当前位置：文档之家 › 时间序列Stata操作题4-7

时间序列Stata操作题4-7

  • 格式：pdf
  • 大小：2.94 MB
  • 文档页数：23

下载文档原格式

  / 23

合集下载

stata操作介绍之时间序列分析

stata操作介绍之时间序列分析

【例1】使用文件“cpi.dta”的数据来对tsset命令的应用 进行说明。该例子是我国1983年1月年至2007年8月的居 民消费价格指数CPI。部分数据如表2所示： 表2 我国居民消费价格指数CPI Year
1983 1983 1983 1983 1983 1983 1983
month
daily weekly monthly quarterly harfyearly yearly generic format(%fmt) 时间周期 delta(#) delta((exp)) delta(#units) delta((exp)units)
注：（1）units表示时间单位，对于%tc，允许的时间单位包括：second、seconds、secs、secs、 minutes、minute、mine、min、hours、hour、days、weeks、week。对于其他%t的格式，Stata自动 获得其时间单位，delta选项经常与%tc格式一起使用。 STATA从入门到精通 Page 4
【例2】继续使用上例的数据来对tssmooth命令的应用进 行说明。在本例中对该组数据进行修匀，以便消除不规则 变动的影响，得到时间序列长期趋势，本例修匀的方法是 利用之前的1个月和之后的2个月及本月进行平均。
Page 9
STATA从入门到精通
二、
ARIMA模型的估计、单位根与协整
时间序列模型一般分为四类，分别是自回归过程、移动平均过程、自 回归移动平均过程、单整自回归移动平均过程。 自回归过程 如果一个剔出均值和确定性成分的线性过程可表达为 xt = 1xt-1 + 2 xt-2 + … + p xt-p + ut 其中i, i = 1, … p 是自回归参数，ut 是白噪声过程，则称xt为p阶自 回归过程，用AR(p)表示。xt是由它的p个滞后变量的加权和以及ut相 加而成。

stata操作介绍之时间序列分析

stata操作介绍之时间序列分析

时间序列构成分析就是要观察现象在一个相当长的时期内， 由于各个影响因素的影响，使事物发展变化中出现的长期趋 势、季节变动、循环变动和不规则变动。
通过测定和分析过去一段时间之内现象的发展趋势，可以认 识和掌握现象发展变化的规律性，为统计预测提供必要的条 件，同时也可以消除原有时间序列中长期趋势的影响，更好 地研究季节变动和循环变动等问题。测定和分析长期趋势的 主要方法是对时间序列进行修匀。
timevar的格式为%tc, 0=1jan1960 00:00:00.000，1=1jan1960 00:00:00.001 即0代表1960年1月1日的第一秒，1为1960年1月1日的第二秒，依次后推。 timevar的格式为%td，0=1jan1960，1=2jan1960；即0为1960年第一天，1 为1960年第二天，依次后推。 timevar的格式为%tw，0=1960w1，1=1960w2；即0为1960年第一周，1 为1960年第二周，依次后推。 timevar的格式为%tm，0=1，1=；即0为1960年第一月，1为1960年第二 月，依次后推。 timevar的格式为%tq，0=1960q1，1=1960q2；即0为1960年第一季，1为 1960年第二季，依次后推。 timevar的格式为%th，0=1960h1，1=1960h2；即0为从1960起的第一个半 年，1为从1960年起第二个半年，依次后推。 timevar的格式为%ty，1960=1960，1961=1960 timevar的格式为%tg
义时间单位，或者定义时间周期（即timevar两个观测值 之间的周期数）。Options的相关描述如表1所示。
Page 3
STATA从入门到精通
时间单位
格式说明
Clocktime

时间序列考题

时间序列考题

1.设时间序列{}t X ，则其一阶差分为 {}1t t X X --。

2.设ARMA (2, 1)：1210.50.40.3t t t t t X X X εε---=++-，则所对应的特征方程为20.50.40λλ--=。

3.对于一阶自回归模型AR(1): 110t t t X X φε-=+＋，均值μ为10(1)φ-。

4.对于一阶自回归模型MA(1): 10.3t t t X εε-=-，其自相关函数为20.3110.09θθ-=++＝-0.2752。

5.对于二阶自回归模型AR(2):120.50.2t t t t X X X ε--=++,则模型所满足的Yule-Walker 方程是120.50.2j j j ρρρ--=+。

