stata操作介绍之时间序列-(四)资料讲解

ARIMA模型
dfuller 检验： . dfuller fylltemp, lag(3)
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；
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；
说明：由上图可知，常数项与一期滞后变量系数都是统计显 著的，卡方检验也显著。
ARIMA模型
生成残差： . predict fylres, res . corrgram fylres ,lags(9)
说明：由图可知，统计量对应的P值为0.6574，不能拒绝原 假设，即认为残差不存在自相关。因此，认为变量fylltemp 使用AR(1)进行分析是合适的。
平滑分析
生成移动平均值（1）：
. gen water3=(water[ _n-1]+water[ _n]+water[ _n+1])/3
平滑分析
生成移动平均值（2）： . tssmooth ma water5=water,window(2 1 2)
注：tssmooth:表示移动平均值平滑(加权或不加权); window(2 1 2):表示使用该值的前两个值、该值与该值的
说明：由图可知，lag为0时，交叉相关性最强（线条最长）， 且为负。
自相关分析
交叉相关表: . xcorr wNAO fylltemp if year >=1970 & year <=1990,lags(7) table
ARIMA模型
时间序列中的自相关集成移动平均模型 （autoregressive integrated moving average简称 ARIMA），是指将非平稳时间序列转化为平稳时间 序列，然后将因变量仅对它的滞后值以及随机误差 项的现值和滞后值进行回归所建立的模型。

. reg fylltemp L(0/2).wNAO if year >=1970 & year <=1990
平滑分析-滞后变量
回归结果：
相关分析
自相关系数是对变量自身与其滞后变量之 间相关关系的估计。偏相关系数是在消除其 他变量影响的条件下，所计算的某两变量之 间的相关系数。交叉相关是分析两个时间序 列之间的关系。
四、平稳时间序列分析
平滑分析
大多数时间序列数据都具有上下起伏的波动，对 于时间序列数据的识别十分困难。平滑分析可以把 数据分为两个部分：一部分逐渐发生变化，便于分 析处理；另一部分则含有突变的成份。
时间平滑：用某时刻及其前后若干时刻的值进行 加权平均，所得值作为该时刻的替代值以滤去小扰 动的方法。
注：阴影部分是95%的置信区间；
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 矩阵区域。
自相关分析
交叉相关图:
. xcorr wNAO fylltemp if year >=1970 & year <=1990,lags(7) xlabel(-9(1)9,grid)
平滑分析-滞后变量
时间平滑： . tssmooth ma fylln= fylltemp,window(2 1 2)
平滑分析-滞后变量
趋势图：
. graph two spike fylltemp year,base(1.67) yline(1.67) || line fylln year ,clpattern(solid)

与时间序列相关的STATA命令及其统计量的解析与时间序列相关的S T A T A命令及其统计量的解析残差U 序列相关：①DW 统计量——针对一阶自相关的（高阶无效）STATA 命令：1.先回归2.直接输入dwstat统计量如何看：查表②Q 统计量——针对高阶自相关correlogram-Q-statisticsSTATA 命令：1．先回归reg2．取出残差predict u,residual(不要忘记逗号)3． wntestq u Q统计量如何看：p 值越小（越接近0）Q 值越大——表示存在自相关具体自相关的阶数可以看自相关系数图和偏相关系数图：STATA 命令：自相关系数图:ac u( 残差) 或者窗口操作在 Graphics ——Time-series graphs ——correlogram(ac)偏相关系数图:pac u 或者窗口操作在Graphics——Time-series graphs——(pac)自相关与偏相关系数以及Q 统计量同时表示出来的方法：corrgram u或者是窗口操作在Statistics——Time-series——Graphs——Autocorrelations&Partial autocorrelations③LM 统计量——针对高阶自相关STATA 命令：1．先回归reg2．直接输入命令estate bgodfrey,lags(n) 或者窗口操作在Statistics——Postestimation(倒数第二个)——Reports and Statistics(倒数第二个) ——在里面选择 Breush-Godfrey LM（当然你在里面还可以找到方差膨胀因子还有DW 统计量等常规统计量）LM 统计量如何看：P 值越小（越接近 0）表示越显着（显着拒绝原假设），存在序列相关具体是几阶序列相关，你可以把滞后期写为几，当然默认是1，（通常的方法是先看图，上面说的自相关和偏相关图以及Q 值，然后再利用LM 肯定）。

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。