Komputasi Statistika Lanjut

GARCH Model in R

Nurul Azizah Muzakir

H062211001

PROGRAM STUDI MAGISTER STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
2021
 Generalized Autoregressive Conditional Heteroscedasticity (GARCH) Model

#Libarary yang digunakan

> library(quantmod)
> library(xts)
> library(PerformanceAnalytics)
> library(rugarch)

#Memanggil dataset Apple Daily Prices

> getSymbols("AAPL", from="2008-01-01", to="2019-12-31")

[1] "AAPL"
> View(AAPL)

#Membuat Chart Series dari dataset AAPL bulan Desember 2019

> chartSeries(AAPL["2019-12"])
#Membuat Chart Series dari dataset AAPL dari tahun 2008 sampai 2019
> chartSeries(AAPL)

Dari output gambar di atas, terlihat bahwa data mengalami fluktuasi yang tinggi. Tipe data
runtun waktu seperti ini sulit untuk dimodelkan atau dianalisis menggunakan metode time
series yang standar. Untuk menganalisis harga saham, biasanya data seperti pada gambar
tidak langsung digunakan, kita perlu mengonversinya menjadi data pengembalian harian
(daily returns data).

#Menghitung nilai pengembalian (return) dengan mengambil kolom AAPL.Close pada

dataset AAPL

> return <- CalculateReturns(AAPL$AAPL.Close)

> View(return)
#Menghilangkan missing value pada variabel return

> return <- return[-1]

> View(return)

#Membuat histogram untuk data daily return

> hist(return)

Dari histogram di atas, data daily return cenderung berdistibusi normal

#Membuat kurva distribusi normal

> chart.Histogram(return, methods = c('add.density','add.normal'),

+ colorset = c('blue','green','red'))

#Membuat Chart Series untuk data daily return

> chartSeries(return, theme='white')

Dari gambar di atas, terlihat bahwa terdapat fluktuasi atau memiliki volatilitas yang tinggi.
Dari plot tersebut menunjukkan data daily return stasioner dalam rataan dan tidak terdapat
trend atau pola musiman.

#Menghitung standar deviasi

> sd(return)
[1] 0.0192738

#Menghitung volatilitas tahunan (annualized volatility), diasumsikan terdapat 252 hari

trading dalam setahun

> sqrt(252)*sd(return)
[1] 0.3059621

#Plot volatilitas bulanan

> chart.RollingPerformance(R=return["2008::2019"],
+ width = 22,
+ FUN="sd.annualized",
+ scale=252,
+ main="Apple's Monthly Rolling Volatility")
#Plot volatilitas tahunan

> chart.RollingPerformance(R=return["2008::2019"],
+ width = 252,
+ FUN="sd.annualized",
+ scale=252,
+ main="Apple's Yearly Volatility")
#Model 1 : Model GARCH standar dengan mean konstan

> s <- ugarchspec(mean.model = list(armaOrder=c(0,0)),

+ variance.model = list(model="sGARCH"),
+ distribution.model = 'norm')
> model <- ugarchfit(data=return, spec = s)
> model

*---------------------------------*
* GARCH Model Fit *
*---------------------------------*

Conditional Variance Dynamics

-----------------------------------
GARCH Model : sGARCH(1,1)
Mean Model : ARFIMA(0,0,0)
Distribution : norm

Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
mu 0.001836 0.000276 6.6590 0
omega 0.000014 0.000001 9.9981 0
alpha1 0.105551 0.001238 85.2334 0
beta1 0.854386 0.009940 85.9563 0

Robust Standard Errors:

Estimate Std. Error t value Pr(>|t|)
mu 0.001836 0.000363 5.0634 0.000000
omega 0.000014 0.000004 3.5449 0.000393
alpha1 0.105551 0.019820 5.3256 0.000000
beta1 0.854386 0.015311 55.8034 0.000000

LogLikelihood : 7994.753

Information Criteria
------------------------------------

Akaike -5.2936
Bayes -5.2857
Shibata -5.2936
Hannan-Quinn -5.2908

Weighted Ljung-Box Test on Standardized Residuals

------------------------------------
statistic p-value
Lag[1] 1.803 0.1794
Lag[2*(p+q)+(p+q)-1][2] 1.890 0.2817
Lag[4*(p+q)+(p+q)-1][5] 4.161 0.2347
d.o.f=0
H0 : No serial correlation