6.对于时间序列()22012,~0,t t t X t t N αααεεσ=+++，取_2_阶差分后序列平稳。

7.随机游走（Random Walk ）过程的方差为__∞___。

8.若时间序列{}t X 的方差与均值水平成正比，取___开方_____变换后序列平稳 9.假设在时刻(t-1)所有信息已知的条件下，扰动项t u 服从分布()20110,()t t u N u αα-+ ，则时间序列应建模为_ ARCH （1）_模型 10.定义季节差分算子为S ∆，则一次季节差分S t X ∆=t t s X X --。

1.t X 的d 阶差分为（A ） A.111d d d t t t X X X ---∆=∆-∆ B.11d d d t t t k X X X ---∆=∆-∆ C.d t t k X X -∆=-D.1112d d d t t t X X X ----∆=∆-∆2.记L 是延迟算子，则下列错误的是（ D ） A.01L =B.1()t t t L c X c LX c X -==C.11()t t t t L X Y X Y --±=±D.(1)d d t t d t X X L X -∆=-=-3.差分方程1244t t t X X X --=-，其通解形式为（B ） A.122(2)t t c c +-B.12()2t c c t +C.12()2t c c -D.12t c4.下列哪个不是MA （q ）模型的统计性质（C ） A.()t E X μ= B.()2221var()1t q X θθσ=+++ C.()t E X μ≠D.0,j j q γ=>5.下面左图为自相关系数（ACF ），右图为偏自相关系数（PACF ），由此给出初步的模型识别（ A ）A.AR （2）B.ARMA （1,1）C.MA （1）D.ARMA （2,1）6.如果时间序列{}t X 满足方程1212112(1)(1)(1)(1)t t LL X L H L θε--=--，则{}t X 属于（ D ）模型A.ARMA （13,13）B.ARIMA （12,1,13）C.ARCH （13,13）D.12ARIMA(0,1,1)(0,1,1)⨯7.GARCH （p ,q ）中的q 表示的是（ B ）项 A.MA （q ） B.ARCH （q ） C.AR （q ） D.ARIMA （0，1，q ） 8.时间序列{}t X 满足1t t t X X ε-=+，则{}t X 属于（ D ）模型 A.ARMA （1，1） B.ARCH （1） C.AR （1） D.ARIMA （0，1，0） 9.ADF 检验的原假设为（ A ） A.原序列存在单位根 B.序列没有k 阶自相关 C.原序列平稳 D.序列存在自相关 10.k 阶滞后的Q-统计量的原假设为（ B ）A.原序列存在单位根B.序列没有k 阶自相关C.原序列平稳D.序列存在自相关*3.请写出GARCH （p ，q ）模型的均值方程（AR （p ））和条件方差方程。

《时间序列分析》第二章 时间序列预处理习题解答[1]

《时间序列分析》第二章 时间序列预处理习题解答[1]
时间序描述程序 data example1; input number@@; time=intnx('year','01jan1980'd, _n_-1); format time date.; cards; 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 ; proc gplot data=example1; plot number*time=1; symbol1 c=black v=star i=join; run;
ppm 342 341 340 339 338 337 336 335 334 333 332 331 330 329 328 01JAN75 01MAY75 01SEP75 01JAN76 01MAY76 01SEP76 01JAN77 01MAY77 01SEP77 01JAN78 01MAY78 01SEP78 01JAN79 01MAY79 01SEP79 01JAN80 01MAY80 01SE分析 自相关图显示序列自 自相关系数 数长期位于零 零轴的一边 边， 这是具有 有单调趋势序 序列 的典 典型特征。
由下图可知 知，自相关系 系数长期位于 于零轴的一边 边，且自相关 关系数递减到 到零的速度较慢， 在 5 个延期中，自相关系数 数一直为正，说明这是一个 个有典型单调 调趋势的非平 平稳序列。
∧
, 24)
225.0 131.6 63.2 86.4
95.3 112.8 181.6 136.9
1 100.6 8 81.8 7 73.9 3 31.5
48.3 31.0 64.8 35.3
112.3 160.8 52.3 ; 26.2 112.8
143.0 80.5 144.3 62.5 49.5 158.2 116.1 7.6 165.9 54.1 106.7 92.2 63.2 67.3 77.0 148.6 159.3 85.3 59.4

