Stata中GARCH/EGARCH-M模型系数提取、显著性分析及Beta统计需求

我来帮你一步步解决这些问题，从基础的GARCH系数提取，到面板EGARCH-M循环代码的修正，再到Beta系数的分类统计：

一、提取GARCH模型的系数与显著性水平 #

不管是单变量GARCH还是针对面板个体的回归，Stata的arch命令运行后，所有结果都存储在返回值中，你可以直接提取：

1. 提取系数 #

模型运行后，系数矩阵存储在e(b)里，你可以直接用_b[变量名]调用单个系数，或者用矩阵操作批量提取：

// 先运行GARCH模型
arch ut rmrf, arch(1) garch(1) archmexp(sqrt(X)) distribution(t)

// 提取_sigma2的系数（对应你要的Beta）
local beta = _b[_sigma2]
di "Beta系数：`beta'"

2. 获取显著性水平（z统计量、p值） #

标准误存储在_se[变量名]中，z统计量可以通过系数/标准误计算；p值则根据模型分布选择对应的函数：

• 如果是正态分布，用normal()函数
• 如果是t分布，用ttail()函数（需要自由度，即e(df_r)）

示例代码：

// 提取标准误
local se = _se[_sigma2]
// 计算z统计量
local z_stat = _b[_sigma2]/`se'
// 计算p值（t分布为例）
local p_value = 2*ttail(e(df_r), abs(`z_stat'))

di "z统计量：`z_stat'"
di "p值：`p_value'"

二、面板EGARCH-M循环代码的修正与扩展 #

你原来的循环代码有几个问题：一是arch命令前的反引号多余，二是没有处理回归不收敛的情况，三是遗漏了EGARCH的关键选项。以下是修正后的完整方案：

1. 先创建存储变量 #

提前生成变量来保存每个个体的系数、z统计量和p值：

gen beta = .          // 存储Beta系数
gen z_stat = .        // 存储z统计量
gen p_value = .       // 存储p值

2. 修正循环代码（加入收敛判断+EGARCH选项） #

注意：你要跑的是EGARCH-M，必须在arch命令中加入egarch选项，否则默认是普通GARCH：

forvalues i=1/478 { 
    // 针对单个个体运行EGARCH-M模型
    arch ut rmrf if id==`i', arch(1) garch(1) egarch archmexp(sqrt(X)) distribution(t)
    
    // 判断模型是否收敛，避免提取错误结果
    if e(converged) {
        // 保存Beta系数
        replace beta = _b[_sigma2] if id==`i'
        // 计算并保存z统计量
        local se = _se[_sigma2]
        replace z_stat = _b[_sigma2]/`se' if id==`i'
        // 计算并保存p值（t分布）
        replace p_value = 2*ttail(e(df_r), abs(z_stat)) if id==`i'
    }
    else {
        // 标记未收敛的个体，方便后续排查
        replace beta = . if id==`i'
        replace z_stat = . if id==`i'
        replace p_value = . if id==`i'
        di "警告：个体`i'的回归未收敛，请检查数据或模型设定"
    }
}

三、统计Beta系数的分类数量 #

用count命令结合条件判断，就能快速统计各类Beta的数量：

* 1. 显著为正（p<0.05 且 beta>0）
count if beta>0 & p_value<0.05
local pos_sig = r(N)
di "显著为正的Beta数量：`pos_sig'"

* 2. 显著为负（p<0.05 且 beta<0）
count if beta<0 & p_value<0.05
local neg_sig = r(N)
di "显著为负的Beta数量：`neg_sig'"

* 3. 不显著为正（p>=0.05 且 beta>0）
count if beta>0 & p_value>=0.05
local pos_insig = r(N)
di "不显著为正的Beta数量：`pos_insig'"

* 4. 不显著为负（p>=0.05 且 beta<0）
count if beta<0 & p_value>=0.05
local neg_insig = r(N)
di "不显著为负的Beta数量：`neg_insig'"

* 5. 未收敛/缺失的个体
count if missing(beta)
local missing = r(N)
di "未收敛或缺失的Beta数量：`missing'"

额外注意事项 #

• 你的样本时间跨度是25年（1990-2014），对于GARCH类模型来说样本量偏小，容易出现不收敛的情况，可以考虑调整模型阶数（比如简化为ARCH(1)）或者检查个体数据是否存在异常值。
• 显著性水平可以根据需求调整，比如把代码中的0.05改成0.1或0.01。

内容的提问来源于stack exchange，提问作者Y. LI