變量（binary variables）、定性變量（qualitative variables）和二分變量（dichotomous variables）,通常我們記為D。一般的，在虛擬變量的設置中，基礎類型、否定類型取值為“0”，稱為基底（base）類、基準（benchmark）類或參考（reference）類；而比較類型、肯

11、定類型取值“1”。許多按月度或季度數(shù)據(jù)表示的金融時間序列，常呈現(xiàn)出季節(jié)變化的規(guī)律性，如公司銷售額、通貨膨脹率、節(jié)假日儲蓄額等。在研究中，有時需要消除季節(jié)性因素的影響，即需要進行季節(jié)調(diào)整（seasonal adjustment），利用虛擬變量進行季節(jié)調(diào)整是較為簡單的一種。另外，在金融理論中，常常會出現(xiàn)一種情況：當某影響因素越過某一臨界值，或時間過了某一臨界點之后，因變量對影響因素的變化率將發(fā)生變化，在圖形中就表現(xiàn)為斜率不同的兩段連續(xù)折線，利用虛擬變量模型進行分段線性回歸可有效地解決在分界點處兩邊因變量取值不相等，與理論圖形不一致這個問題。三、實驗內(nèi)容及要求：內(nèi)容：我們利用上海股票市場上證指數(shù)19

12、97年1月1日到2004年12月31日的日收盤價數(shù)據(jù)，共1926個觀測值，通過建立虛擬變量模型來檢驗實行漲跌停板制度后的上海股票市場是否存在周內(nèi)效應。要求：（1）深刻理解上述基本概念 （2）思考：虛擬變量模型的各種不同運用情形，及虛擬變量法與鄒式檢驗的異同 （3）熟練掌握相關Eviews操作 （4）根據(jù)教材（表4-4）即我國1994第一季度2004第四季度的零售物價指數(shù)（以上年同期為100）數(shù)據(jù)，請利用虛擬變量模型進行季節(jié)調(diào)整（如果需要）。四、實驗指導：1.簡單理論回顧根據(jù)Fama的有效市場理論，在有效市場中，由于股票價格能夠及時地反映所有的信息，因此股價將會呈現(xiàn)出隨機波動的特征。并且在有效市

13、場中，由于投資者能夠隨時獲取所需要的信息，因此將不存在套利的機會，股票的價格將反映價值。按照有效市場理論，一周內(nèi)每天的收益率將是隨機波動、沒有規(guī)律的。自從Fama1965年提出有效市場概念以來，各國學者分別利用各國的證券市場數(shù)據(jù)對其進行了實證檢驗，結(jié)果發(fā)現(xiàn)許多與有效市場理論相背離的現(xiàn)象，周內(nèi)效應就是其中之一。在我國，許多學者也利用上海股票市場、深圳股票市場的數(shù)據(jù)對周內(nèi)效應進行了檢驗，檢驗結(jié)果大多表明存在周內(nèi)效應。下面我們將利用虛擬變量模型對這一現(xiàn)象進行實證檢驗。2.實證檢驗（1）數(shù)據(jù)說明我們利用的是上海股票市場上證指數(shù)1997年1月1日到2004年12月31日的日收盤價數(shù)據(jù)，共1926個觀測值

14、。之所以采用1997年來的日數(shù)據(jù)，是因為1996年12月16日股票市場實施了漲跌停板制度，而上證指數(shù)也具有廣泛的代表性。收益率的計算我們采用的是連續(xù)收益率法，計算公式如下：，其中為t時期的收盤價，為t-1時期的收盤價。（2）數(shù)據(jù)導入打開Eviews軟件，選擇“File”菜單中的“New-Workfile”選項，出現(xiàn)“Workfile Range”對話框，在“Workfile frequency”框中選擇“Undated or irregular”,在“Start observation”和“End observation”框中分別輸入“1”和“1926”，單擊“OK”，出現(xiàn)一個新的工作文件。然