stata操作介绍之时间序列 四

stata操作介绍之时间序列 四
说明： P值为0.089，大于0.05，故不能拒绝原假设，说明该变
量满足稳定性检验；
32
ARIMA 模型
dfgls 检验：
. dfgls fylltemp, maxlag(3) notrend
说明： P 值为 0.0，小于 0.05，故拒绝原假设，说明该变量不满
足稳定性检验；
33
虽然 pperron 检验和 dfgls检验拒绝了变量 fylltemp具有稳定性的假设，但是 dfuller 检验 不能拒绝原假设，还是可以认为该变量具有
. list in 1/5
13
平滑分析
波动幅度：
. graph two linech date
14
平滑分析 -滞后变量
导入数据：
. use C:\Users\Administrator\Desktop\ 据\ch52.dta, clear
时间序列 \ 数
描述性统计：
. describe
时间设置：
关性；相关关系或偏相关关系越强，相应的线条越长；
24
自相关分析
自相关图：
. ac fylltemp,lags(9)
注：阴影部分是 95%的置信区间；
25
自相关分析
偏相关图：
. pac fylltemp,lags(9) yline(0) ciopts(bstyle(outline))
注：ciopts(bstyle(outline)) 表示将偏相关图中阴影部分改为矩阵
line fylln year ,clpattern(solid)
17
平滑分析-滞后变量
生成 n阶滞后变量的两种方法：
. gen wNAO_n = wNAO [ _n-1]

STATA做时间序列

STATA做时间序列

To extract days of the week (Monday, Tuesday, etc.) use the function dow() gen dayofweek= dow(date) Replace “date” with the date variable in your dataset. This will create the variable ‘dayofweek’ where 0 is ‘Sunday’, 1 is ‘Monday’, etc. (type help dow for more details) To specify a range of dates (or integers in general) you can use the tin() and twithin() functions. tin() includes the first and last date, twithin() does not. Use the format of the date variable in your dataset. /* Make sure to set your data as time series before using tin/twithin */ tsset date regress y x1 x2 if tin(01jan1995,01jun1995) regress y x1 x2 if twithin(01jan2000,01jan2001) 3
. list datevar unemp if tin(2000q1,2000q4) datevar 173. 174. 175. 176. 2000q1 2000q2 2000q3 2000q4 unemp 4.033333 3.933333 4 3.9

STATA做时间序列


5
PU/DSS/OTR
Setting as time series: tsset
Once you have the date variable in a ‘date format’ you need to declare your data as time series in order to use the time series operators. In Stata type: tsset datevar
. list datevar unemp if tin(2000q1,2000q4) datevar 173. 174. 175. 176. 2000q1 2000q2 2000q3 2000q4 unemp 4.033333 3.933333 4 3.9
批注本地保存成功开通会员云端永久保存去开通
Time Series
(ver. 1.5)
Oscar Torres-Reyna
Data Consultant
otorres@
/training/
PU/DSS/OTR
If you have a format like ‘date1’ type -----STATA 10.x/11.x: gen datevar = date(date1,"DMY", 2012) format datevar %td /*For daily data*/ -----STATA 9.x: gen datevar = date(date1,"dmy", 2012) format datevar %td /*For daily data*/ If you have a format like ‘date2’ type -----STATA 10.x/11.x: gen datevar = date(date2,"MDY", 2012) format datevar %td /*For daily data*/ ------STATA 9.x: gen datevar = date(date2,"mdy", 2012) format datevar %td /*For daily data*/ If you have a format like ‘date3’ type ------STATA 10.x/11.x: tostring date3, gen(date3a) gen datevar=date(date3a,"YMD") format datevar %td /*For daily data*/ ------STATA 9.x: tostring date3, gen(date3a) gen year=substr(date3a,1,4) gen month=substr(date3a,5,2) gen day=substr(date3a,7,2) destring year month day, replace gen datevar1 = mdy(month,day,year) format datevar1 %td /*For daily data*/ If you have a format like ‘date4’ type See /~otorres/Stata/

