stata操作介绍之时间序列分析剖析

第二课：平稳性检验重点：1）平稳的基本含义及扩展2）制图的命令3）单位根检验一，平稳的基本含义及其扩展：1， 基本含义：平稳（stationary ），在本书中分析的都是弱/宽平稳，也称为协方差平稳（covariance stationary ）即：1）μ=t Ex 2）22)(σ=t x E3）协方差只与时滞有关，而与所处时刻无关 即j j t t x x E γ=-)(2，非平稳产生的原因：1）奇异点（outlier ）2）随机游走（Random Walk ）3）漂移（Drift ）4）趋势（Trend ）5）方差变化（Changing Variance ）。

时序图是判别上述五种情形最为直接和简便的方法。

单位根检验（Unit Root ）检验的是2），3），4）种情形3，DF/ADF 检验的三种情形分别是：无漂移项的自回归过程（又称为 差分平稳过程difference stationary ）；带漂移项的自回归过程，带趋势项的自回归过程（这类过程又称为 趋势平稳Trend Stationary ）二，制图命令：Twoway Historgram三，单位根检验UNIT ROOT Test命令：dfuller dfgls 适用于同方差场合pperron 适用于异方差场合检验结果表示为：t p t p t t t x x x x εββρμ+∇++∇++=∇---+1111...关键：看懂软件运行结果格式：Dfuller varname [if] [in] [, options]options Description---------------------------------------------------------------------------------------noconstant suppress constant term in regressiontrend include trend term in regressiondrift include drift term in regressionregress display regression tablelags(#) include # lagged differences---------------------------------------------------------------技巧：lags(#)的选择，是艺术，不是科学。

stata中tsset的用法-回复Stata中的tsset命令是时间序列分析的重要工具，可以将数据集中的变量设置为时间序列格式。

在本文中，我将逐步回答关于Stata中tsset命令的用法，并介绍如何使用它进行时间序列分析。

1. 什么是时间序列分析？时间序列分析是一种统计方法，用于研究一系列按时间顺序排列的数据点。

它旨在揭示数据中存在的趋势、周期性和季节性等模式，以及预测未来的变化趋势。

时间序列分析在经济学、金融学、生态学等领域有着广泛的应用。

2. Stata中的tsset命令的作用是什么？在进行时间序列分析之前，我们需要将数据集中的变量设置为时间序列格式。

tsset命令的作用就是帮助我们实现这一目标。

它将数据集中的变量与时间指定进行关联，使我们能够对数据进行时间序列分析。

3. 如何使用tsset命令进行时间序列分析？首先，在Stata中打开要进行时间序列分析的数据集。

然后，我们需要确定哪个变量代表时间。

假设我们的数据集中有一个日期变量，可以使用下面的命令将其设置为时间序列格式：statatsset date这里的"date"是数据集中的日期变量的名称，我们用它来代表时间。