15、后選擇“File”菜單中的“Import-Read Text-Lotus-Excel”選項，找到要導入的名為EX4.3.xls的Excel文檔，單擊“打開”出現(xiàn)“Excel Spreadsheet Import”對話框并在其中輸入“D1”“D2”“D4”“D5”和“R”,如下圖所示：圖21 數(shù)據(jù)導入再單擊“OK”完成數(shù)據(jù)導入。（3）數(shù)據(jù)統(tǒng)計特征描述下面分別描述上證指數(shù)1997.1.1-2004.12.31日收益率（R）的統(tǒng)計特征以及日收益率按時間排列的序列圖，具體操作如下：首先雙擊“r”序列，出現(xiàn)如下窗口：圖22 序列R的統(tǒng)計數(shù)據(jù)其次選擇“Series: R”窗口的“View”菜單中的“Des

16、criptive Statistic-histogram and stats”選項，可以得到日收益率（R）的統(tǒng)計特征圖：圖23 日收益率（R）的統(tǒng)計特征圖即（表4-1） 上證指數(shù)日收益率統(tǒng)計特征描述均值0.000166中位數(shù)0.000209最大值0.094010最小值-0.093350標準差0.015415偏度-0.039554峰度8.998717Jarque-Bera值2886.767再選擇“Series: R”窗口的“View”菜單中的“Line Graph”選項，可得到日收益率線性圖：圖24 日收益率（R）的線性圖 （4）回歸數(shù)據(jù)估計方程 我們建立如下的虛擬變量模型：其中表示t時刻的收益

17、率，虛擬變量(i=1,2,4,5)的取值在每周的第i天（一周五天）取值為1，其余時刻取值為0。從模型可以看到，表示的是周三的平均收益，而分別表示的是星期一、星期二、星期四、星期五與星期三平均收益的差異。若差異是顯著的，則可以表明上海股票市場存在周內(nèi)效應。使用Eviews3.1軟件對上述模型進行OLS回歸，具體操作如下：在Eviews命令窗口中輸入“LS R C D1 D2 D4 D5”并回車，得到如下結(jié)果：圖25 虛擬變量模型回歸結(jié)果即：（括號內(nèi)為相應的t值） 對模型各系數(shù)估計值進行聯(lián)合F檢驗，看各系數(shù)值是否同時為零，結(jié)果的到F值為1.03，其概率值為0.39，因此不能拒絕各系數(shù)值同時為零的假

18、設，則可以得出結(jié)論，上海股票市場不存在周內(nèi)效應。實際上，這個模型是相當粗糙的，因此結(jié)論也可能不具有代表性。因為在使用最小二乘法進行回歸時，我們假定隨機誤差項滿足同方差的假定，但大量的研究表明，金融數(shù)據(jù)中這一假定往往不能得到滿足。更深入的研究涉及到自回歸條件異方差模型（ARCH）以及擴展的自回歸條件異方差模型（GARCH），我們將在后面的章節(jié)中予以介紹，有興趣的同學那時也可以重新對上海股票市場的周內(nèi)效應做出檢驗。實驗三 金融數(shù)據(jù)的平穩(wěn)性檢驗實驗指導一、實驗目的：理解經(jīng)濟時間序列存在的不平穩(wěn)性，掌握ADF檢驗平穩(wěn)性的方法。認識不平穩(wěn)的序列容易導致偽回歸問題，掌握為解決偽回歸問題引出的協(xié)整檢驗，協(xié)整

