时间序列模型分析的各种stata命令.docx

《时间序列模型分析的各种stata命令.docx》由会员分享，可在线阅读，更多相关《时间序列模型分析的各种stata命令.docx（35页珍藏版）》请在第一文库网上搜索。

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拟低。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 法得到迅速开展。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，ARlMA模型、ARCH族模型、VAR模型、VEC模型、单位根检验及协整检验等。一、根本命令1.1时间序列数据的处理1）声明时间序列:tsset命令use gnp9

2、6. dta, clear list in 1/20 gen Lgnp = L. gnp tsset date list in 1/20 gen Lgnp = L. gnp2）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 1/124

3、）追加样本：tsappend use gnp96. dta, clear tsset date list in -10/-1sum tsappend , add （5）*追加 5 个观察值*/list in -10/-1sum5）应用:样本外预测：predict reg gnp96 L.gnp96predict gnphatlist in -10/-16)去除时间标识：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, clear tsset dategen Lgnp =L.gnp96g

4、en L2gnp =L2.gnp96gen Fgnp =F.gnp96gen F2gnp =F2.gnp96gen Dgnp =D.gnp96gen D2gnp =D2.gnp96list in 1/10list in -10/-1* 一阶滞后*/* 一阶超前*/* 一阶差分*/2)产生增长率变量：对数差分gen Ingnp = In (gnp96)gen growth = D.Ingnpgen growth2 = (gnp96-L. gnp96)L. gnp96gen diff = growth - growth2*说明对数差分和变量的增长率差异很小*/list date gnp96 Ing

5、np growth* diff in 1/10L3日期的处理日期的格式help tsfmt根本时点:整数数值,如-3, -2, -1, 0, 1, 2, 3 .1960年1月1日，取值为0；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%tyCY1）使用tsset命令指定显示格式use B6tsset.dta, clear tsset t, daily listuse B6tsset.dta, clear tsset t, weekly list2）指定起始时点cap drop mont

6、hgenerate month = m（1990-l） + _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：机-td描述特定的显示格式具体工程释义：“描述特定的显示格式”中可包含如下字母或字符 cymlndjhqw_. , : - !c CYMLNDJ 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

7、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） and N数字月份（个位数不附加/附力口 0）d and D一个月中的第几日（个位数不附加/附力口 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）,displayaCOmma（逗号）:displayaCOlon（冒号）-displayadash （短线）/displaya

8、SIaSh（斜线）displayaclose single quote（右弓号）!c display character C （code ! to display an exclamation point）样式1：FormatSample date in format%td%tdM_d, _CY %tdYMD %tdM-D-CY %tqCY. q %tqCY:q %twCY, _w07jull948 July 7, 1948 48/07/11 07-11-1948 1999. 2 1992:2 2010, 48样式2：FormatSample date in format%d %dDlCY %

9、dDlY %dM_d, _CY %dd_M_CY %dNDY %dDNY %dYND %dN-D-CYjull948 jull948 jul48July 11, 1948 11 July 1948 07/11/48 11/07/48 48/07/11 07-11-1948clearset obs IOOgen t = _n + d（13febl978）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, clearli

10、sttsset t, format(%twCY-m) list4) 一个实例：生成连续的时间变量use el920. dta, clearlist year month in 1/30sort year monthgen time = _ntsset timelist year month time in 1/30generate newmonth = m(1920-l) + time - 1tsset newmonth, monthlylist year month time newmonth in 1/30L4图解时间序列1)例 1：clearset seed 13579113sim_ar

11、ma 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

12、条纵向的标示线sysuse tsline2, cleartsset daytsline calories, tline(28nov2002 25dec2002)*或采用twoway line命令local dl = d(28nov2002)local d2 = d(25dec2002)line calories day, XIine(dl d2)4)例4：改变标签tsline calories, tlabel (, format (%tdmd) ttitle (zzDate (2002) tsline calories, tlabel (, format (%td)二、ARIMA模型和SARM

13、IA模型ARIMA模型的根本思想是：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。这个模型一旦被识别后就可以从时间序列的 过去值及现在值来预测未来值。ARlMA(1, 1)模型：yt + pyt_x + t +t2.1 ARIMA模型预测的根本程序：D根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋 势及其季节性变化规律，对序列的平稳性进行识别。一般来讲，经济运行的时间序列 都不是平稳序列。2)对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降 趋势，那么需要对数据进行差分处理，如果数据存在异方差

14、，那么需对数据进行技术 处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。3)根据时间序列模型的识别规那么，建立相应的模型。假设平稳序列的偏相关函数是截 尾的，而自相关函数是拖尾的，可断定序列适合AR模型；假设平稳序列的偏相关函数 是拖尾的，而自相关函数是截尾的，那么可断定序列适合MA模型；假设平稳序列的偏 相关函数和自相关函数均是拖尾的，那么序列适合ARMA模型。4)进行参数估计，检验是否具有统计意义。5)进行假设检验，诊断残差序列是否为白噪声。6)利用已通过检验的模型进行预测分析。2. 2 ARIMA模型中AR和MA阶数确实定方法：clearsim arma y_ar, a

15、r(O. 9) nobs (300)line y_ar _t, yline(0)ac y_ar *AR过程的ACF具有“拖尾”特征，长期记忆*/pac y_ar *AR过程的PACF具有“截尾”特征*/sim arma y_ma, ma(0. 8)line y_ma _t, yline(0)ac y_ma *MA过程的ACF具有“截尾”特征，短期记忆*/pac y_ma *MA过程的PACF具有锯齿型“拖尾”特征*/2. 3 ARIMA模型中涉及的检验：use :/ stata-press datarllwpil , clear tsset tgen d wpi = D. wpidfuller wpi *单位根检验*/dfuller dw