执行完上述命令后，Stata会将变量"date"设置为时间序列格式。

4. tsset命令的其他选项是什么？除了基本的时间变量指定外，tsset命令还有其他选项，可以进一步定义时间序列的性质。

以下是一些常用的选项：- panel：将数据集中的变量设置为面板数据格式，其中包含多个单位（个体）和多个时间点。

- delta：指定时间间隔的大小，例如每个单位为一天、一周或一个月。

- tformat：指定时间变量的格式，例如"d/m/Y"表示日期按照"日/月/年"的格式输入。

这些选项使我们能够更好地适应不同的时间序列数据结构和数据类型。

5. tsset命令的注意事项是什么？在使用tsset命令时，有一些注意事项需要注意：- 时间变量必须是Stata中的日期或时间格式变量。

运用stata进行时间序列分析1 时间序列模型结构模型虽然有助于人们理解变量之间的影响关系，但模型的预测精度比较低。

在一些大规模的联立方程中，情况更是如此。

而早期的单变量时间序列模型有较少的参数却可以得到非常精确的预测，因此随着Box and Jenkins(1984)等奠基性的研究，时间序列方法得到迅速发展。

从单变量时间序列到多元时间序列模型，从平稳过程到非平稳过程，时间序列分析方法被广泛应用于经济、气象和过程控制等领域。

本章将介绍如下时间序列分析方法，ARIMA模型、ARCH族模型、 VAR模型、VEC模型、单位根检验及协整检验等。

一、基本命令 1.1时间序列数据的处理 1)声明时间序列：tsset 命令 use gnp96.dta, clear list in 1/20 gen Lgnp = L.gnp tsset date list in 1/20 gen Lgnp = L.gnp 2)检查是否有断点：tsreport, report use gnp96.dta, clear tsset date tsreport, report drop in 10/10 list in 1/12 tsreport, report tsreport, report list /*列出存在断点的样本信息*/ 3)填充缺漏值：tsfill tsfill tsreport, report list list in 1/12 4)追加样本：tsappend use gnp96.dta, clear tsset date list in -10/-1 sum tsappend , add(5) /*追加5个观察值*/ list in -10/-1 sum 2 5)应用：样本外预测：predict reg gnp96 L.gnp96 predict gnp_hat list in -10/-1 6)清除时间标识：tsset, clear tsset, clear 1.2变量的生成与处理 1)滞后项、超前项和差分项 help tsvarlist use gnp96.dta, clear tsset date gen Lgnp = L.gnp96 /*一阶滞后*/ gen L2gnp = L2.gnp96 gen Fgnp = F.gnp96 /*一阶超前*/ gen F2gnp = F2.gnp96 gen Dgnp = D.gnp96 /*一阶差分*/ gen D2gnp = D2.gnp96 list in 1/10 list in -10/-1 2)产生增长率变量：对数差分 gen lngnp = ln(gnp96)gen growth = D.lngnp gen growth2 = (gnp96-L.gnp96)/L.gnp96 gen diff = growth - growth2 /*表明对数差分和变量的增长率差别很小*/ list date gnp96 lngnp growth* diff in 1/10 1.3日期的处理日期的格式 help tsfmt 基本时点：整数数值，如 -3, -2, -1, 0, 1, 2, 3 .... 1960年1月1日，取值为 0； 3 显示格式：定义含义默认格式%td 日%tdDlCY %tw 周%twCY!ww %tm 月 %tmCY!mn %tq 季度 %tqCY!qq %th 半年 %thCY!hh %ty 年 %tyCY 1）使用tsset 命令指定显示格式 use B6_tsset.dta, clear tsset t, daily list use B6_tsset.dta, clear tsset t, weekly list 2)指定起始时点 cap drop month generate month = m(1990-1)+ _n - 1 format month %tm list t month in 1/20 cap drop year gen year = y(1952)+ _n - 1 format year %ty list t year in 1/20 3）自己设定不同的显示格式日期的显示格式 %d (%td)定义如下：%[-][t]d<描述特定的显示格式> 具体项目释义：“<描述特定的显示格式>”中可包含如下字母或字符 c y