主要内容
推断条件方差和残差
此示例显示如何从拟合的条件方差模型推断条件方差。使用推断的条件方差计算标准化残差以检查模型拟合。
步骤1.加载数据。
加载工具箱中包含的丹麦名义股票回报数据。
负载丹麦数据y=DataTable.RN；T=长度（y）；图（y）xlim（[0，T]）标题(“丹麦名义股票回报”)
收益率序列似乎具有非零均值偏移和波动率聚类。
第二步。拟合EGARCH（1,1）模型。
指定，然后将EGARCH（1,1）模型拟合到名义股票收益率序列。包括平均偏移量，并假设高斯创新分布。
Mdl=egarch(“抵消”南的,“加什拉格”1....“拱门”1.“杠杆拉格”,1); EstMdl=估计值（Mdl，y）；
（1，1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）条件方差模型，1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）1）条件方差）条件1}-0.002499 0.19222-0.0130001 0.98963偏移量0.10325 0.037727 2.7368 0.0062047
第三步。推断条件方差。
使用拟合模型推断条件方差。
v=推断（EstMdl，y）；图（v）xlim（[0，T]）标题(“推断条件方差”)
推断出的条件方差显示收益序列结束时波动性增加。
步骤4.计算标准化残差。
计算模型拟合的标准化残差。减去估计的平均偏差，然后除以条件方差过程的平方根。
res=（y-EstMdl.Offset）。/sqrt（v）；图子地块（2,2,1）图（res）xlim（[0，T]）标题(“标准化残差”)子批次（2,2,2）直方图（res，10）子批次（2,2,3）自相关（res）子批次（2,2,4）parcorr（res）
标准化残差不显示残差自相关。有一些残差大于高斯分布的预期，但正态性假设并非不合理。
另见
物体
功能
相关的话题
您还可以从以下列表中选择网站：
