open data g10xrate.xls
data(format=xls,org=columns) 1 6237 usxjpn usxfra usxsui
*
set xjpn = 100.0*log(usxjpn/usxjpn{1})
set xfra = 100.0*log(usxfra/usxfra{1})
set xsui = 100.0*log(usxsui/usxsui{1})

system(model=var1)
variables xjpn xfra
lags 1
det constant
end(system)
garch(p=1,q=1,model=var1,mv=cc,variances=varma,pmethod=simplex,piters=10,hmatrices=hh,rvectors=rr)

set stdxjpn = rr(t)(1)/sqrt(hh(t)(1,1))
set stdxfra = rr(t)(2)/sqrt(hh(t)(2,2))

@mvqstat(lags=12)
# stdxjpn            
@mvqstat(lags=12)   
# stdxfra
@mvqstat(lags=12)
# stdxjpn  stdxfra

*****            
set stdxjpnsq = stdxjpn**2
set stdxfrasq = stdxfra**2
@mvqstat(lags=12)
# stdxjpnsq            
@mvqstat(lags=12)
# stdxfrasq
@mvqstat(lags=12)
# stdxjpnsq  stdxfrasq  

MV-GARCH, CC with VARMA Variances - Estimation by BFGS
Convergence in    49 Iterations. Final criterion was  0.0000090 <=  0.0000100
Usable Observations                      6235
Log Likelihood                     -9827.7680

    Variable                        Coeff      Std Error      T-Stat      Signif
************************************************************************************
1.  XJPN{1}                       0.060308396  0.015420806      3.91085  0.00009197
2.  XFRA{1}                      -0.009395780  0.012048172     -0.77985  0.43547854
3.  Constant                      0.005012014  0.005979478      0.83820  0.40191689
4.  XJPN{1}                       0.029598971  0.011949975      2.47691  0.01325266
5.  XFRA{1}                       0.012787660  0.016278119      0.78557  0.43211735
6.  Constant                      0.000415551  0.006440767      0.06452  0.94855712
7.  C(1)                          0.008083047  0.001934824      4.17766  0.00002945
8.  C(2)                          0.010007940  0.001862310      5.37394  0.00000008
9.  A(1,1)                        0.162280512  0.012423597     13.06228  0.00000000
10. A(1,2)                       -0.051378510  0.008937164     -5.74886  0.00000001
11. A(2,1)                       -0.072296484  0.008588677     -8.41765  0.00000000
12. A(2,2)                        0.159728534  0.012205006     13.08713  0.00000000
13. B(1,1)                        0.785169448  0.018024268     43.56179  0.00000000
14. B(1,2)                        0.132182394  0.023606121      5.59950  0.00000002
15. B(2,1)                        0.077342080  0.020698414      3.73662  0.00018651
16. B(2,2)                        0.826789027  0.015027194     55.01952  0.00000000
17. R(2,1)                        0.571758103  0.008571492     66.70462  0.00000000

Multivariate Q(12)=      37.62994
Significance Level as Chi-Squared(12)=  1.76477e-004
Multivariate Q(12)=      42.19065
Significance Level as Chi-Squared(12)=  3.09325e-005
Multivariate Q(12)=      93.50358
Significance Level as Chi-Squared(48)=  9.28427e-005
Multivariate Q(12)=      30.20055
Significance Level as Chi-Squared(12)=       0.00260
Multivariate Q(12)=       1.87435
Significance Level as Chi-Squared(12)=       0.99958
Multivariate Q(12)=     112.42213
Significance Level as Chi-Squared(48)=  4.38121e-007

*****
RATS 8 Users Guide.pdf
Chapter 9: ARCH and GARCH
page ug-302 Univariate Diagnostics
        ug-303 Multivariate Diagnostics

感謝您!!!您真是個好人!!!
但我是rats7 沒有8
我正在等著蒐集論壇幣來買論壇上的8.0~這真的很苦惱我!!
@mvqstat(lags=12)和平方後的都是q-test的嗎??
還是其中有一個是wald test~
lag12應該是作者任意選的吧!
我想要請問，雙變量的平均方程式有兩條的話~
選aic 和 bic 是要分開來選，還是要兩條一起選啊?
用rats 要怎麼估計雙變量的兩條平均方程式的最適落後項?
可以打程式碼就自己選定罪是落後項，還是說要一個一個配自己去比較呢?
比較的基準是要符合white noise嗎?還是其實不用，因為平均方程式本來就無法符合white noise??

VAR-MVGARCH  ??

平均方程式是
VAR再加一個殘差落後項~

Chapter 7: Vector Autoregressions
page ug-211
Using VARLagSelect

@varlagselect(options)start  end
# list of variables