m l n d j h q w _ . , ：- / ' !c C Y M L N D J W 定义如下：c and C 世纪值(个位数不附加/附加0)y and Y 不含世纪值的年份(个位数不附加/附加0)m 三个英文字母的月份简写(第一个字母大写)4 M 英文字母拼写的月份(第一个字母大写)n and N 数字月份(个位数不附加/附加0)d and D 一个月中的第几日(个位数不附加/附加0)j and J 一年中的第几日(个位数不附加/附加0)h 一年中的第几半年 (1 or 2)q 一年中的第几季度 (1, 2, 3, or 4)w and W 一年中的第几周(个位数不附加/附加0)_ display a blank (空格). display a period(句号), display a comma(逗号)：display a colon(冒号)- display a dash (短线)/ display a slash(斜线)' display a close single quote(右引号)!c display character c (code !!to display an exclamation point)样式1：Format Sample date in format ----------------------------------- %td 07jul1948 %tdM_d,_CY July 7, 1948 %tdY/M/D 48/07/11 %tdM-D-CY 07-11-1948 %tqCY.q 1999.2 %tqCY:q 1992:2 %twCY,_w 2010, 48 ----------------------------------- 样式2：Format Sample date in format ---------------------------------- %d 11jul1948 %dDlCY 11jul1948 %dDlY 11jul48 %dM_d,_CY July 11, 1948 %dd_M_CY 11 July 1948 %dN/D/Y 07/11/48 %dD/N/Y 11/07/48 %dY/N/D 48/07/11 %dN-D-CY 07-11-1948 ---------------------------------- clear set obs 100 5 gen t = _n + d(13feb1978)list t in 1/5 format t %dCY-N-D /*1978-02-14*/ list t in 1/5 format t %dcy_n_d /*1978 2 14*/ list t in 1/5 use B6_tsset, clear list tsset t, format(%twCY-m)list 4）一个实例：生成连续的时间变量 use e1920.dta, clear list year month in 1/30 sort year month gen time = _n tsset time list year month time in 1/30 generate newmonth = m(1920-1)+ time - 1 tsset newmonth, monthly list year month time newmonth in 1/30 1.4图解时间序列 1）例1：clear set seed 13579113 sim_arma ar2, ar(0.7 0.2)nobs(200)sim_arma ma2, ma(0.7 0.2)tsset _t tsline ar2 ma2 * 亦可采用 twoway line 命令绘制，但较为繁琐 twoway line ar2 ma2 _t 2）例2：增加文字标注 sysuse tsline2, clear tsset day tsline calories, ttick(28nov2002 25dec2002, tpos(in)) /// ttext(3470 28nov2002 "thanks" /// 3470 25dec2002 "x-mas",orient(vert))6 3）例3：增加两条纵向的标示线 sysuse tsline2, clear tsset day tsline calories, tline(28nov2002 25dec2002)* 或采用 twoway line 命令 local d1 = d(28nov2002)local d2 = d(25dec2002)line calories day, xline(`d1' `d2')4）例4：改变标签 tsline calories, tlabel(, format(%tdmd))ttitle("Date (2002)")tsline calories, tlabel(, format(%td))二、ARIMA 模型和SARMIA模型 ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。