19、的概念和具體的協(xié)整檢驗過程。協(xié)整描述了變量之間的長期關系，為了進一步研究變量之間的短期均衡是否存在，掌握誤差糾正模型方法。理解變量之間的因果關系的計量意義，掌握格蘭杰因果檢驗方法。二、基本概念：如果一個隨機過程的均值和方差在時間過程上都是常數(shù)，并且在任何兩時期的協(xié)方差值僅依賴于該兩時期間的距離或滯后，而不依賴于計算這個協(xié)方差的實際時間，就稱它為平穩(wěn)的。強調(diào)平穩(wěn)性是因為將一個隨機游走變量（即非平穩(wěn)數(shù)據(jù)）對另一個隨機游走變量進行回歸可能導致荒謬的結(jié)果，傳統(tǒng)的顯著性檢驗將告知我們變量之間的關系是不存在的。這種情況就稱為“偽回歸”（Spurious Regression）。有時雖然兩個變量都是隨機游走

20、的，但它們的某個線形組合卻可能是平穩(wěn)的，在這種情況下，我們稱這兩個變量是協(xié)整的。因果檢驗用于確定一個變量的變化是否為另一個變量變化的原因。三、實驗內(nèi)容及要求：用Eviews來分析上海證券市場A股成份指數(shù)（簡記SHA）和深圳證券市場A股成份指數(shù)（簡記SZA）之間的關系。內(nèi)容包括：1.對數(shù)據(jù)進行平穩(wěn)性檢驗2.協(xié)整檢驗3.因果檢驗4.誤差糾正機制ECM要求：在認真理解本章內(nèi)容的基礎上，通過實驗掌握ADF檢驗平穩(wěn)性的方法，具體的協(xié)整檢驗過程，掌握格蘭杰因果檢驗方法，以及誤差糾正模型方法。四、實驗指導：1、對數(shù)據(jù)進行平穩(wěn)性檢驗：首先導入數(shù)據(jù)，將上海證券市場A股成份指數(shù)記為SHA，深圳證券市場A股成份指數(shù)

21、記為SZA（若已有wf1文件則直接打開該文件）。在workfile中按住ctrl選擇要檢驗的二變量，右擊，選擇openas group。則此時可在彈出的窗口中對選中的變量進行檢驗。檢驗方法有： 畫折線圖：“View”“graph”“l(fā)ine”，如圖31所示。畫直方圖：在workfile中按住選擇要檢驗的變量，右擊，選擇open，或雙擊選中的變量，“view”“descriptive statistic”“histogram and stats”；注意到圖中的J.B.統(tǒng)計量，其越趨向于0，則圖越符合正態(tài)分布，也就說明數(shù)據(jù)越平穩(wěn)。如圖32和33所示。用ADF檢驗：方法一：“view”“unit r

22、oot test”；方法二：點擊菜單中的“quick”“series statistic”“unit root test”；分析原則即比較值的大小以及經(jīng)驗法則。點擊ok，如圖34和36所示。圖31 SHA和SZA原始數(shù)值線性圖圖32 SHA原始數(shù)值直方圖圖33 SZA原始數(shù)值直方圖圖34 單位根檢驗對話框ADF Test Statistic-1.824806 1% Critical Value*-3.4369 5% Critical Value-2.8636 10% Critical Value-2.5679*MacKinnon critical values for rejection of

23、 hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(SHA)Method: Least SquaresDate: 10/25/05 Time: 00:50Sample(adjusted): 1/08/1993 12/31/1999Included observations: 1821 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. SHA(-1)-0.0035750.001959-1

24、.8248060.0682D(SHA(-1)-0.0387360.023427-1.6534640.0984D(SHA(-2)-0.0107970.023308-0.4632170.6433D(SHA(-3)0.1111270.0232874.7721490.0000D(SHA(-4)0.0623800.0233992.6659010.0077C3.9430772.1216731.8584760.0633R-squared0.018447 Mean dependent var0.295316Adjusted R-squared0.015743 S.D. dependent var27.8756

25、8S.E. of regression27.65538 Akaike info criterion9.480807Sum squared resid1388148. Schwarz criterion9.498952Log likelihood-8626.275 F-statistic6.822257Durbin-Watson stat2.001095 Prob(F-statistic)0.000003 圖35 SHA數(shù)值的ADF檢驗結(jié)果ADF Test Statistic-1.386897 1% Critical Value*-3.4369 5% Critical Value-2.8636

