第9章 条件异方差模型
GARCH模型的不足
①由于GARCH(p,q)模型假定条件方差是过去残差平方的函数，因此，条件方
差对正的价格变化和负的价格变化的反应是对称的。但是现实中，正负冲
击对波动率的影响并不对称，即存在杠杆效应，而GARCH模型不能解释这 种现象。
。
GARCH模型的基本性质
GARCH模型的基本性质
大多数金融数据序列的分布较正态分布而言，尾巴拖得更长，中间峰顶更尖
，具有厚尾特征，GARCH（1,1）的尾部要比正态分布尾部厚，呈现尖峰厚
尾的形状。 正是由于GARCH模型既能模拟价格波动的集群性特征，又有助于解释厚尾巴
现象，从而使得GARCH模型得到了广泛的应用
9.7 EViews软件实现案例
9.7.1 ARCH效应的检验
பைடு நூலகம்
图 9.2 估计结果
从上图可以看到各系数都较为显著，拟合优度较为理想。进一步对模型的 残差序列进行ARCH效应的F检验和LM检验，在上图回归结果窗口选择 “view / Residual Diagnostics/Heteroskedasticity Tests”,得到如下窗口：
方法二：残差平方相关图检验 重复方法一中OLS参数回归，然后在图9.2所示的窗口中选择
“view / Residual Diagnostics/Correlationogram Squared
Residual”,然后弹出对话框要求设定计算自相关和偏自相
关系数的滞后阶数，这里选择默认的12阶，单击“ok”，
图 9.3 ARCH效应检验
然后选择ARCH并选择 检验的阶数，本例取默认值1，得到下图：
图 9.4 ARCH效应检验结果 图9.4中，第一行得到的是F检验的F统计量及其P值，第二行给出LM检验的LM统计量及 其P值。很显然，F检验与LM检验在显著性水平为0.1的情况下都不显著，说明原假 设成立，表示模型（1）不存在一阶ARCH效应。
9.1 ARCH模型
9.1.1 ARCH(q)模型
9.1.1 ARCH(q)模型
ARCH(q)模型特点
ARCH(q)模型表明，过去的波动扰动对市场未来波动有着正向而
减缓的影响，即较大幅度的波动后面一般紧接着较大幅度的
波动，较小幅度的波动后面一般紧接着较小幅度的波动，波 动会持续一段时间。 因此，ARCH模型可以拟合市场波动的集群性现象，但没有说明 波动的方向。
9.5.1 成分GARCH模型介绍
此外，在成分GARCH模型的条件方差中，可以包含外生变量 ，外生变量既可以放在长期方程中，也可以放在短期方程 中。
短期方程中的外生变量将对波动产生短期影响，长期方程中
的外生变量将对波动产生长期影响。
非对称成分GARCH模型
9.6 多元GARCH模型
随着经济的全球化，很少有国家或地区的金融市场是封闭或孤立的，当 某国出现金融危机后，通常会迅速传导到其它金融市场，多个金融资 产会沿时间方向呈现波动集聚，不同金融资产之间会出现风险交叉传 递。 一元GARCH 模型无法捕捉到这种跨市场的风险传递或波动溢出。20世纪
如果时间序列的方差随时间变化，使用ARCH模型可以更精确地 估计参数，提高预测精度，同时还可以知道预测值的可靠性 。当方差较大时，预测值的置信区间就较大，从而可靠性较
差；当方差较小时，预测值的置信区间就较小，从而可靠性
较好。 ARCH模型的提出表明，经济时间序列中比较明显的变化是可以 预测的，并且这种变化是来自某一特定类型的非线性依赖性 ，而不是方差的外生结构变化。
简称ARCH模型)，该模型被广泛应用于具有集群性和方差波动
性特点的金融时间序列数据的分析及预测，取得了良好的效 果，恩格尔教授也因此获得2003年诺贝尔经济学奖。 后来该模型又被扩展为GARCH、IGARCH、EGARCH、GARCH-M等 模型。
本章的知识框架