时间序列模型结构模型虽然有助于人们理解变量之间的影响关系，但模型的预测精度比较低。

在一些大规模的联立方程中，情况更是如此。

而早期的单变量时间序列模型有较少的参数却可以得到非常精确的预测，因此随着Box and Jenkins(1984)等奠基性的研究，时间序列方法得到迅速发展。

从单变量时间序列到多元时间序列模型，从平稳过程到非平稳过程，时间序列分析方法被广泛应用于经济、气象和过程控制等领域。

本章将介绍如下时间序列分析方法，ARIMA模型、ARCH族模型、VAR模型、VEC模型、单位根检验及协整检验等。

一、基本命令1.1时间序列数据的处理1)声明时间序列：tsset 命令use gnp96.dta, clearlist in 1/20gen Lgnp = L.gnptsset datelist in 1/20gen Lgnp = L.gnp2)检查是否有断点：tsreport, reportuse gnp96.dta, cleartsset datetsreport, reportdrop in 10/10list in 1/12tsreport, reporttsreport, report list /*列出存在断点的样本信息*/3)填充缺漏值：tsfilltsfilltsreport, report listlist in 1/124)追加样本：tsappenduse gnp96.dta, cleartsset datelist in -10/-1sumtsappend , add(5) /*追加5个观察值*/list in -10/-1sum5)应用：样本外预测: predictreg gnp96 L.gnp96predict gnp_hatlist in -10/-16)清除时间标识: tsset, cleartsset, clear1.2变量的生成与处理1)滞后项、超前项和差分项 help tsvarlistuse gnp96.dta, cleartsset dategen Lgnp = L.gnp96 /*一阶滞后*/gen L2gnp = L2.gnp96gen Fgnp = F.gnp96 /*一阶超前*/gen F2gnp = F2.gnp96gen Dgnp = D.gnp96 /*一阶差分*/gen D2gnp = D2.gnp96list in 1/10list in -10/-12)产生增长率变量: 对数差分gen lngnp = ln(gnp96)gen growth = D.lngnpgen growth2 = (gnp96-L.gnp96)/L.gnp96gen diff = growth - growth2 /*表明对数差分和变量的增长率差别很小*/ list date gnp96 lngnp growth* diff in 1/101.3日期的处理日期的格式 help tsfmt基本时点：整数数值，如 -3, -2, -1, 0, 1, 2, 3 ....1960年1月1日，取值为 0；1）使用 tsset 命令指定显示格式use B6_tsset.dta, cleartsset t, dailylistuse B6_tsset.dta, cleartsset t, weeklylist2)指定起始时点cap drop monthgenerate month = m(1990-1) + _n - 1format month %tmlist t month in 1/20cap drop yeargen year = y(1952) + _n - 1format year %tylist t year in 1/203）自己设定不同的显示格式日期的显示格式 %d (%td) 定义如下：%[-][t]d<描述特定的显示格式>具体项目释义：“<描述特定的显示格式>”中可包含如下字母或字符c y m l nd j h q w _ . , : - / ' !cC Y M L ND J W定义如下：c and C 世纪值(个位数不附加/附加0)y and Y 不含世纪值的年份(个位数不附加/附加0)m 三个英文字母的月份简写(第一个字母大写) M 英文字母拼写的月份(第一个字母大写)n and N 数字月份(个位数不附加/附加0)d and D 一个月中的第几日(个位数不附加/附加0)j and J 一年中的第几日(个位数不附加/附加0)h 一年中的第几半年 (1 or 2)q 一年中的第几季度 (1, 2, 3, or 4)w and W 一年中的第几周(个位数不附加/附加0)_ display a blank (空格). display a period(句号), display a comma(逗号): display a colon(冒号)- display a dash (短线)/ display a slash(斜线)' display a close single quote(右引号)!c display character c (code !! to display an exclamation point)样式1：Format Sample date in format-----------------------------------%td 07jul1948%tdM_d,_CY July 7, 1948%tdY/M/D 48/07/11%tdM-D-CY 07-11-1948%tqCY.q 1999.2%tqCY:q 1992:2%twCY,_w 2010, 48-----------------------------------样式2：Format Sample date in format----------------------------------%d 11jul1948%dDlCY 11jul1948%dDlY 11jul48%dM_d,_CY July 11, 1948%dd_M_CY 11 July 1948%dN/D/Y 07/11/48%dD/N/Y 11/07/48%dY/N/D 48/07/11%dN-D-CY 07-11-1948----------------------------------clearset obs 100gen t = _n + d(13feb1978)list t in 1/5format t %dCY-N-D /*1978-02-14*/list t in 1/5format t %dcy_n_d /*1978 2 14*/list t in 1/5use B6_tsset, clearlisttsset t, format(%twCY-m)list4）一个实例：生成连续的时间变量use e1920.dta, clearlist year month in 1/30sort year monthgen time = _ntsset timelist year month time in 1/30generate newmonth = m(1920-1) + time - 1tsset newmonth, monthlylist year month time newmonth in 1/301.4图解时间序列1）例1：clearset seed 13579113sim_arma ar2, ar(0.7 0.2) nobs(200)sim_arma ma2, ma(0.7 0.2)tsset _ttsline ar2 ma2* 亦可采用 twoway line 命令绘制，但较为繁琐twoway line ar2 ma2 _t2）例2：增加文字标注sysuse tsline2, cleartsset daytsline calories, ttick(28nov2002 25dec2002, tpos(in)) /// ttext(3470 28nov2002 "thanks" ///3470 25dec2002 "x-mas", orient(vert)) 3）例3：增加两条纵向的标示线sysuse tsline2, cleartsset daytsline calories, tline(28nov2002 25dec2002) * 或采用 twoway line 命令 local d1 = d(28nov2002) local d2 = d(25dec2002)line calories day, xline(`d1' `d2')4）例4：改变标签tsline calories, tlabel(, format(%tdmd)) ttitle("Date (2002)") tsline calories, tlabel(, format(%td))二、ARIMA 模型和SARMIA 模型ARIMA 模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。