26、10% Critical Value-2.5679*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(SZA)Method: Least SquaresDate: 02/14/07 Time: 09:28Sample(adjusted): 1/08/1993 12/31/1999Included observations: 1821 after adjusting endpointsVari

27、ableCoefficientStd. Errort-StatisticProb. SZA(-1)-0.0019990.001441-1.3868970.1656D(SZA(-1)-0.0286380.023396-1.2240560.2211D(SZA(-2)0.0296640.0233251.2717550.2036D(SZA(-3)0.0846500.0233273.6288170.0003D(SZA(-4)0.0814280.0233903.4813800.0005C0.6677860.4663621.4319050.1523R-squared0.015405 Mean depende

28、nt var0.087348Adjusted R-squared0.012693 S.D. dependent var7.839108S.E. of regression7.789199 Akaike info criterion6.946643Sum squared resid110119.0 Schwarz criterion6.964788Log likelihood-6318.918 F-statistic5.679524Durbin-Watson stat1.998663 Prob(F-statistic)0.000033 圖36 SZA數(shù)值的ADF檢驗結(jié)果粗略觀查數(shù)據(jù)并不平穩(wěn)。此時

29、應對數(shù)據(jù)取對數(shù)（取對數(shù)的好處在于：即可以將間距很大的數(shù)據(jù)轉(zhuǎn)換為間距較小的數(shù)據(jù)，也便于后面的取差分），再對新變量進行平穩(wěn)性檢驗。點擊Eviews中的“quick”“generate series”鍵入logsha=log(sha)，同樣的方法得到logsza。此時，logsha和logsza為新變量，對其進行平穩(wěn)性檢驗方法如上，發(fā)現(xiàn)也是不平穩(wěn)的。圖37 SHA和SZA對數(shù)值線性圖用ADF方法檢驗logsha和logsza的平穩(wěn)性。通過比較檢驗值和不同顯著性下的關鍵值來得出結(jié)論。如下圖（前者是對SHA檢驗結(jié)果，后者是對SZA檢驗結(jié)果）中所示，檢驗值小于關鍵值，則得出數(shù)據(jù)不平穩(wěn)，反之平穩(wěn)。ADF T

30、est Statistic-1.795526 1% Critical Value*-3.4369 5% Critical Value-2.8636 10% Critical Value-2.5679*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(LOGSHA)Method: Least SquaresDate: 02/14/07 Time: 09:42Sample(adjusted):

31、1/08/1993 12/31/1999Included observations: 1821 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. LOGSHA(-1)-0.0035830.001995-1.7955260.0727D(LOGSHA(-1)-0.0347250.023459-1.4802610.1390D(LOGSHA(-2)0.0205250.0234270.8761280.3811D(LOGSHA(-3)0.0652360.0234042.7873540.0054D(LOGSHA(-4

32、)0.0343230.0234211.4654760.1430C0.0248920.0137511.8101560.0704R-squared0.008123 Mean dependent var0.000254Adjusted R-squared0.005391 S.D. dependent var0.029001S.E. of regression0.028923 Akaike info criterion-4.245075Sum squared resid1.518313 Schwarz criterion-4.226929Log likelihood3871.140 F-statist

33、ic2.972845Durbin-Watson stat2.001003 Prob(F-statistic)0.011179圖38 SHA對數(shù)值的ADF檢驗結(jié)果ADF Test Statistic-1.236119 1% Critical Value*-3.4369 5% Critical Value-2.8636 10% Critical Value-2.5679*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent

34、 Variable: D(LOGSZA)Method: Least SquaresDate: 02/14/07 Time: 09:43Sample(adjusted): 1/08/1993 12/31/1999Included observations: 1821 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. LOGSZA(-1)-0.0016450.001331-1.2361190.2166D(LOGSZA(-1)-0.0106390.023402-0.4546000.6495D(LOGSZA(-

