<p class="MsoNormal"><b><span style="font-family: 宋体;">纯属无聊，贻笑大方，欢迎指正。<br/></span></b></p><p class="MsoNormal"><b><span style="font-family: 宋体;"><br/>一，因变量</span></b><span style="font-family: 宋体;">：通过观察女友的每天实际心情，并将其标准化与数理化（类似基数效用的方法，心情处于<span lang="EN-US">1</span>～<span lang="EN-US">10</span>分之间），然后将心情序列设为因变量<span lang="EN-US">Y</span>矩阵并建模。<span lang="EN-US"><op></op></span></span></p>











<p class="MsoNormal"><span lang="EN-US" style="font-family: 宋体;"><op></op></span><b><span style="font-family: 宋体;">二，自变量</span></b><span style="font-family: 宋体;">：<span lang="EN-US"><op></op></span></span><br/><b><span lang="EN-US" style="font-family: 宋体;">C</span></b><span style="font-family: 宋体;">：常数，因为作为女友，不可能每天甩脸色给你看，毕竟是男友而不是沙包，于是回归前推测可能为正值。<span lang="EN-US"><op></op></span></span><br/><b><span lang="EN-US" style="font-family: 宋体;">Yt-1</span></b><b><span style="font-family: 宋体;">，<span lang="EN-US">Yt-2</span></span></b><span style="font-family: 宋体;">：前两天的心情。因为头一天，甚至头两三天的心情很可能影响当天心情，于是引入滞后变量。具体滞后几期需检验之后再修改。<span lang="EN-US"><op></op></span></span><br/><b><span lang="EN-US" style="font-family: 宋体;">D1St-1</span></b><span style="font-family: 宋体;">：虚拟变量<span lang="EN-US">1</span>，<span lang="EN-US">St-1</span>为头一天的睡眠质量，如何计量？（例如熬夜与否，失眠与否），当<span lang="EN-US">D1>0</span>说明头一天睡好了，<span lang="EN-US">D1<0</span>说明前一天没睡好，于是对心情有负影响。<span lang="EN-US"><op></op></span></span><br/><b><span lang="EN-US" style="font-family: 宋体;">D2W</span></b><span style="font-family: 宋体;">；虚拟变量<span lang="EN-US">2</span>，<span lang="EN-US">W</span>为当天天气。晴天<span lang="EN-US">D2>0</span>，非常阴沉的天气或雨天<span lang="EN-US">D2<0</span>，假设普通的阴天对心情没有影响。这里也涉及W的标准化问题。天气影响心情是进而影响投资由行为金融学得出，前人证明出现阳光与否甚至可能导致当天股票指数的显著变动，这是题外话。（<span lang="EN-US">Hirshleifer,David,Shumway,2003</span>）。<span lang="EN-US"><op></op></span></span></p>

<p class="MsoNormal"><span lang="EN-US" style="font-family: 宋体;"><op> </op></span></p>



<p class="MsoNormal"><b><span style="font-family: 宋体;">三，回归及修正：<span lang="EN-US"><op></op></span></span></b><br/><span lang="EN-US" style="font-family: 宋体;">1</span><span style="font-family: 宋体;">，<span lang="EN-US">OLS</span>回归以及常规检验。<span lang="EN-US"><op></op></span></span></p>







<p class="MsoNormal"><span lang="EN-US" style="font-family: 宋体;"><op></op>2</span><span lang="EN-US" style="font-family: 宋体;">，检验序列平稳性。<span lang="EN-US">(ADF)<op></op></span><br/>女友当天的心情不大可能与头两天心情有一比一关系，也就是说，昨天心情非常好，今天心情不一定也非常好，这点可以从经验得出，于是回归序列应该是稳定的。这点可以应用具有常数项的<span lang="EN-US">ADF</span>模型检验是否带有单位根。<span lang="EN-US"><op></op></span><br/>------</span><span style="font-family: 宋体;">解决办法：检验之后，若有单位根，则进行<span lang="EN-US">2</span>阶差分，并再次进行<span lang="EN-US">ADF</span>检验，如果检验得知此刻无单位根，则证明差分后回归达到平稳，不管怎样，建立<span lang="EN-US">p</span>阶单整序列之后，可以剔除单位根。<span lang="EN-US"><op></op></span></span></p>