模型的引入：解决金融市场中时间序列存在的异方差现象 2 2 自回归条件异方差模型（ARCH） 模型的表达式：ut 0 1ut 1 t ARCH 效应的检验：LM 检验、F 检验与残差平方相关图检验 广义自回归条件异方差模型（GARCH） 模型的引入：为了解决ARCH 模型估计时参数过多不易 求解的缺陷。 p q 2 2 2 广义自回归条件异方差模型（GARCH） 模型的表达式： t 0 iut i j t j i 1 j 1 IGARCH 模型 GARCH M 模型 AGARCH TGARCH 不对称的GARCH 模型 EGARCH 广义自回归条件异方差模型（GARCH） 模型拓展： PGARCH 成分GARCH 模型 VEC GARCH BEEK GARCH 多元GARCH 模型 CCC GARCH DCC GARCH
9.6.4 DCC-GARCH模型
DCC-GARCH模型把条件协方差矩阵分解成条件方差和条件相 关系数矩阵两部分，然后各自进行参数化，这种处理方法
降低了模型中待估参数个数，可以更好地描述不同时间序
列之间的波动传递。 在实际估计过程中，Engle (2002)建议使用两步估计法估计参 数，第一步估计每个序列的一元GARCH模型，第二步利用 第一步的结果估计相关系数的参数。
效应，反之则存在ARCH效应。
对于ARCH模型的估计，一般采用极大似然估计法。
9.2 GARCH模型
如果ARCH模型中的阶数过高，约束条件就会变得复杂，结果也
难以解释。
针对ARCH模型的缺陷，Bollerslev在1986年提出了广义的自回归 条件异方差模型即GARCH模型。
9.2.1 GARCH(p,q)模型
第九章 条件异方差模型（ARCH）
经典线性回归分析中，时间序列数据被认为更容易存在序列相 关，而不是异方差。
然而当学者在分析利率、汇率、股票价格等金融时间序列时，
却发现其方差会经常随时间变化，具有集群性和方差波动
性特点，即存在明显异方差现象。
第九章 条件异方差模型（ARCH）
1982年，美国经济学家恩格尔(Engle.R)教授提出了自回归条件异 方差模型(Auto Regressive Conditional Heteroscedasticity，以下
如果波动变化只是暂时的，则市场对风险溢价不会有明显的调整，由将来预 期现金流的净现值决定的股票价格和折现因子都不会发生明显变化；如果
波动冲击无限期地存留，则可能改变整个风险溢价的期限结构，从而对长
期资本的投资产生显著影响。
9.2.2 GARCH模型误差项分布假设与估计
GARCH模型误差项的分布通常有3个假设，正态分布、学生t分布 和广义误差分布（GED）。给定误差项的分布假设，GARCH 模型都使用极大似然估计法进行参数估计。
9.6.2 BEKK-GARCH模型
9.6.3 CCC-GARCH模型
9.6.4 DCC-GARCH模型
针对CCC-GARCH模型的缺陷，学者们尝试了多种方法对其进行改进，思路是对 CCC-GARCH模型进行一般化扩展，在保留以前分解的基础上, 使条件相关矩 阵具有时变性，构建新模型，这类模型称为动态条件相关系数多元GARCH模 型（DCC-GARCH模型）。
80年代末，Bollerslev 等提出运用多元GARCH 模型研究多变量的波动溢
出，之后，很多学者在Bollerslev等(1988)的基础上提出了一些扩展或 修正模型，包括VEC-GARCH模型、BEKK -GARCH模型、CCC -GARCH模型
、DCC -GARCH模型等。
9.6.1 VEC-GARCH模型
可以看到F统计量与LM检验统计量P值均为0，表示存在一阶ARCH效应。
接下来利用GARCH（1，1）模型重新估计式（1）。
在EViews中建立GARCH（1，1）模型，点击“Object/New Object/Equation”
，“Method”中选择ARCH，在弹出的新界面中，在“Mean equation（均
9.1.2 ARCH效应的检验
检验ARCH效应的方法包括:
LM检验、F检验和残差平方相关图检验。
LM检验
F检验
F检验
残差平方相关图检验
应用残差平方图可以显示指定滞后阶数的残差平方序列的自相关（AC）系数
与偏自相关(PAC)系数，以及计算出相应滞后阶数的Ljung-Box Q统计量，
