如何在R中自动提取ugarchfit最优参数系数的p值

一、提取参数p值的两种方法 #

1. 直接从拟合结果中提取 #

ugarchfit返回的对象内置了完整的参数统计信息（包含p值），可通过以下代码直接获取：

# 假设拟合结果存储在fit对象中
fit <- ugarchfit(spec = your_garch_spec, data = returns_data)

# 获取标准参数统计矩阵（含估计值、标准误、t值、p值）
param_matrix <- fit@fit$matcoef
print(param_matrix)

# 单独提取p值列
p_values <- param_matrix[, "Pr(>|t|)"]
print(p_values)

如果需要稳健标准误对应的p值（对应你输出中的Robust Standard Errors部分），提取robust.matcoef即可：

robust_param_matrix <- fit@fit$robust.matcoef
robust_p_values <- robust_param_matrix[, "Pr(>|t|)"]
print(robust_p_values)

2. 通过t值手动计算p值 #

若仅能获取t值，可基于双侧t检验公式计算p值：2 * pt(abs(t值), 自由度)，其中自由度为样本量减去模型参数个数：

# 样本量
n <- nrow(returns_data)
# 参数个数（mu、omega、alpha1、beta1共4个）
k <- length(coef(fit))
# 提取t值
t_values <- param_matrix[, "t value"]
# 计算p值
calculated_p_values <- 2 * pt(abs(t_values), df = n - k)
print(calculated_p_values)

二、提取GARCH(1,1)波动率时间序列 #

你的最终目标是获取波动率（sigma），直接用sigma()函数或访问拟合对象属性即可：

# 方法1：使用sigma()函数
volatility_series <- sigma(fit)

# 方法2：直接访问对象属性
volatility_series <- fit@fit$sigma

附：拟合结果中文翻译 #

*---------------------------------*
*          GARCH模型拟合结果        *
*---------------------------------*

条件方差动态特性
-----------------------------------
GARCH模型    : sGARCH(1,1)
均值模型 : ARFIMA(0,0,0)
分布类型   : 正态分布

最优参数
------------------------------------
         估计值    标准误       t值     Pr(>|t|)
mu     -0.001183    0.008642 -0.13686 0.891143
omega   0.006368    0.000713  8.92639 0.000000
alpha1  0.334860    0.150390  2.22662 0.025973
beta1   0.000000    0.187089  0.00000 1.000000

稳健标准误:
         估计值    标准误       t值     Pr(>|t|)
mu     -0.001183    0.009319 -0.12692 0.899008
omega   0.006368    0.002321  2.74405 0.006069
alpha1  0.334860    0.175326  1.90993 0.056142
beta1   0.000000    0.259065  0.00000 1.000000

对数似然值 : 90.52192 

信息准则
------------------------------------
                
Akaike       -1.8607
Bayes        -1.7518
Shibata      -1.8642
Hannan-Quinn -1.8167

标准化残差加权Ljung-Box检验
------------------------------------
                         统计量  p值
Lag[1]                     0.1237  0.7251
Lag[2*(p+q)+(p+q)-1][2]    0.1237  0.9033
Lag[4*(p+q)+(p+q)-1][5]    2.2145  0.5687
自由度=0
原假设H0 : 无序列相关性

标准化平方残差加权Ljung-Box检验
------------------------------------
                         统计量  p值
Lag[1]                      1.158  0.2819
Lag[2*(p+q)+(p+q)-1][5]     1.868  0.6500
Lag[4*(p+q)+(p+q)-1][9]     3.152  0.7337
自由度=2

加权ARCH LM检验
------------------------------------
             统计量 形状参数 尺度参数  p值
ARCH Lag[3]    0.5813 0.500 2.000  0.4458
ARCH Lag[5]    0.7021 1.440 1.667  0.8228
ARCH Lag[7]    0.9818 2.315 1.543  0.9165

Nyblom稳定性检验
------------------------------------
联合统计量:  0.7391
单个参数统计量:              
mu     0.09335
omega  0.18718
alpha1 0.07268
beta1  0.29205

渐近临界值(10% 5% 1%)
联合统计量:        1.07 1.24 1.6
单个参数统计量:   0.35 0.47 0.75

符号偏误检验
------------------------------------
                    t值      p值 显著性
Sign Bias          0.25257 0.8012    
Negative Sign Bias 0.08968 0.9287    
Positive Sign Bias 0.22847 0.8198    
Joint Effect       0.48299 0.9226    


调整Pearson拟合优度检验:
------------------------------------
   分组数 统计量  p值(g-1)
1    20     34.53      0.01591
2    30     37.00      0.14622
3    40     51.09      0.09308
4    50     49.47      0.45423

内容的提问来源于stack exchange，提问作者Eric