运用stata进行时间序列分析1 时间序列模型结构模型虽然有助于人们理解变量之间的影响关系，但模型的预测精度比较低。

在一些大规模的联立方程中，情况更是如此。

而早期的单变量时间序列模型有较少的参数却可以得到非常精确的预测，因此随着Box and Jenkins(1984)等奠基性的研究，时间序列方法得到迅速发展。

从单变量时间序列到多元时间序列模型，从平稳过程到非平稳过程，时间序列分析方法被广泛应用于经济、气象和过程控制等领域。

本章将介绍如下时间序列分析方法，ARIMA模型、ARCH族模型、VAR模型、VEC模型、单位根检验及协整检验等。

一、基本命令1.1时间序列数据的处理1)声明时间序列：tsset 命令use gnp96.dta, clear list in 1/20 gen Lgnp = L.gnp tsset date list in 1/20 gen Lgnp = L.gnp 2)检查是否有断点：tsreport, report use gnp96.dta, clear tsset date tsreport, report drop in 10/10 list in 1/12 tsreport, report tsreport, report list /*列出存在断点的样本信息*/ 3)填充缺漏值：tsfill tsfill tsreport, report list list in 1/12 4)追加样本：tsappend use gnp96.dta, clear tsset date list in -10/-1 sum tsappend , add(5)/*追加5个观察值*/ list in -10/-1 sum 2 5)应用：样本外预测：predict reg gnp96 L.gnp96 predict gnp_hat list in -10/-1 6)清除时间标识：tsset, clear tsset, clear 1.2变量的生成与处理1)滞后项、超前项和差分项help tsvarlist use gnp96.dta, clear tsset date gen Lgnp = L.gnp96 /*一阶滞后*/ gen L2gnp = L2.gnp96 gen Fgnp = F.gnp96 /*一阶超前*/ gen F2gnp= F2.gnp96 gen Dgnp = D.gnp96 /*一阶差分*/ gen D2gnp = D2.gnp96 list in 1/10 list in -10/-1 2)产生增长率变量：对数差分gen lngnp = ln(gnp96)gen growth = D.lngnp gen growth2 = (gnp96-L.gnp96)/L.gnp96 gen diff = growth - growth2 /*表明对数差分和变量的增长率差别很小*/ list date gnp96 lngnp growth* diff in 1/10 1.3日期的处理日期的格式help tsfmt 基本时点：整数数值，如-3, -2, -1, 0, 1, 2, 3 .... 1960年1月1日，取值为0；3 显示格式：定义含义默认格式%td 日%tdDlCY %tw 周%twCY!ww %tm 月%tmCY!mn %tq 季度%tqCY!qq %th 半年%thCY!hh %ty 年%tyCY 1）使用tsset 命令指定显示格式use B6_tsset.dta, clear tsset t, daily list use B6_tsset.dta, clear tsset t, weekly list 2)指定起始时点cap drop month generate month = m(1990-1)+ _n - 1 format month %tm list t month in 1/20 cap drop year gen year = y(1952)+ _n - 1 format year %ty list t year in 1/20 3）自己设定不同的显示格式日期的显示格式%d (%td)定义如下：%[-][t]d<描述特定的显示格式> 具体项目释义：“<描述特定的显示格式>”中可包含如下字母或字符c y m l n d j h q w _ . , ：- / ' !c C Y M L N D J W 定义如下：c and C 世纪值(个位数不附加/附加0)y and Y 不含世纪值的年份(个位数不附加/附加0)m 三个英文字母的月份简写(第一个字母大写)4 M 英文字母拼写的月份(第一个字母大写)n and N 数字月份(个位数不附加/附加0)d and