35、2)0.0436710.0233911.8669820.0621D(LOGSZA(-3)0.0332840.0233931.4228250.1550D(LOGSZA(-4)0.0782840.0233923.3466590.0008C0.0094040.0074631.2600370.2078R-squared0.009984 Mean dependent var0.000252Adjusted R-squared0.007257 S.D. dependent var0.027998S.E. of regression0.027897 Akaike info criterion-4.31733

36、5Sum squared resid1.412468 Schwarz criterion-4.299190Log likelihood3936.934 F-statistic3.660782Durbin-Watson stat2.001713 Prob(F-statistic)0.002675 圖39 SZA對數(shù)值的ADF檢驗結(jié)果2、協(xié)整檢驗：首先要提取殘差：點擊菜單中的“quick”“estimate equation”鍵入“l(fā)ogsha c logsza”，得到結(jié)果如下：Dependent Variable: LOGSHAMethod: Least SquaresDate: 02/14/0

37、7 Time: 09:52Sample: 1/01/1993 12/31/1999Included observations: 1826VariableCoefficientStd. Errort-StatisticProb. C3.1852650.026985118.03920.0000LOGSZA0.6618510.004811137.57330.0000R-squared0.912098 Mean dependent var6.883358Adjusted R-squared0.912050 S.D. dependent var0.340928S.E. of regression0.10

38、1107 Akaike info criterion-1.744184Sum squared resid18.64600 Schwarz criterion-1.738149Log likelihood1594.440 F-statistic18926.43Durbin-Watson stat0.041307 Prob(F-statistic)0.000000圖310 logsza對logsha的最小二乘法回歸接著在窗口中點擊“procs”“make residual series”來對殘差resid01進行提取和保存；然后對殘差進行ADF檢驗（方法同上），得到結(jié)果如下圖。你會發(fā)現(xiàn)數(shù)據(jù)通過了檢

39、驗，殘差resid01是平穩(wěn)的。所以logsha同logsza有協(xié)整關系。ADF Test Statistic-4.132316 1% Critical Value*-3.4369 5% Critical Value-2.8636 10% Critical Value-2.5679*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(RESID01)Method: Least SquaresD

40、ate: 02/14/07 Time: 10:01Sample(adjusted): 1/08/1993 12/31/1999Included observations: 1821 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. RESID01(-1)-0.0198080.004793-4.1323160.0000D(RESID01(-1)-0.0893060.023497-3.8008100.0001D(RESID01(-2)-0.0201150.023563-0.8536910.3934D(RES

41、ID01(-3)0.0643040.0234972.7367350.0063D(RESID01(-4)0.0220890.0233960.9441400.3452C9.14E-050.0004760.1921990.8476R-squared0.023020 Mean dependent var8.71E-05Adjusted R-squared0.020329 S.D. dependent var0.020512S.E. of regression0.020303 Akaike info criterion-4.952841Sum squared resid0.748139 Schwarz

42、criterion-4.934695Log likelihood4515.561 F-statistic8.553192Durbin-Watson stat1.996742 Prob(F-statistic)0.000000 圖311 殘差resid01的ADF檢驗結(jié)果接下來以同樣的方法協(xié)整logsza c logsha,得到殘差resid02，經(jīng)過檢驗也是平穩(wěn)的。ADF Test Statistic-3.900100 1% Critical Value*-3.4369 5% Critical Value-2.8636 10% Critical Value-2.5679*MacKinnon c

43、ritical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(RESID02)Method: Least SquaresDate: 02/14/07 Time: 10:03Sample(adjusted): 1/08/1993 12/31/1999Included observations: 1821 after adjusting endpointsVariableCoefficientStd. Errort-Statis

44、ticProb. RESID02(-1)-0.0177240.004544-3.9001000.0001D(RESID02(-1)-0.0954160.023495-4.0610810.0001D(RESID02(-2)-0.0245820.023577-1.0426210.2973D(RESID02(-3)0.0597740.0235112.5423560.0111D(RESID02(-4)0.0223530.0233950.9554290.3395C-0.0001050.000652-0.1605970.8724R-squared0.022832 Mean dependent var-9.