从而反映残差序列是否存在ARCH效应。若自相关系数与偏自相关系数都 近似为0且Q统计量不显著，说明模型在该指定的滞后阶数下不存在ARCH
值方程）”中输入“R C R(-4) R(-6) R(-7)”。在“Order”下的“ARCH”栏中 输入1，“GARCH”栏中输入1，表示为GARCH(1,1)模型，点击确定。得到
如下结果：输入如下内容：
图 9.7 GARCH模型设置
为弥补GARCH模型的这个缺陷，很多学者构造了描述股票市场非对称性
现象的GARCH类模型，包括了AGARCH模型和、TGARCH模型、EGARCH 模型和PGARCH模型等等。
9.4.1 AGARCH模型
9.4.2 TGARCH模型
9.4.2 TGARCH模型
9.4.3 EGARCH模型
9.4.3 EGARCH模型
②GARCH(p,q)模型中假定参数都是非负数，从而保证方差非负，但是这些约
束隐含在任何时期增加误差的平方，都会增加误差方差，因而排除了误差 方差的随机波动行为。
GARCH模型的不足
③由于没有一致的测量波动持久性的准则，所以难以利用GARCH(p,q)模型对
条件方差的冲击是否会持久这一问题进行评价。
该模型最大的优点还在于，由于条件方差被表示为指数形式，因此，对模 型中的参数没有任何约束，无须人为地对模型参数施加非负约束，可 以减少数值计算的工作量。
9第九章 多维时间序列分析
DF检验假设了所检验的模型的随机扰动 项不存在自相关。对有自相关的模型， 需用ADF检验。 ADF检验：将DF检验的右边扩展为包含Yt 的滞后变量，其余同于DF检验。
构造统计量 查表、判断。
单位根检验： 单位根检验：ADF检验的方程式 检验的方程式
∆Yt= β0＋β1t＋δYt-1+αΣ ∆Yt-i + µt 其中i从1到m。 这一模型称为扩充的迪基－富勒检验。 因为ADF检验统计量和DF统计量有同样 的渐进分布，所以可以使用同样的临界 值。
模型形式
自回归条件异方差性模型 （Autoregressive Conditional Heteroscedasticity Model, ARCH） 简单形式
σt2 =α0 +α1εt2 1 −
即，εt的方差依赖于前一期误差的平方， 或者说，εt存在着以εt－1的变化信息为条件的 异方差。记成ARCH(1)
随机游走的比喻
一个醉汉的游走。醉汉离开酒吧后在时 刻t移动一个随机的距离ut，如果他无限 地继续游走下去，他将最终漂移到离酒 吧越来越远的地方。 股票的价格也是这样，今天的股价等于 昨天的股价加上一个随机冲击。
随机游走的表达式 Yt=ρYt-1+ µt (1) 等价于： Yt -Yt-1 =ρYt-1 -Yt-1 + µt 等价于： Yt -Yt-1 =(ρ-1)Yt-1 + µt 等价于： ∆Yt=δ Yt-1+ µt (2) “有单位根”＝“ρ=1”＝“δ=0”
1 Yt＝ 1 +(a11Yt−1 +⋯ 1mY −1) +⋯ (a11Yt−p +⋯ 1p Y −p ) +u1t c a1 mt + p1 a m mt 1 1
广义自回归条件异方差模型(GARCH)在我国股票市场中的实证研究
广义自回归条件异方差模型(GARCH)在我国股票市场中的实证研究广义自回归条件异方差模型（GARCH）是一种在金融领域广泛应用的计量经济学模型，用于描述时间序列数据中的波动性，特别是股票市场中的波动性。
在我国股票市场中，GARCH模型也得到了广泛的应用和研究。
本文通过对我国股票市场中的实证研究，探讨了GARCH模型在描述我国股票市场波动性方面的应用和效果。
一、引言股票市场的波动性一直是投资者和学者关注的焦点之一。
股票市场的波动性会对投资者的投资决策产生重要影响，因此对于股票市场波动性的建模和预测具有重要的意义。
GARCH模型是一种用于描述时间序列数据中波动性的模型，因其简单且有效而在金融领域得到了广泛的应用。
GARCH模型能够捕捉时间序列数据中的波动性特征，对于股票市场的波动性建模具有重要意义。