D 一个月中的第几日(个位数不附加/附加0)j and J 一年中的第几日(个位数不附加/附加0)h 一年中的第几半年(1 or 2)q 一年中的第几季度(1, 2, 3, or 4)w and W 一年中的第几周(个位数不附加/附加0)_ display a blank (空格). display a period(句号), display a comma(逗号)：display a colon(冒号)- display a dash (短线)/ display a slash(斜线)' display a close single quote(右引号)!c display character c (code !!to display an exclamation point)样式1：Format Sample date in format ----------------------------------- %td07jul1948 %tdM_d,_CY July 7, 1948 %tdY/M/D 48/07/11 %tdM-D-CY 07-11-1948 %tqCY.q 1999.2 %tqCY:q 1992:2 %twCY,_w 2010, 48 ----------------------------------- 样式2：Format Sample date in format ---------------------------------- %d 11jul1948 %dDlCY 11jul1948 %dDlY 11jul48 %dM_d,_CY July 11, 1948 %dd_M_CY 11 July 1948 %dN/D/Y 07/11/48 %dD/N/Y 11/07/48 %dY/N/D 48/07/11 %dN-D-CY 07-11-1948 ---------------------------------- clear set obs 100 5 gen t = _n + d(13feb1978)list t in 1/5 format t %dCY-N-D /*1978-02-14*/ list t in 1/5 format t %dcy_n_d /*1978 2 14*/ list t in 1/5 use B6_tsset, clear list tsset t, format(%twCY-m)list 4）一个实例：生成连续的时间变量use e1920.dta, clear list year month in 1/30 sort year month gen time = _n tsset time list year month time in 1/30 generate newmonth = m(1920-1)+ time - 1 tsset newmonth, monthly list year month time newmonth in 1/30 1.4图解时间序列1）例1：clear set seed 13579113 sim_arma ar2, ar(0.7 0.2)nobs(200)sim_arma ma2, ma(0.7 0.2)tsset _t tsline ar2 ma2 * 亦可采用twoway line 命令绘制，但较为繁琐twoway line ar2 ma2 _t 2）例2：增加文字标注sysuse tsline2, clear tsset daytsline calories, ttick(28nov2002 25dec2002, tpos(in))/// ttext(3470 28nov2002 "thanks" /// 3470 25dec2002 "x-mas", orient(vert))6 3）例3：增加两条纵向的标示线sysuse tsline2, clear tsset day tsline calories, tline(28nov2002 25dec2002)* 或采用twoway line 命令local d1 = d(28nov2002)local d2 = d(25dec2002)line calories day, xline(`d1' `d2')4）例4：改变标签tsline calories, tlabel(, format(%tdmd))ttitle("Date (2002)")tsline calories, tlabel(, format(%td))二、ARIMA 模型和SARMIA模型ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。