stata考试复习题库

例2-1 从某单位1999年的职工体检资料中获得101名正常成年女子的血清总胆固醇（mmol/L）的测量结果如下，试编制频数分布表。

2.35 4.213.32 5.354.17 4.13 2.78 4.26 3.58 4.34 4.84 4.414.78 3.95 3.92 3.58 3.66 4.28 3.26 3.50 2.70 4.61 4.75 2.913.914.59 4.19 2.68 4.52 4.91 3.18 3.68 4.83 3.87 3.95 3.914.15 4.55 4.80 3.41 4.12 3.955.08 4.53 3.92 3.58 5.35 3.843.60 3.514.06 3.07 3.55 4.23 3.57 4.83 3.52 3.84 4.50 3.964.50 3.27 4.52 3.19 4.59 3.75 3.98 4.13 4.26 3.63 3.875.713.304.73 4.175.13 3.78 4.57 3.80 3.93 3.78 3.99 4.48 4.284.065.26 5.25 3.98 5.03 3.51 3.86 3.02 3.70 4.33 3.29 3.254.15 4.36 4.95 3.00 3.26例题2-1(EX2-1.dta):. sum xVariable | Obs Mean Std. Dev. Min Max-------------+-----------------------------------------------------x | 101 4.029505 .6592183 2.35 5.71. di r(max)-r(min)3.3600001. gen group=int((x-2.30)/0.30)*0.30+2.3. tab groupgroup | Freq. Percent Cum.------------+-----------------------------------2.3 | 1 0.99 0.992.6 | 3 2.973.962.9 | 6 5.94 9.903.2 | 8 7.92 17.823.5 | 18 17.82 35.643.8 | 19 18.81 54.464.1 | 17 16.83 71.294.4 | 12 11.88 83.174.7 | 9 8.91 92.085 | 5 4.95 97.035.3 | 2 1.98 99.015.6 | 1 0.99 100.00------------+-----------------------------------Total | 101 100.00例2-2用直接法计算例2-1某单位101名正常成年女子的血清总胆固醇的均数例2-3 利用表2-1计算101名正常成年女子的血清总胆固醇均数。

时间序列Stata操作 题47


2125 2087 1895 1840 1874 1863 1836 1894 2105 2159 2131 2029
2270 2411 2652 3294 3360 3686 3593 3482 3615 3963 4328 4309
4336 4382 4326 4009 4000 4070 4200 4278 4435 4772 4812 4908
《应用时间序列分析（第四版）》王燕 编著 中国人民大学出版社
本文档如对你有帮助，请帮忙下载支持！
第四章 习题 7
1974 年 1 月至 1994 年 12 月，某地胡椒价格数据如下：（21 行*12 列）
1102 1151 1093 1118 1168 1118 1085 1135 1138 1135 1235 1301
arima Dp,noconstant arima(0,0,1)
本文档如对你有帮助，请帮忙下载支持！
Ps. 结 果 同 arima price, noconstant arima(0,1,1)得到结果
4857 4865 4711 4640 4877 4902 4884 4833 4903 4963 4804 4679
4810 4571 4250 3850 3775 3357 2946 2342 1994 2420 2464 2763
2993 3108 2729 2525 2457 2136 2272 2175 2100 2068 1955 1950
1117 1188 1100 1040 1028 1113 1154 1350 1722 1616 1525 1403
1497 1522 1550 1575 1538 1650 1800 1933 2219 2606 2563 2433

stata操作介绍之时间序列分析

?表8dickeyfuller检验options的相关描述?表9gls扩展的dickeyfuller检验options的相关描述?表10phillipsperron检验检验options的相关描述主要选项描述noconstant没有截据项trend包括时间趋势drift包括漂移项regress显示回归结果lags滞后阶数主要选项描述maxlag最大滞后阶数notrend没有时间趋势ers利用插值法计算临界值主要选项描述noconstant没有截据项trendregress有趋势项显示回归结果lags最大滞后阶数?例4继续使用文件gnpdta的数据来对stata中平稳性检验的相关应用进行说明
【例1】使用文件“cpi.dta”的数据来对tsset命令的应用 进行说明。该例子是我国1983年1月年至2007年8月的居 民消费价格指数CPI。部分数据如表2所示：
表2 我国居民消费价格指数CPI
Year
1983 1983 1983 1983 1983 1983 1983
month
1 2 3 4 5 6 7
用户定义的其他
例子
delta(#) delta((exp)) delta(#units)
delta((exp)units)
例如delta(1)或delta(2)
例如delta((7*24))
例如delta(7 days)或delta(15 minutes)或 delta(7 days 15 minutes)。见注（1） 例如delta((2+3) weeks)
时间序列构成分析就是要观察现象在一个相当长的时期内， 由于各个影响因素的影响，使事物发展变化中出现的长期趋 势、季节变动、循环变动和不规则变动。
通过测定和分析过去一段时间之内现象的发展趋势，可以认 识和掌握现象发展变化的规律性，为统计预测提供必要的条 件，同时也可以消除原有时间序列中长期趋势的影响，更好 地研究季节变动和循环变动等问题。测定和分析长期趋势的 主要方法是对时间序列进行修匀。
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