<p class="MsoNormal"><span lang="EN-US" style="font-family: 宋体;"><op></op>3</span><span lang="EN-US" style="font-family: 宋体;">，检验序列相关性。<span lang="EN-US">(Breush-Godfrey LM</span>或者<span lang="EN-US">Ljung-Box Q)<op></op></span><br/></span></p><p class="MsoNormal"><span lang="EN-US" style="font-family: 宋体;">一个人的心情不可能完全由<span lang="EN-US">5</span>个变量就决定的，必定有一些因素根本无法观察到，这些因素就全部列入回归的扰动项中，而这些因素受到以前事件影响。例如她的心情受三天前某个衰人的一句话影响，又或者五天前你没有接她电话所以今天还嬲紧你，也有可能，模型的设定有误差，比如说她每天的心情实际上和天气完全无关。再次根据经验可知，这种现象极有可能发生，也就是发生了所谓的序列相关性，即原回归或差分后回归，其所得的扰动项序列<span lang="EN-US">ut</span>之间极有可能不是完全独立的<span lang="EN-US"><op></op></span><br/>------</span><span style="font-family: 宋体;">解决办法：观察残差图，进行序列相关<span lang="EN-US">LM</span>检验，得出显著与否。序列相关显著情况下，应用<span lang="EN-US">ARMA(p, q)</span>模型修正，<span lang="EN-US">p</span>与<span lang="EN-US">q</span>具体取值通过<span lang="EN-US">Eviews</span>下残差检验的<span lang="EN-US">LB Q</span>检验中，自相关与偏相关的图像大概得出并进一步修改。<span lang="EN-US"><op></op></span></span></p>



<p class="MsoNormal"><span lang="EN-US" style="font-family: 宋体;"><op></op>4</span><span style="font-family: 宋体;">，检验条件异方差。（<span lang="EN-US">ARCH LM</span>）<span lang="EN-US"><op></op></span></span></p>



<p class="MsoNormal"><span lang="EN-US" style="font-family: 宋体;">女人很难说明白，可能一段时间持续低落或者持续高涨，于是这一段时间内每天的变动反而不大（残差小），但某一段时间内，可能天与天之间的情绪变动会挥常大呀！今天很高兴，明天很低落，后天又很热情，大后天简直要抓狂（可能是那段时间<span lang="EN-US">m</span>或者有点短路）。出现这种情绪变动一时平稳，一时变动很大的情况（即波动成群<span lang="EN-US">-clustering</span>），我们就说，扰动项出现了条件异方差，即波动在一些时刻持续很小，在另一些时刻持续很大。<span lang="EN-US"><op></op></span><br/>-------</span><span style="font-family: 宋体;">解决办法：应用<span lang="EN-US">ARCH LM</span>检验可以检验是否存在<span lang="EN-US">ARCH</span>效应，若存在条件异方差，用<span lang="EN-US">GARCH</span>模型进行修正，并再次进行<span lang="EN-US">ARCH LM</span>检验，直到接受原假设。<span lang="EN-US"><op></op></span></span></p>



<p class="MsoNormal"><span lang="EN-US" style="font-family: 宋体;"><op></op>5</span><span style="font-family: 宋体;">，非对称<span lang="EN-US">ARCH</span>模型。<span lang="EN-US"><op></op></span></span></p>



<p class="MsoNormal"><span lang="EN-US" style="font-family: 宋体;">坏状况（没睡好觉或者昨天心情不好）可能更容易增加心情的波动性（时好时坏）。这个也很容易理解，没睡好觉可能导致整个人都很敏感，听到好事了心情会飞上天，你稍微做的不对则有可能简直要杀人。而睡好觉了，这种两面性就会小一点，也就是说不会那么敏感。<span lang="EN-US"><op></op></span><br/>--------</span><span style="font-family: 宋体;">解决办法：建立<span lang="EN-US">EGARCH</span>模型，引入虚拟变量，分析好事和坏事对心情的对数造成的冲击。<span lang="EN-US"><op></op></span></span></p>



<p class="MsoNormal"><span lang="EN-US" style="font-family: 宋体;"><op></op></span><b><span style="font-family: 宋体;">四，结论与问题</span></b><span style="font-family: 宋体;">：通过模型拟合度和显著性水平，得出模型解释水平，并且通过一定的预测，检验实用性。而如何进行观察并且将女友心情标准化，以及自变量的计量，是待解决问题。</span></p><br/><p class="MsoNormal"><br/></p><p class="MsoNormal">------politix.blogbus.com<br/><span style="font-family: 宋体;"><span lang="EN-US"><op></op></span></span></p>