时间序列模型结构模型虽然有助于人们理解变量之间的影响关系，但模型的预测精度比较低。

在一些大规模的联立方程中，情况更是如此。

而早期的单变量时间序列模型有较少的参数却可以得到非常精确的预测，因此随着Box and Jenkins(1984)等奠基性的研究，时间序列方法得到迅速发展。

从单变量时间序列到多元时间序列模型，从平稳过程到非平稳过程，时间序列分析方法被广泛应用于经济、气象和过程控制等领域。

本章将介绍如下时间序列分析方法，ARIMA模型、ARCH族模型、VAR模型、VEC模型、单位根检验及协整检验等。

一、基本命令1.1时间序列数据的处理1)声明时间序列：tsset 命令use gnp96.dta, clearlist in 1/20gen Lgnp = L.gnptsset datelist in 1/20gen Lgnp = L.gnp2)检查是否有断点：tsreport, reportuse gnp96.dta, cleartsset datetsreport, reportdrop in 10/10list in 1/12tsreport, reporttsreport, report list /*列出存在断点的样本信息*/ 3)填充缺漏值：tsfilltsfilltsreport, report listlist in 1/124)追加样本：tsappenduse gnp96.dta, cleartsset datelist in -10/-1sumtsappend , add(5) /*追加5个观察值*/ list in -10/-1sum5)应用：样本外预测: predictreg gnp.gnp96predict gnp_hatlist in -10/-16)清除时间标识: tsset, cleartsset, clear1.2变量的生成与处理1)滞后项、超前项和差分项 help tsvarlist use gnp96.dta, cleartsset dategen Lgnp = L.gnp96 /*一阶滞后*/gen L2gnp = L2.gnp96gen Fgnp = F.gnp96 /*一阶超前*/gen F2gnp = F2.gnp96gen Dgnp = D.gnp96 /*一阶差分*/gen D2gnp = D2.gnp96list in 1/10list in -10/-12)产生增长率变量: 对数差分gen lngnp = ln(gnp96)gen growth = D.lngnpgen growth2 = (gnp96-L.gnp96)/L.gnp96gen diff = growth - growth2 /*表明对数差分和变量的增长率差别很小*/list date gnp96 lngnp growth* diff in 1/101.3日期的处理日期的格式 help tsfmt基本时点：整数数值，如 -3, -2, -1, 0, 1, 2, 3 ....，取值为 0；显示格式：1）使用 tsset 命令指定显示格式use B6_tsset.dta, cleartsset t, dailylistuse B6_tsset.dta, cleartsset t, weeklylist2)指定起始时点cap drop monthgenerate month = m(1990-1) + _n - 1 format month %tmlist t month in 1/20cap drop yeargen year = y(1952) + _n - 1format year %tylist t year in 1/203）自己设定不同的显示格式日期的显示格式 %d (%td) 定义如下：%[-][t]d<描述特定的显示格式>具体项目xx：“<描述特定的显示格式>”中可包含如下字母或字符c y m l n d j h q w _ . , : - / ' !cC Y M L ND JW定义如下：c and C 世纪值(个位数不附加/附加0)y and Y 不含世纪值的年份(个位数不附加/附加0) m三个英文字母的月份简写(第一个字母大写)M英文字母拼写的月份(第一个字母大写)n and N 数字月份(个位数不附加/附加0)d and D 一个月中的第几日(个位数不附加/附加0)j and J 一年中的第几日(个位数不附加/附加0)h一年中的第几半年 (1 or 2)q一年中的第几季度 (1, 2, 3, or 4)w and W 一年中的第几周(个位数不附加/附加0)_display a blank (空格).display a period(句号),display a comma(逗号):display a colon(冒号)-display a dash (短线)/display a slash(斜线)'display a close single quote(右引号)!cdisplay character c (code !! to display an exclamation point)样式1：FormatSample date in format-----------------------------------%td07jul1948%tdM_d,_CYJuly 7, 1948%tdY/M/D%tdM-D-CY%tqCY.q1999.2%tqCY:q1992:2%twCY,_w2010, 48-----------------------------------样式2：FormatSample date in format----------------------------------%d11jul1948%dDlCY11jul1948%dDlY11jul48%dM_d,_CYJuly 11, 1948%dd_M_CY11 July 1948%dN/D/Y%dD/N/Y%dY/N/D%dN-D-CY----------------------------------clearset obs 100gen t = _n + d(13feb1978)list t in 1/5format t %dCY-N-D /**/list t in 1/5format t %dcy_n_d /*1978 2 14*/list t in 1/5use B6_tsset, clearlisttsset t, format(%twCY-m)list4）一个实例：生成连续的时间变量use e1920.dta, clearlist year month in 1/30sort year monthgen time = _ntsset timelist year month time in 1/30generate newmonth = m(1920-1) + time - 1tsset newmonth, monthlylist year month time newmonth in 1/301.4图解时间序列1）例1：clearset seed 13579113sim_arma ar2, ar(0.7 0.2) nobs(200)sim_arma ma2, ma(0.7 0.2)tsset _ttsline ar2 ma2* 亦可采用 twoway line 命令绘制，但较为繁琐twoway line ar2 ma2 _t2）例2：增加文字标注sysuse tsline2, cleartsset daytsline calories, ttick(28nov2002 25dec2002, tpos(in)) /// ttext(3470 28nov2002 "thanks" ///3470 25dec2002 "x-mas", orient(vert))3）例3：增加两条纵向的标示线sysuse tsline2, cleartsset daytsline calories, tline(28nov2002 25dec2002)* 或采用 twoway line 命令local d1 = d(28nov2002)local d2 = d(25dec2002)line calories day, xline(`d1' `d2')4）例4：改变标签tsline calories, tlabel(, format(%tdmd)) ttitle("Date (2002)")tsline calories, tlabel(, format(%td))二、ARIMA 模型和SARMIA模型ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的来近似描述这个序列。

