评价回归模型的一个新指标:CCC系数

本文探讨了回归模型评估指标中,CCC系数相较于MSE和RMSE的优势。CCC系数由pearson系数、scale和locationshift三部分组成,能更全面地评估模型拟合效果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

之前常用来评价回归模型的指标会选取MSE, RMSE这一类。

但是这一类的指标问题在于难以直观对应到对拟合效果的解释。

特别是有时候如果真实值挺大的时候,RMSE也会很大,更无法直观评价模型的优劣了。

 

而CCC系数(ConcordanceCorrelationCoefficien)可以克服此类问题。

CCC系数能够拆分成三个成分:

1. pearson系数,用于评价拟合的线性程度。

2. scale. 用于评价拟合值与真实值的方差之比。

3. location shift。 用于评价拟合值相对于真实值是否有平移。

 

例如对下图有三个拟合,分别用M, N, S三个字母来代替。

对应的三个CCC系数如下:

其中r就是pearson相关系数,v是scale, u是location shift。

 

 

 

### 在 Stata 中实现 CCC-GARCH 模型的步骤与方法 在 Stata 中实现 CCC-GARCH 模型可以通过 `mgarch` 命令完成。以下是具体的操作说明以及代码示例: #### 1. 数据准备 确保数据已经导入到 Stata 并进行了必要的预处理,包括缺失值处理、对数收益率计算等[^3]。 ```stata * 导入数据并生成对数收益率 gen log_return_x = ln(x / L.x) gen log_return_y = ln(y / L.y) * 检查是否有缺失值 list if missing(log_return_x, log_return_y) ``` #### 2. 构建均值方程 建立均值方程以提取残差序列。通常使用 ARMA 或其他回归模型来描述均值行为[^3]。 ```stata * 使用 AR(1) 模型作为均值方程 regress log_return_x L.log_return_x predict resid_x, residuals regress log_return_y L.log_return_y predict resid_y, residuals ``` #### 3. 检验 ARCH 效应 在构建 GARCH 模型之前,需验证残差是否存在 ARCH 效应[^3]。 ```stata * 对残差进行 ARCH-LM 检验 archlm resid_x, lags(4) archlm resid_y, lags(4) ``` 如果存在显著的 ARCH 效应,则可以继续进行下一步。 #### 4. 运行 CCC-GARCH 模型 利用 Stata 的 `mgarch ccc` 命令可以直接估计 CCC-GARCH 模型[^2]。 ```stata * 安装 mgarch 如果尚未安装 ssc install mgarch * 运行 CCC-GARCH 模型 mgarch ccc (log_return_x log_return_y = , noconstant), arch(1) garch(1) ``` 以上命令会基于两个变量 (`log_return_x`, `log_return_y`) 构造一个具有 ARCH(1)-GARCH(1) 结构的 CCC-GARCH 模型。 #### 5. 输出结果解释 运行完成后,Stata 将显示各变量的条件方差、条件相关系数以及其他统计指标。这些结果可用于进一步的风险管理和投资决策分析[^2]。 --- ###
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值