Weighted Ljung-Box Test on Standardized Squared Residuals

------------------------------------
statistic p-value
Lag[1] 0.05871 0.8086
Lag[2*(p+q)+(p+q)-1][5] 1.89885 0.6425
Lag[4*(p+q)+(p+q)-1][9] 3.60706 0.6560
d.o.f=2
Weighted ARCH LM Tests
------------------------------------
Statistic Shape Scale P-Value
ARCH Lag[3] 0.2745 0.500 2.000 0.6003
ARCH Lag[5] 2.4830 1.440 1.667 0.3741
ARCH Lag[7] 2.8328 2.315 1.543 0.5457

Nyblom stability test

------------------------------------
Joint Statistic: 11.7036
Individual Statistics:
mu 0.1434
omega 2.6659
alpha1 0.7239
beta1 0.7182

Asymptotic Critical Values (10% 5% 1%)

Joint Statistic: 1.07 1.24 1.6
Individual Statistic: 0.35 0.47 0.75

Sign Bias Test

------------------------------------
t-value prob sig
Sign Bias 1.2072 0.2275
Negative Sign Bias 1.2681 0.2049
Positive Sign Bias 0.5341 0.5933
Joint Effect 10.1664 0.0172 **

Adjusted Pearson Goodness-of-Fit Test:

------------------------------------
group statistic p-value(g-1)
1 20 119.3 1.531e-16
2 30 130.8 7.063e-15
3 40 138.5 4.622e-13
4 50 144.7 2.212e-11

Elapsed time : 1.360078

interpretasi output model:

- Orde dari model GARCH standar (sGARCH(p,q)) adalah p=1 dan q=1.
- Mean dari AR = 0 dan mean dari MA=0 (konstan).
- Distribusi dari model adalah normal.
- Estimasi nilai parameternya adalah: mu (𝜇) = 0.001836; omega (𝜔) = 0.000014;
alpha1 (𝛼1 ) = 0.10555; beta1 (𝛽1 ) = 0.854386
- P-value dari setiap paramater menunjukkan bahwa keempat parameter model secara
statistik signifikan mempengaruhi model (p-value < 0.05).
- Model sGARCH yang terbentuk adalah:
𝑅𝑡 = 𝜇 + 𝑒𝑡
𝑅𝑡 = 0.001836 + 𝑒𝑡
𝜎𝑡2 = 𝜔 +𝛼1 𝑒𝑡−12 2
+𝛽1 𝜎𝑡−1
𝜎𝑡2 =0.000014 + 0.10555𝑒𝑡−1 2
+0.854386𝜎𝑡−12
 - Output dari Weighted Ljung-Box Test on Standardized Residuals menunjukkan bahw
a p-value dari setiap lag lebih besar dari 0.05, sehingga H0 diterima yang berarti tidak
ada korelasi antar residu.
- Pada uji Goodness-of-Fit, terlihat bahwa semua p-value kurang dari 0.05, sehingga H0
ditolak yang berarti residual dari model tidak berdistribusi normal.
> plot(model, which="all")

#Prediksi Model 1: Model GARCH standar dengan mean konstan

> prediksi <- ugarchforecast(fitORspec = model,n.ahead = 20)

> plot(fitted(prediksi))
Karena model yang digunakan adalah model dengan mean konstan, sehingga nilai-nilai prediksi dari
model adalah konstan.

> plot(sigma(prediksi))

Berdasarkan plot di atas, model memprediksikan untuk 20 periode kedepan (dalam hari) volatilitas
akan meningkat.

#Application example – portofolio allocation

> v <- sqrt(252)*sigma(model)

> w <- 0.05/v
> plot(merge(v,w),multi.panel=T)
#Model 2: Model GARCH dengan skewed student t-distribution

> s <- ugarchspec(mean.model = list(armaOrder=c(0,0)),

+ variance.model = list(model="sGARCH"),
+ distribution.model = 'sstd')
> model <- ugarchfit(data=return, spec = s)
> model

*---------------------------------*
* GARCH Model Fit *
*---------------------------------*

Conditional Variance Dynamics

-----------------------------------
GARCH Model : sGARCH(1,1)
Mean Model : ARFIMA(0,0,0)
Distribution : sstd

Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
mu 0.001480 0.000279 5.3108 0.000000
omega 0.000006 0.000004 1.6958 0.089915
alpha1 0.085043 0.014278 5.9561 0.000000
beta1 0.902292 0.018799 47.9966 0.000000
skew 1.005530 0.025139 39.9982 0.000000
shape 4.752023 0.436501 10.8866 0.000000

Robust Standard Errors:

Estimate Std. Error t value Pr(>|t|)
mu 0.001480 0.000271 5.45322 0.000000
omega 0.000006 0.000009 0.68479 0.493474
alpha1 0.085043 0.018983 4.47984 0.000007
beta1 0.902292 0.037400 24.12528 0.000000
skew 1.005530 0.024643 40.80467 0.000000
shape 4.752023 0.608003 7.81579 0.000000

LogLikelihood : 8135.742

Information Criteria
------------------------------------

Akaike -5.3857
Bayes -5.3738
Shibata -5.3857
Hannan-Quinn -5.3814

Weighted Ljung-Box Test on Standardized Residuals

------------------------------------
statistic p-value
Lag[1] 1.692 0.1933
Lag[2*(p+q)+(p+q)-1][2] 1.760 0.3059
Lag[4*(p+q)+(p+q)-1][5] 4.183 0.2321
d.o.f=0
H0 : No serial correlation

Weighted Ljung-Box Test on Standardized Squared Residuals

------------------------------------
statistic p-value
Lag[1] 0.03939 0.8427
Lag[2*(p+q)+(p+q)-1][5] 1.11196 0.8338
Lag[4*(p+q)+(p+q)-1][9] 2.22593 0.8764
d.o.f=2

Weighted ARCH LM Tests

------------------------------------
Statistic Shape Scale P-Value
ARCH Lag[3] 0.1533 0.500 2.000 0.6954
ARCH Lag[5] 1.5861 1.440 1.667 0.5700
ARCH Lag[7] 1.8544 2.315 1.543 0.7481

Nyblom stability test

------------------------------------
Joint Statistic: 3.485
Individual Statistics:
mu 0.12760
omega 0.75070
alpha1 1.70476
beta1 1.70856
skew 0.05769
shape 2.42728

Asymptotic Critical Values (10% 5% 1%)

Joint Statistic: 1.49 1.68 2.12
Individual Statistic: 0.35 0.47 0.75

Sign Bias Test

------------------------------------
t-value prob sig
Sign Bias 1.3822 0.16702
Negative Sign Bias 1.1428 0.25320
Positive Sign Bias 0.5916 0.55419
Joint Effect 11.1418 0.01098 **

Adjusted Pearson Goodness-of-Fit Test:

------------------------------------
group statistic p-value(g-1)
1 20 22.09 0.2796
2 30 37.99 0.1226
3 40 49.39 0.1230
4 50 49.88 0.4381

Elapsed time : 2.79416

interpretasi output model:

- Jika kita perhatikan output untuk uji Goodness-of-Fit, semua p-value yang dihasilkan
lebih dari 0.05, sehingga kita menerima H0 yang berarti residu dari model
berdistribusi normal.
- Output Weighted Ljung-Box Test on Standardized Residuals menunjukkan bahwa p-
value dari semua lag lebih besar dari 0.05 , sehingga H0 diterima yang berarti tidak
ada korelasi antar residu.
- Jika kita membandingkan kriteria Akaike dari model 1 dan model 2, model 2
memiliki nilai AIC yang lebih kecil. Disamping itu, residu dari model 2 (GARCH
dengan skewed student t-distribution) memeuhi asumsi white noise (independent/ tidak saling
 berkorelasi dan identik/ berdistribusi normal), sehingga dapat disimpulkan model 2 lebih baik
dari model 1.

> plot(model, which="all")

#Model 3: Model GJR-GARCH

> s <- ugarchspec(mean.model = list(armaOrder=c(0,0)),

+ variance.model = list(model="gjrGARCH"),
+ distribution.model = 'sstd')
> model <- ugarchfit(data=return, spec = s)
> model
*---------------------------------*
* GARCH Model Fit *
*---------------------------------*

Conditional Variance Dynamics

-----------------------------------
GARCH Model : gjrGARCH(1,1)
Mean Model : ARFIMA(0,0,0)
Distribution : sstd

Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
mu 0.001308 0.000264 4.9493 1e-06
omega 0.000010 0.000001 10.3623 0e+00
alpha1 0.022785 0.004046 5.6313 0e+00
beta1 0.873066 0.010998 79.3825 0e+00
gamma1 0.163845 0.023676 6.9203 0e+00
skew 1.001591 0.025055 39.9753 0e+00
shape 5.187647 0.437089 11.8686 0e+00

Robust Standard Errors:

Estimate Std. Error t value Pr(>|t|)
mu 0.001308 0.000282 4.6327 0.000004
omega 0.000010 0.000001 8.2051 0.000000
alpha1 0.022785 0.008648 2.6346 0.008424
beta1 0.873066 0.012198 71.5738 0.000000
gamma1 0.163845 0.027328 5.9954 0.000000
skew 1.001591 0.024872 40.2704 0.000000
shape 5.187647 0.513762 10.0974 0.000000

LogLikelihood : 8166.682

Information Criteria
------------------------------------

Akaike -5.4056
Bayes -5.3916
Shibata -5.4056
Hannan-Quinn -5.4005

Weighted Ljung-Box Test on Standardized Residuals

------------------------------------
statistic p-value
Lag[1] 2.978 0.08442
Lag[2*(p+q)+(p+q)-1][2] 2.980 0.14205
Lag[4*(p+q)+(p+q)-1][5] 5.090 0.14604
d.o.f=0
H0 : No serial correlation

Weighted Ljung-Box Test on Standardized Squared Residuals

------------------------------------
statistic p-value
Lag[1] 0.2127 0.6447
Lag[2*(p+q)+(p+q)-1][5] 1.7458 0.6796
Lag[4*(p+q)+(p+q)-1][9] 3.2344 0.7197
d.o.f=2

Weighted ARCH LM Tests

------------------------------------
Statistic Shape Scale P-Value
ARCH Lag[3] 0.2148 0.500 2.000 0.6431
ARCH Lag[5] 1.9494 1.440 1.667 0.4825
ARCH Lag[7] 2.6536 2.315 1.543 0.5812

Nyblom stability test

------------------------------------
Joint Statistic: 18.0544
Individual Statistics:
mu 0.52992
omega 7.12605
alpha1 3.19856
beta1 2.80216
gamma1 2.24486
skew 0.04981
shape 3.22055

Asymptotic Critical Values (10% 5% 1%)

Joint Statistic: 1.69 1.9 2.35
Individual Statistic: 0.35 0.47 0.75

Sign Bias Test

------------------------------------
t-value prob sig
Sign Bias 1.50181 0.1333
Negative Sign Bias 0.82021 0.4122
Positive Sign Bias 0.09147 0.9271
Joint Effect 3.29168 0.3488

Adjusted Pearson Goodness-of-Fit Test:

------------------------------------
group statistic p-value(g-1)
1 20 23.14 0.2312
2 30 25.95 0.6284
3 40 40.75 0.3932
4 50 41.04 0.7836

interpretasi output model:

- Terdapat tujuh parameter yang kesemua parameter memiliki p-value kurang dari 0.05.
Berarti tujuh parameter model secara statistik signifikan mempengaruhi model.
- Model GJR-GARCH yang terbentuk adalah:
𝑅𝑡 = 𝜇 + 𝑒𝑡
𝑅𝑡 =0.001308+ 𝑒𝑡
𝜎𝑡2 (𝑒𝑡−1 < 0) = 𝜔 +(𝛼 + 𝛾)𝑒𝑡−12 2
+𝛽𝜎𝑡−1
𝜎𝑡2 (𝑒𝑡−1 < 0) = 0.000010 +(0.022785 + 0.163845)𝑒𝑡−1 2 2
+0.873066𝜎𝑡−1
𝜎𝑡2 (𝑒𝑡−1 > 0) = 𝜔 +𝛼𝑒𝑡−12 2
+𝛽𝜎𝑡−1
𝜎𝑡2 (𝑒𝑡−1 > 0) = 0.000010 +0.022785𝑒𝑡−12
+0.873066 𝜎𝑡−12