用STATA软件学习《时间序列分析》第三课：ARMA/ARIMA建模及预测核心问题：1，前提：同方差，因此，不用考虑不同时刻变量的离散性；2，建立的是变量分布的均值模型，也就是，随机变量分布的均值所在的位置3，难点在于，时间序列数据建立模型并没有唯一性以quarterly.dta的数据来说明。

这个数据是美国的季度GDP数据，数据从1947年一季度开始，到2012年一季度结束。

研究对象，GDP，存在通货膨胀问题。

所以要用GDP平减指数（GDP Deflator）进行矫正，这里是以2005年的美元作为基准的。

所以考察变量是GDP2005，即以2005年的美元作为基准的各季度的GDP真实值。

一，一些基本符号：D L F二，建立模型： 前期准备：观察时序图相关命令：tsset, tsline/twoway用STATA 软件学习《时间序列分析》从图上可以看出，GDP2005值呈线性的向右上方倾斜，第一种方法：可以用确定性分析理的方法，使用研究变量对时间变量进行回归 即：regress lrgdp date （采用的是最小二乘估计）然后对残差项进行White Noise 检验观察此图：特征大值跟大值，小值跟小值，这说明Residual 中存在着自相关信息。

肯定不是White Noise因此，从这里看出，确定性的方法比较直观，简单，但效果不好，弥补：对残差序列进行回归，建立AR 模型，这就是所谓的 残差自回归模型。

第二种方法BOX-JENKINS 方法，也就是通常所说的ARMA(p,d) /ARIMA(p,d,d)建模（采用的是最大似然估计）。

四大步骤：1、模型识别Identification ：决定p 和q 2、模型估计Estimation ：估计εσθφμ 个），（，个）（，q p 3、模型检验Diagnostic Checking 4、模型优化Parsimony1,模型识别Identification 相关命令：ac pac这个图的特征是ac值虽然在减小，但其减少类似线性，这时候就要考虑差分了，通常使用的是一阶差分和二阶差分一阶差分generate growth=lrgdp-L.lrgdp这个时候，growth就是经济增长率这张图的ac值快速减少到影音之内，说明在样本中，变量growth显现的是平稳。

第三课：ARMA/ARIMA建模及预测核心问题：1，前提：同方差，因此，不用考虑不同时刻变量的离散性；2，建立的是变量分布的均值模型，也就是，随机变量分布的均值所在的位置3，难点在于，时间序列数据建立模型并没有唯一性以quarterly.dta的数据来说明。

这个数据是美国的季度GDP数据，数据从1947年一季度开始，到2012年一季度结束。

研究对象，GDP，存在通货膨胀问题。

所以要用GDP平减指数（GDP Deflator）进行矫正，这里是以2005年的美元作为基准的。

所以考察变量是GDP2005，即以2005年的美元作为基准的各季度的GDP 真实值。

一，一些基本符号：D L F二，建立模型：前期准备：观察时序图相关命令：tsset, tsline/twoway从图上可以看出，GDP2005值呈线性的向右上方倾斜，第一种方法：可以用确定性分析理的方法，使用研究变量对时间变量进行回归 即：regress lrgdp date （采用的是最小二乘估计）然后对残差项进行White Noise 检验观察此图：特征大值跟大值，小值跟小值，这说明Residual 中存在着自相关信息。

肯定不是White Noise因此，从这里看出，确定性的方法比较直观，简单，但效果不好，弥补：对残差序列进行回归，建立AR 模型，这就是所谓的 残差自回归模型。

第二种方法BOX-JENKINS 方法，也就是通常所说的ARMA(p,d) /ARIMA(p,d,d)建模（采用的是最大似然估计）。

四大步骤：1、模型识别Identification ：决定p 和q2、模型估计Estimation ：估计εσθφμ 个），（，个）（，q p 3、模型检验Diagnostic Checking4、模型优化Parsimony1,模型识别Identification 相关命令：ac pac这个图的特征是ac值虽然在减小，但其减少类似线性，这时候就要考虑差分了，通常使用的是一阶差分和二阶差分一阶差分generate growth=lrgdp-L.lrgdp这个时候，growth就是经济增长率这张图的ac值快速减少到影音之内，说明在样本中，变量growth显现的是平稳。