二、GARCH模型及其在股票市场中的应用GARCH模型由Robert F. Engle于1982年提出，它是对传统的ARCH模型进行了扩展，能够更好地描述时间序列数据中的异方差性。
GARCH模型的基本形式为：\[ y_t = \mu + \varepsilon_t \]\[ \sigma_t^2 = \alpha_0 + \sum_{i=1}^{p} \alpha_i \varepsilon_{t-i}^2 +\sum_{j=1}^{q} \beta_j \sigma_{t-j}^2 \]\( y_t \)为时间序列数据，\( \mu \) 为均值参数，\( \varepsilon_t \) 为误差项，\( \sigma_t \) 为条件标准差，\( z_t \) 为白噪声序列，\( \alpha_i \) 和 \( \beta_j \) 为模型参数，\( p \) 和 \( q \) 为模型阶数。
在股票市场中，GARCH模型常常被用于描述股票收益率的波动性。
股票市场的波动性通常表现为波动性聚集效应，即当市场出现较大波动时，未来仍具有较大的概率会继续出现大的波动，这种特征正是GARCH模型所能较好地捕捉的。
ccc-garch广义自回归条件异方差模型
ccc-garch广义自回归条件异方差模型什么是广义自回归条件异方差模型（GARCH）？广义自回归条件异方差模型（Generalized Autoregressive Conditional Heteroskedasticity Model，简称GARCH模型）是一种用于描述时间序列数据中异方差性的模型。
GARCH模型是由Engle在1982年首次提出的，是对传统的自回归条件异方差模型（ARCH）的改进和扩展。
GARCH模型是一种统计模型，可以通过对数据序列进行拟合来捕捉其异方差性。
在金融学中，GARCH模型常常被用于建立金融资产价格的波动模型，从而用于风险管理和金融衍生品的定价等方面。
GARCH模型的原理是基于以下两个主要假设：第一，时间序列数据存在自回归关系，即当前观测值与过去的观测值相关；第二，时间序列数据的方差存在自回归条件异方差的特性，即方差的变动与过去的方差相关。
GARCH模型可以通过对这种自回归关系进行建模来预测未来的波动情况。
GARCH模型的一般形式可以表示为：\[r_t = \mu + \epsilon_t = \mu + \sigma_t \cdot z_t\]其中，\(r_t\)是时间序列数据的观测值，\(\mu\)是均值，\(\epsilon_t\)是误差项，\(\sigma_t\)是方差，\(z_t\)是一个标准正态分布随机变量。
GARCH模型的关键是对方差进行建模，一种常用的方式是使用ARCH效应和GARCH效应。
ARCH效应是指方差与过去的观测值相关，可以表示为：\[\sigma_t^2 = \alpha_0 + \sum_{i=1}^{p} \alpha_i \epsilon_{t-i}^2\]其中，\(\alpha_0\)是常数，\(\alpha_i\)是ARCH参数，\(p\)是ARCH阶数。
ARCH效应通过利用过去的观测值来预测当前的方差。
GARCH效应是指方差与过去的预测误差相关，可以表示为：\[\sigma_t^2 = \alpha_0 + \sum_{i=1}^{p} \alpha_i \epsilon_{t-i}^2 +\sum_{j=1}^{q} \beta_j \sigma_{t-j}^2\]其中，\(\beta_j\)是GARCH参数，\(q\)是GARCH阶数。
条件异方差模型
条件异方差模型
条件异方差模型(ConditionalHeteroskedasticityModels，CHM)是一种用来检验和处理数据中异方差（heteroskedasticity）问题的模型，旨在估计和检验观测数据中异方差的存在，以及其影响程度，来获得更准确的分析结果。
条件异方差模型可分为简单异方差模型和动态异方差模型。
简单异方差模型假设观测值有固定的异方差，而动态异方差模型则假设异方差可以动态变化。