- Jika kita perhatikan output untuk uji Goodness-of-Fit, semua p-value yang dihasilkan
lebih dari 0.05, sehingga kita menerima H0 yang berarti residu dari model
berdistribusi normal.
- Output Weighted Ljung-Box Test on Standardized Residuals menunjukkan bahwa p-
value dari semua lag lebih besar dari 0.05 , sehingga H0 diterima yang berarti tidak
ada korelasi antar residu.
- Jika kita membandingkan kriteria Akaike dari model 1, model 2, dan model 3, model
3 memiliki nilai AIC yang lebih kecil. Disamping itu, residu dari model 3 memenuhi
asumsi white noise (independent/ tidak saling berkorelasi dan identik/ berdistribusi normal),
sehingga dapat disimpulkan model 3 lebih baik dari dua model sebelumnya.
> plot(model, which="all")

#Model 4: Model AR(1) GJR-GARCH

> s <- ugarchspec(mean.model = list(armaOrder=c(1,0)),
+ variance.model = list(model="gjrGARCH"),
+ distribution.model = 'sstd')
> model <- ugarchfit(data=return, spec = s)
> model
*---------------------------------*
* GARCH Model Fit *
*---------------------------------*

Conditional Variance Dynamics

-----------------------------------
GARCH Model : gjrGARCH(1,1)
Mean Model : ARFIMA(1,0,0)
Distribution : sstd

Optimal Parameters
------------------------------------
 Estimate Std. Error t value Pr(>|t|)
mu 0.001278 0.000270 4.7271 0.000002
ar1 0.026030 0.018030 1.4437 0.148813
omega 0.000010 0.000001 10.8776 0.000000
alpha1 0.021276 0.004119 5.1649 0.000000
beta1 0.872489 0.010957 79.6301 0.000000
gamma1 0.168141 0.024148 6.9628 0.000000
skew 1.002293 0.025150 39.8533 0.000000
shape 5.230808 0.443529 11.7936 0.000000

Robust Standard Errors:

Estimate Std. Error t value Pr(>|t|)
mu 0.001278 0.000282 4.5295 0.000006
ar1 0.026030 0.016022 1.6246 0.104243
omega 0.000010 0.000001 8.7483 0.000000
alpha1 0.021276 0.008390 2.5357 0.011222
beta1 0.872489 0.012091 72.1576 0.000000
gamma1 0.168141 0.027709 6.0681 0.000000
skew 1.002293 0.025159 39.8376 0.000000
shape 5.230808 0.517274 10.1123 0.000000

LogLikelihood : 8167.718

Information Criteria
------------------------------------

Akaike -5.4056
Bayes -5.3896
Shibata -5.4056
Hannan-Quinn -5.3998

Weighted Ljung-Box Test on Standardized Residuals

------------------------------------
statistic p-value
Lag[1] 0.2207 0.6385
Lag[2*(p+q)+(p+q)-1][2] 0.2247 0.9981
Lag[4*(p+q)+(p+q)-1][5] 2.3941 0.5968
d.o.f=1
H0 : No serial correlation

Weighted Ljung-Box Test on Standardized Squared Residuals

------------------------------------
statistic p-value
Lag[1] 0.2985 0.5848
Lag[2*(p+q)+(p+q)-1][5] 1.7400 0.6810
Lag[4*(p+q)+(p+q)-1][9] 3.1557 0.7330
d.o.f=2

Weighted ARCH LM Tests

------------------------------------
Statistic Shape Scale P-Value
ARCH Lag[3] 0.2223 0.500 2.000 0.6373
ARCH Lag[5] 1.8197 1.440 1.667 0.5125
ARCH Lag[7] 2.5223 2.315 1.543 0.6079

Nyblom stability test

------------------------------------
Joint Statistic: 18.6712
Individual Statistics:
mu 0.52326
ar1 0.06527
omega 7.33680
alpha1 3.15390
beta1 2.78245
gamma1 2.26107
skew 0.04875
shape 3.18909

Asymptotic Critical Values (10% 5% 1%)

Joint Statistic: 1.89 2.11 2.59
Individual Statistic: 0.35 0.47 0.75

Sign Bias Test

------------------------------------
t-value prob sig
Sign Bias 1.5074 0.1318
Negative Sign Bias 0.8681 0.3854
Positive Sign Bias 0.0762 0.9393
Joint Effect 3.2520 0.3544

Adjusted Pearson Goodness-of-Fit Test:

------------------------------------
group statistic p-value(g-1)
1 20 24.12 0.1916
2 30 32.17 0.3126
3 40 39.22 0.4601
4 50 38.29 0.8652

Elapsed time : 4.958284

interpretasi output model:

- Terdapat delapan parameter dalam model. Satu diantaranya memiliki p-value yang
lebih besar dari 0.05, yaitu parameter AR(1) yang berarti parameter tersebut secara
statistik tidak signifikan. Dengan demikian, kita tidak menggunakan model AR(1)
GJR-GARCH ini.

