臺大管理論叢第31卷第2期

41 NTU Management Review Vol. 31 No. 2 Aug. 2021 本研究以證券櫃檯買賣中心2006 年初至2016 年底共563 筆之週資料,使用R Studio 的Yield Curve Package 中的Svensson 函數,估計出公式(2) 中參數的時間序 列矩陣。參照Svensson (1994) 與De Pooter (2007) 的方法,在固定的t1 與t2 下,估 計β0、β1、β2,與β3。亦即,取第一步驟中Svensson 函數估計之t1 與t2 數列中位數 作為定值,再重新估計β0、β1、β2,與β3 的時間序列矩陣。 鑑於參數可能與自己的落後期相關,也可能與同期或前期的其他參數相關,故 本研究採用VAR (Vector Autoregression) 模型估計此4 項參數的動態行為。基本的 VAR(p) 模型可以由下列算式表示27: yt = c + A1yt-1 + A2yt-2 + ⋯ + Apyt-p + et, (3) 其中,c 為n×1 常數向量,Ai 為n×n 矩陣,i = 1 , ⋯, p;et 為n×1 誤差向量 且滿足E(et) = 0、E(et e't) = Ω(誤差項協方差矩陣),及E(et e't-k) = 0 (不存在自相關)。 若殘差間存在相關性,則可透過Cholesky分解法於模擬時加以反應。 估計VAR的步驟如下:第一步,確認參數的時間序列是否為定態,如非定態, 則取差分;第二步,藉由赤池信息量準則(Akaike Information Criterion; AIC) 確認最 佳落後期數28;第三步,估計VAR模型。實證模型估計如下: 0, 1, 2, 3, = +0.001355 0.000534 0.004106 +0.001906 + 11 21 31 41 12 22 32 42 13 23 33 43 14 24 34 44 15 25 35 45 16 26 36 46 17 27 37 47 18 28 38 48 0, 1 1, 1 2, 1 3, 1 0, 2 1, 2 2, 2 3, 2 + 0 1 2 3 , (4) 27 參見Hatemi-J (2004)。 28 在5%之顯著水準下,本研究將落後期數定為兩期。篩選落後期數之AIC結果,如下所示: Lag 0 1 2 3 4 5 AIC -25.5854 -35.3291 -35.5232* -35.5069 -35.5089 -35.4854

RkJQdWJsaXNoZXIy ODg3MDU=