异方差模型通常包括四个步骤：
（1）数据准备：首先，将数据转换为异方差模型可识别的数据格式，其中可能包括数据集的统计量，如平均值，方差，偏度，峰度等；
（2）模型拟合：使用统计模型拟合数据，用于预测观测值的异方差；
（3）异方差识别：利用拟合的模型，采用检验的方法来识别异方差的存在；
（4）异方差处理：对于经识别的异方差，采用最优化的处理办法，以获得更准确和实用的异方差分析结果。
由于条件异方差模型提供了一种有效的方法来理解和处理异方差，因此，它在许多学科中，如财务分析，统计分析，市场营销，投资管理，经济分析等领域中被广泛应用。
- 1 -。
伍德里奇《计量经济学导论》(第5版)笔记和课后习题详解-第9章 模型设定和数据问题的深入探讨【圣才出
（c）
来检验模型
y 0 1x1 2 x2 u
（d）
或者把这两个模型反过来。然而，它们是非嵌套模型，所以不能仅使用标准的 F 检验。
（1）综合模型的 F 检验
构造一个综合模型，将每个模型都作为一个特殊情形而包含其中，然后检验导致每个模
型的约束。在目前的例子中，综合模型为：
y 0 1x1 2 x2 3 log x1 4 log x2 u
y 0 1x1 2 x2 3 x3 u
但有 x3 的一个代理变量，并称之为 x3
x3 0 3 x3 v3
其中，v3 是因 x3 与 x3 并非完全相关所导致的误差。参数 3 度量了 x3 与 x3 之间的关系。 x3 和 x3 正相关，所以 δ3 0 。如果 δ3 0 ，则 x3 不是 x3 合适的代理变量。截距 δ0 ，是容许 x3
圣才电子书 十万种考研考证电子书、题库视频学习平台
第 9 章 模型设定和数据问题的深入探讨
9.1 复习笔记
一、函数形式设误 1．函数形式设误的概念 遗漏一个关键变量能导致误差与某些解释变量之间的相关，从而通常导致所有的 OLS 估计量都是偏误和不一致的。在遗漏的变量是模型中一个解释变量的函数的特殊情形下，模 型就存在函数形式误设的问题。遗漏自变量的函数并不是模型出现函数形式误设的唯一方 式。
②用戴维森—麦金农检验拒绝了式（d），这并不意味着式（c）就是正确的模型。模型 （d）可能会因多种误设的函数形式而被拒绝。
③在比较因变量不同那么就不能得到上面的综合嵌套模型。
二、对无法观测解释变量使用代理变量 1．代理变量 代理变量就是某种与我们在分析中试图控制而又无法观测的变量相关的东西。例如，人 的能力无法观测，可以使用 IQ 得分作为能力的一个代理变量。 （1）遗漏变量问题的植入解 假设在有 3 个自变量的模型中，其中有两个自变量是可以观测的，解释变量 x3 观测不 到：
第09章 线性回归模型的异方差问题
ˆ y = a + bx
∑
ˆ ) 2 = m in (y − y
2
ˆ 由∑ ( y − y ) = min ，有 ∑ ( y − a − bx ) = min, 分别对函数中 a、 b求偏导数，并令其为零 ，有 2∑ ( y − a − bx )(− 1) = 0 2∑ ( y − a − bx )(− x ) = 0
14
(0.0019)
安徽大学经济学院
计量经济学讲义
9.2 异方差的性质－方程回归结果图
15
安徽大学经济学院
计量经济学讲义
9.2 异方差的性质－残差与观察值（销售额）关系图
16
安徽大学经济学院
计量经济学讲义
9.2 异方差的性质
从残差图可以看出：残差的绝对值随着销售额的 增加而增加。 尽管残差ei与扰动项ui是两个不同的概念，根据ei 的变化并不能断言ui的方差也是变化的。但是，实践 u 中很难观察到ui，只能利用检验ei的变动来推断ui的 变化。 问题：如何理解残差ei与扰动项ui两个概念的差 别？
7
安徽大学经济学院
计量经济学讲义
一元线性回归分析－回归的假定条件
假定3 给定X，扰动误差项u的数学期望或均值为0， 即E（u|X）＝ 0。 Y
＋u ＋u －u －u －u
＋u
E(Y|X)=α+β*X
0
X
8
安徽大学经济学院
计量经济学讲义
一元线性回归分析－回归的假定条件
