## Tarvitset paketin fGarch (Packages->install package(s) -> "paikka" --> fGarch
## sekä tämän tarvitsevat paketetit timeDate, timeSeries ja fBasics

## Luetaan mainittuun hakemistoon tallennettu aikasarja - tässä tapauksessa ukwages

data=read.table("C:/Users/Erkka/Opiskelu/Tilastotiede/Stationaariset 2010/Laskuharjoitukset/ukwages.txt",header=TRUE)
y = ts(data$Y) ## muodostetaan aikasarja

## Aikasarjan muunnokset ja piirtäminen (ks. R-koodi_1)

## Keskistys haluttaessa

mean=mean(y) 
yk=y-mean

## ARMA-GARCH -mallin estimointi ?garchFit
## include.mean = FALSE, jos käytetään keskistettyjä havaintoja; include.mean = TRUE, jos mallissa estimoitava vakiotermi (mu)
## Mahdollisten jakaumien joukossa mm. "norm" (normaalijakauma), ja "std" (t-jakauma) ja "QMLE" (normaalijakauma robustein keskivirhein)
## Huomaa, että garch( , ):in 1. argumentti on ARCH-aste eli toisin päin kuin kurssilla

fit <- garchFit(~arma(p,q)+garch(s,r),y,include.mean = TRUE, include.shape = NULL, cond.dist = c("std"))
fit

summary(fit) ## hieman yksityiskohtaisempi tulostus

## Diagnostiikkaa 

res = residuals(fit, standardize = TRUE)  ## residuaalit
res <- ts(res) ## residuaalit aikasarjaksi

plot(res, ylab=" ", main="Residuaalit", xlab="") ## residuaalien piirtäminen
hist(res, main="Residuaalien histogrammi") ##residuaalien histogrammi

acf(res, main="Residuaalien empiirinen autokorrelatiofunktio") ## residuaalien autokorrelaatiofunktio
acf(res^2,main="Neliöityjen residuaalien empiirinen autokorrelatiofunktio") ## neliöityjen residuaalien autokorrelaatiofunktio



## Pelkän GARCH-mallin estimointi (GARCHin 1. argumentti ARCH-aste eli toisin päin kuin kurssilla)
## Tässä keskistys on tehty

fit <- garchFit(~garch(s,r),yk,include.mean = FALSE, include.shape = NULL, cond.dist =  c("std"))
fit
summary(fit) ## hieman yksityiskohtaisempi tulostus


## Diagnostiikka kuten edellä