{Dp} 的自相关图
由图可见，短期（ 5 期）内ρ 便衰减直逼零值，衰减速度非常快，明显具有短期自相关性。ρ
在延迟 1 期以
后，除了当 k=30 时跳出过阴影范围， 其余全都落在 2 倍标准误的范围内， 围绕着零值做很小幅 （约± 0.1 ）的波动。 因此， {Dp} 是平稳的时间序列。
平稳性检验通过，看白噪声检验。自相关图明显显示：ρ
文案大全
≠0，ρ ≠ 0。因此， {Dp} 非白噪声序列，有信息待
提取。预处理完毕，开始识别模型：
0.40
实用标准文档
p ofD
0.20
0
10
20
30
40
Lag
Bartlett's formula for MA(q) 95% confidence bands
{price} 的自相关图
短期（延迟阶数为 5 期及 5 期以内）来看，自相关系数拖尾；长期来看，自相关系数缓慢地由正转负，一直是 下降趋势。序列值 2086 1850 1889 1640 1265 1365 1956 2131 4328 4812 4804 2464 1955 1620 1098 1264 1525 2563
1301 1215 2059 2059 1830 1881 1620 1299 1424 2165 2029 4309 4908 4679 2763 1950 1515 1150 1150 1403 2433
4810 4571 4250 3850 3775 3357 2946 2342 1994
2993 3108 2729 2525 2457 2136 2272 2175 2100
1969 2025 1726 1579 1768 1766 1621 1692 1634
1508 1525 1502 1374 1212 1198 1107 1052 1069
文案大全
（ Stata 语句）
. drop B-T . generate n=_n . rename A price
. tsset n time variable:n, 1 to 252 delta: 1 unit
. tsline price
=>
实用标准文档 00 50
000 4
price 3000
1250 1210 1268 1402 1486 1534 1567 1585 1717
1250 1210 1268 1402 1486 1534 1567 1585 1717
2425 2326 2176 2121 2000 2000 1850 1640 1700
1850 1790 1700 1700 1750 1775 1925 2000 1975
（一阶）差分后序列 {Dp} 的长期趋势不再明显，平稳化效果很好。再看看
{Dp} 的自相关图：
（ Stata 语句）
0.40
. ac Dp
fDp
0 .2
so
0
=>
utocorrelation
A
0 0.0
-0.20
0
10
20
30
40
Lag
Bartlett's formula for MA(q) 95% confidence bands
2125 2087 1895 1840 1874 1863 1836 1894 2105
2270 2411 2652 3294 3360 3686 3593 3482 3615
4336 4382 4326 4009 4000 4070 4200 4278 4435
4857 4865 4711 4640 4877 4902 4884 4833 4903
2000
000 1
0
50
100
150
200
250
n
{price} 的时序图 由时序图观测得 price 变化落差很大，该序列不平．稳．．。再看看自相关图：
0
（ Stata 语句）
1.0
. ac price fprice
.50 0
o
=>
rrelations
0 .0 0
co
Auto
.50
-0
0 .0 -1
实用标准文档
《应用时间序列分析（第四版） 》王燕 编著 中国人民大学出版社
第四章 习题 7
1974 年 1 月至 1994 年 12 月，某地胡椒价格数据如下： （ 21 行 *12 列）
1102 1151 1093 1118 1168 1118 1085 1135 1138
1283 1250 1210 1135 1085 1060 1102 1151 1127
（ Ps. 平稳时间序列具有短期自相关性。 ） 结合之前的时序图，发现该序列具有明显．的．长．期．趋．势．．． 。考虑到 price 是月度数据，因此觉得该序列很有可能还．．． 存．在．季．节．效．应． 。
文案大全
实用标准文档
2 检验序列的方差齐性
原序列具有长期趋势，所以需要平稳化。先对原序列做一阶差分：
1126 1200 1193 1058 1043 1026 980
976
1000
1117 1188 1100 1040 1028 1113 1154 1350 1722
1497 1522 1550 1575 1538 1650 1800 1933 2219
1 检验序列的平稳性
1135 1226 2002 2002 1925 1940 1640 1349 1274 1481 2159 3963 4772 4963 2420 2068 1750 1050 1210 1616 2606
0
（ Stata 语句）
100
. generate Dp=D1.price
.label
vofpriceariable
Dp
difference ofceprice"
. tsline Dp firstdifferen
"first
=>
500
0
-500 -1000
0
50
100
150
200
250
n
{Dp} 的时序图
2000 2024 1900 1750 1649 1601 1625 1609 1649
1590 1526 1451 1424 1424 1329 1199 1179 1285
1373 1440 1451 1376 1325 1261 1199 1219 1250
1420 1385 1321 1235 1215 1310 1319 1319 1279