> plot(model, which="all")

#Model 5 : Model GJR-GARCH in mean
> s <- ugarchspec(mean.model = list(armaOrder=c(0,0),archm=T,archpow=2),
+ variance.model = list(model="gjrGARCH"),
+ distribution.model = 'sstd')
> model <- ugarchfit(data=return, spec = s)
> model
*---------------------------------*
* GARCH Model Fit *
*---------------------------------*

Conditional Variance Dynamics

-----------------------------------
GARCH Model : gjrGARCH(1,1)
Mean Model : ARFIMA(0,0,0)
Distribution : sstd

Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
mu 0.001344 0.000344 3.90631 0.000094
archm -0.159380 1.102684 -0.14454 0.885075
omega 0.000010 0.000001 10.89020 0.000000
alpha1 0.022736 0.005949 3.82154 0.000133
beta1 0.873443 0.011018 79.27754 0.000000
gamma1 0.163989 0.024209 6.77394 0.000000
skew 1.001301 0.025275 39.61686 0.000000
shape 5.185832 0.442822 11.71088 0.000000

Robust Standard Errors:

Estimate Std. Error t value Pr(>|t|)
mu 0.001344 0.000394 3.41221 0.000644
archm -0.159380 1.191868 -0.13372 0.893621
omega 0.000010 0.000001 9.48982 0.000000
alpha1 0.022736 0.008860 2.56614 0.010284
beta1 0.873443 0.012358 70.67584 0.000000
gamma1 0.163989 0.027915 5.87464 0.000000
skew 1.001301 0.024750 40.45724 0.000000
shape 5.185832 0.496712 10.44033 0.000000

LogLikelihood : 8166.69

Information Criteria
------------------------------------

Akaike -5.4049
Bayes -5.3890
Shibata -5.4049
Hannan-Quinn -5.3992

Weighted Ljung-Box Test on Standardized Residuals

------------------------------------
statistic p-value
Lag[1] 2.904 0.08837
Lag[2*(p+q)+(p+q)-1][2] 2.908 0.14858
Lag[4*(p+q)+(p+q)-1][5] 5.012 0.15215
d.o.f=0
H0 : No serial correlation

Weighted Ljung-Box Test on Standardized Squared Residuals

------------------------------------
statistic p-value
Lag[1] 0.2098 0.6469
Lag[2*(p+q)+(p+q)-1][5] 1.7392 0.6812
Lag[4*(p+q)+(p+q)-1][9] 3.2245 0.7214
d.o.f=2

Weighted ARCH LM Tests

------------------------------------
Statistic Shape Scale P-Value
ARCH Lag[3] 0.2127 0.500 2.000 0.6447
ARCH Lag[5] 1.9437 1.440 1.667 0.4838
ARCH Lag[7] 2.6479 2.315 1.543 0.5823

Nyblom stability test

------------------------------------
Joint Statistic: 18.4477
Individual Statistics:
mu 0.54222
archm 0.48430
omega 6.96031
alpha1 3.20548
beta1 2.80375
gamma1 2.25194
skew 0.04973
shape 3.22410

Asymptotic Critical Values (10% 5% 1%)

Joint Statistic: 1.89 2.11 2.59
Individual Statistic: 0.35 0.47 0.75

Sign Bias Test

------------------------------------
t-value prob sig
Sign Bias 1.4996 0.1338
Negative Sign Bias 0.8058 0.4204
Positive Sign Bias 0.0865 0.9311
Joint Effect 3.2758 0.3510

Adjusted Pearson Goodness-of-Fit Test:

------------------------------------
group statistic p-value(g-1)
1 20 23.35 0.2222
2 30 25.99 0.6263
3 40 40.68 0.3965
4 50 42.53 0.7314

Elapsed time : 7.060404

interpretasi output model:

- Terdapat delapan parameter dalam model. Satu diantaranya memiliki p-value yang
lebih besar dari 0.05, yaitu parameter archm yang berarti parameter tersebut secara
statistik tidak signifikan. Dengan demikian, kita tidak menggunakan model GJR-
GARCH in mean.

> plot(model, which="all")