45、79E-05Adjusted R-squared0.020140 S.D. dependent var0.028126S.E. of regression0.027841 Akaike info criterion-4.321324Sum squared resid1.406845 Schwarz criterion-4.303179Log likelihood3940.566 F-statistic8.481765Durbin-Watson stat1.996185 Prob(F-statistic)0.000000 圖312 殘差resid02的ADF檢驗結(jié)果3、因果檢驗：在workfil

46、e中同時選中“l(fā)ogsha”和“l(fā)ogsza”，右擊，選擇“open”“as group”，在彈出的窗口中點擊“view”“granger causality”并選擇滯后階數(shù)（此處我們根據(jù)以往的實證檢驗結(jié)果選擇滯后值為5），點ok，結(jié)果如下：Pairwise Granger Causality TestsDate: 02/14/07 Time: 10:10Sample: 1/01/1993 12/31/1999Lags: 1 Null Hypothesis:ObsF-StatisticProbability LOGSZA does not Granger Cause LOGSHA1825 12

47、.8328 0.00035 LOGSHA does not Granger Cause LOGSZA 1.44701 0.22917Pairwise Granger Causality TestsDate: 02/14/07 Time: 10:11Sample: 1/01/1993 12/31/1999Lags: 2 Null Hypothesis:ObsF-StatisticProbability LOGSZA does not Granger Cause LOGSHA1824 8.31456 0.00025 LOGSHA does not Granger Cause LOGSZA 0.91

48、301 0.40150Pairwise Granger Causality TestsDate: 02/14/07 Time: 10:11Sample: 1/01/1993 12/31/1999Lags: 3 Null Hypothesis:ObsF-StatisticProbability LOGSZA does not Granger Cause LOGSHA1823 5.83892 0.00057 LOGSHA does not Granger Cause LOGSZA 0.99468 0.39435Pairwise Granger Causality TestsDate: 02/14/

49、07 Time: 10:12Sample: 1/01/1993 12/31/1999Lags: 4 Null Hypothesis:ObsF-StatisticProbability LOGSZA does not Granger Cause LOGSHA1822 4.39265 0.00155 LOGSHA does not Granger Cause LOGSZA 0.80455 0.52217Pairwise Granger Causality TestsDate: 02/14/07 Time: 10:09Sample: 1/01/1993 12/31/1999Lags: 5 Null

50、Hypothesis:ObsF-StatisticProbability LOGSZA does not Granger Cause LOGSHA1821 3.60184 0.00303 LOGSHA does not Granger Cause LOGSZA 0.70399 0.62045圖313 格蘭杰因果檢驗結(jié)果先看F檢驗值，如前所述，若F值大，則拒絕假設。在本例中即logsza是logsha變化的原因；而logsha不影響logsza。同樣的結(jié)論也可以從Probability中得到。4、誤差糾正機制ECM（error correction mechanism）即使兩個變量之間有長期均衡

51、關系，但在短期內(nèi)也會出現(xiàn)失衡（例如收突發(fā)事件的影響）。此時，我們可以用ECM來對這種短期失衡加以糾正。具體作法是：首先要提取殘差，從“sha c sza” 中提取殘差“resid03”，接著點擊“quick”“estimate equation”，在彈出得窗口中輸入：“d(sha) c d(sza) resid03(-1)”。Resid03(-1)中的(-1)指的是滯后一階，結(jié)果如下：Dependent Variable: D(SHA)Method: Least SquaresDate: 02/14/07 Time: 10:22Sample(adjusted): 1/04/1993 12/31/1999Included observations: 1825 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. C0.1090300.4689410.2325030.8162D(SZA)2.4621370.05986341.129310.0000RESID03(-1)-0.02