假定4 误差扰动项u的方差为常数，即Var（u）＝σ2，称 之为同方差(homoscedasticity) 同方差的含义：每个Y值以相同的方差分布在其均值周 围，即Y偏离其均值的程度相同。 Y
九、异方差模型
异方差模型——城镇居民人均可支配收入与货币工资之间的关系一、模型设定 被解释变量：DI ——2003年各地区城镇居民家庭平均每人全年可支配收入。
单位为元。
解释变量：WA ——2003年各地区城镇居民平均每人货币工资收入。
单位为元。
数学形式：εββ++=10WA DI *二、样本及数据来源所选取的样本为2003年我国31个城镇的居民人均全年可支配收入和人均货币工资。
样本数据来自国家统计局公布的《中国统计年鉴》（2004）。
三、回归结果1、OLS 估计回归结果 VariableDFParameter EstimateStandard Error t Value Pr > |t| Intercept 1 2639.059 690.153 3.820.0006WA 10.40.0468.65 <.0001R-Square: 0.7209; Adj. R-Sq: 0.7112; F Value: 74.89; Pr > F: <.0001.样本回归超平面为：WA DI *4.0059.2639+=新模型回归结果显示解释变量通过了t 检验，模型整体通过了F 检验。
调整的R 方达到了71.12%，说明模型的回归结果是比较好的。
2、异方差的诊断a 、图形法——OLS 下的残差图从下面的残差图，我们可以看到随着拟合值越来越大，残差的均值变大，而且残差图表现出较为明显的右向开口的喇叭口，说明随着拟合值的变大，残差的方差变大，即存在异方差的现象。
70008000900010000110001200013000-4000-200002000Fitted values R e s i d u a l slm(a$DI ~ a$WA)Residuals vs Fitted261129b 、White 检验利用White 检验的结果如下表所示Heteroscedasticity TestEquation Test Statistic DF Pr> ChiSq Variables DI White's Test12.9420.0016Cross of all varsWhite 检验的结果同样说明了异方差的存在，检验的P 值为0.0016，在1%的水平上能够通过显著性检验。
条件异方差模型
条件异方差模型条件异方差模型是一种用于描述时间序列数据的统计模型，它考虑到了不同时间点上的方差可能是不同的。
这种模型可以用来分析股票价格、汇率等金融数据，也可以用来分析环境变量、气象数据等自然科学数据。
在条件异方差模型中，方差是一个随时间变化的函数，通常被称为条件方差。
这意味着，在给定一些先前观察到的数据之后，我们可以预测未来观测值的方差。
这种方法比传统的线性回归模型更加准确，因为它能够捕捉到随着时间推移而发生变化的不确定性。
条件异方差模型最常见的形式是ARCH（自回归条件异方差）和GARCH（广义自回归条件异方差）模型。
ARCH模型是一种基于过去观测值的平方误差来预测未来观测值误差方差的模型。
GARCH模型则扩展了ARCH模型，并允许过去多个时间点上的平方误差对当前观测值误差方差产生影响。
在实际应用中，我们通常使用最小二乘法或极大似然估计法来拟合条件异方差模型。
最小二乘法是一种通过最小化残差平方和来确定模型参数的方法，而极大似然估计法则是一种基于观测到的数据来估计未知参数的方法。
需要注意的是，条件异方差模型并不适用于所有类型的时间序列数据。
例如，在具有周期性变化或季节性变化的数据中，方差通常是稳定的，因此不需要使用条件异方差模型。
此外，在具有明显趋势或趋势突变的数据中，也可能需要使用其他类型的时间序列模型。
总之，条件异方差模型是一种强大而灵活的统计工具，可以用于分析各种类型的时间序列数据。
它能够捕捉到随着时间推移而发生变化的不确定性，并且可以通过最小二乘法或极大似然估计法来拟合模型参数。
