Eviews时间序列自相关性修正

Question

采用ARMA模型修正自相关性仍无法消除残差的自相关性，下一步该怎么做才能通过时间序列的自相关性检验，初步做出来该数据是具有arch效应，可以进行garch模型建立的。

Answer 1

阿里嘎多学长整理AIGC生成，因移动端显示问题导致当前答案未能完全显示，请使用PC端查看更加详细的解答过程

Eviews时间序列自相关性修正

你遇到了一个常见的问题：使用 ARMA 模型修正自相关性仍无法消除残差的自相关性。下一步，你可以尝试以下方法：

1. 检查数据的 ARCH 效应：你已经发现了数据具有 ARCH 效应，这是一个很好的开始。ARCH 效应是指残差的方差随时间变化而变化的现象。
2. 使用 GARCH 模型：由于数据具有 ARCH 效应，你可以尝试使用 GARCH 模型来修正自相关性。GARCH 模型可以捕捉残差的方差随时间变化而变化的特征。
3. 检查数据的非线性关系：如果 GARCH 模型仍无法消除自相关性，你可以尝试检查数据是否存在非线性关系。例如，使用非线性回归模型或使用机器学习算法来捕捉数据的非线性关系。
4. 使用其他自相关性修正方法：如果上述方法仍无法消除自相关性，你可以尝试使用其他自相关性修正方法，例如使用 EGARCH 模型、使用 Threshold 模型等。

在 Eviews 中，你可以使用以下命令来建立 GARCH 模型：

garch <series> <order> <p>

其中，<series> 是你的时间序列数据，<order> 是 GARCH 模型的阶数，<p> 是 ARCH 模型的阶数。

例如：

garch y 1 1

这将建立一个 GARCH(1,1) 模型来捕捉残差的方差随时间变化而变化的特征。

记住，自相关性修正是一个复杂的过程，需要根据具体情况选择合适的方法。