但需要注意，它并不适用于所有类型的时间序列数据，并且在实际应用中需要谨慎选择合适的模型。
9.第六讲 异方差
高斯—马尔可夫定理需要极为严格的假设条 件，如果部分条件不满足，定理将会失效。 例如：如果u存在异方差问题，回归结果将 不再是BLUE的。
一般情况下：异方差的概念
对于模型
Yi 0 1 X ii 2 X 2i k X ki i
如果出现
Var (i ) i2
实际经济问题中的异方差性
例1：截面资料下研究居民家庭的储蓄行为:
Yi=0+1Xi+i
Yi ：第i个家庭的储蓄额 Xi：第i个家庭的可支配收
入。 高收入家庭：储蓄的差异较大 低收入家庭：储蓄则更有规律性，差异较小 因此：可以认为i的方差呈现单调递增型变化。
例2：以某一行业的企业为样本建立企业生产 函数模型： Yi=Ai1 Ki2 Li3ei 被解释变量：产出量Y 解释变量：资本K、劳动L、技术A， 那么：每个企业所处的外部环境对产出量 的影响被包含在随机误差项中。
公式1
公式2
由于在推导过程中把异方差作为一般情况进 行考虑，所以不管是样本数据是误差同方差 还是异方差，公式1和公式2始终成立。因 此，将其称为异方差稳健标准误差。 其含义是，在大样本情况下，不管误差同方 差还是异方差，公式1和公式2始终是正确 的。
同方差的情况
如果通过检测数据样本是误差同方差的情况。 1. OLS的结果是BLUE的（无偏、一致、有 效）。 2. 系数的方差公式（公式3、公式4 ）将变得 非常简单。特别值得注意的是，这两个公式仅 仅用于误差同方差的情况，在误差异方差的情 况下将失效，因此我们称之为同方差适用标准 误差。
关于同方差和异方差的理论分析
由于OLS的三条经典假设中对条件方差没有 限制，所以它们适用于异方差的一般情况， 也适用于同方差的特殊情况。因此，不管是 同方差还是异方差，OLS估计量仍然是无偏 的、一致的。同时，在大样本下仍然服从正 态分布。 不管误差同方差还是异方差，OLS估计量
ccc-garch广义自回归条件异方差模型
ccc-garch广义自回归条件异方差模型GARCH（广义自回归条件异方差）模型是一种用于时间序列分析中处理异方差性的模型。
它是ARCH（自回归条件异方差）模型的扩展，通过引入额外的参数，能够更准确地捕捉时间序列数据中的波动性、异方差性和相关性的变化。
GARCH模型的基本形式可以表示为：\[\sigma_t^2 = \omega + \sum_{i=1}^{p}\alpha_i \varepsilon_{t-i}^2 + \sum_{j=1}^{q}\beta_j \sigma_{t-j}^2\]其中，\(\varepsilon_t\) 是时间序列数据在时间点 \(t\) 的残差，\(\sigma_t^2\) 是时间点 \(t\) 的方差，\(\omega\)、\(\alpha_i\) 和\(\beta_j\) 是模型的参数，\(p\) 和 \(q\) 分别代表了模型的自回归部分和移动平均部分的阶数。
GARCH模型的核心思想是使用历史残差的平方项作为预测当前期方差的主要指标，同时考虑了之前期方差的影响。
因此，GARCH模型能够根据历史数据的波动性和相关性，进行对未来方差的预测，从而实现风险管理和投资决策。
在应用GARCH模型时，一般需要经历以下步骤：1. 数据预处理：对原始数据进行平稳性检验，如ADF检验、单位根检验等。
如果数据不满足平稳性条件，需要进行差分处理，将其转化为平稳序列。
2. 模型拟合：选取适当的GARCH模型阶数 \(p\) 和 \(q\)，通过拟合数据估计GARCH模型的参数。
可以使用最大似然估计法（Maximum Likelihood Estimation）或其他拟合方法。
3. 模型诊断：对拟合后的模型进行统计检验，检查模型残差的自相关性是否存在显著性、残差是否符合正态分布等。
可以应用Ljung-Box检验、正态性检验等。
4. 模型选择：根据诊断结果和实际应用需求，选择最优GARCH模型。