与时间序列相关STATE命令与其统计量解析.docVIP

与时间序列相关的STATE命令及其统计量的解析k,k，以便更加 全面的描述自相关过程AR(p)的统计特征。 且对于一个AR(p) 模型，k,k 的最高阶数为p，也即AR(p) 模型的偏自相 关系数是 p 阶截尾的。因此，可以通过识别AR(p)模型的偏自相关系数的个数， 来确定 AR(p) 模型的阶数 p，进而设定正确的模型形式，并通过具体的估计方 法估计出AR(p) 模型的参数 如果AR(p)还解决不了则进一步使用：MA(q)模型，以及ARMA(p,q)模型 MA(q) MA(q) 的偏自相关系数的具体形式随着 q 的增加变得越来越复杂，很难给 出一个关于 q 的一般表达式，但是，一个MA(q) 模型对应于一个AR(∞) 模型。 因此，MA(q) 模型的偏自相关系数一定呈现出某种衰减的形式是拖尾的。故可以 通过识别一个序列的偏自相关系数的拖尾形式，大致确定它应该服从一个MA(q) 过程。 ARMA(p,q)就是既含有AR 项又含有MA 项。 我们引入了自相关系数和偏自相关系数这两个统计量来识别 ARMA(p,q) 模 型的系数特点和模型的阶数。但是，在实际操作中，自相关系数和偏自相关系数 是通过要识别序列的样本数据估计出来的，并且随着抽样的不同而不同，其估计 值只能同理论上的大致趋势保持一致，并不能精确的相同。因此，在实际的模型 识别中，自相关系数和偏自相关系数只能作为模型识别过程中的一个参考，并 不能通过它们准确的识别模型的具体形式。具体的模型形式，还要通过自相关 和偏自相关系数给出的信息，经过反复的试验及检验，最终挑选出各项统计指 标均符合要求的模型形式。 注：无论采取什么样的方式，只要能够把残差中的序列相关消除 掉，又不会引入新的问题，这样的模型就是最优模型。 与平稳性检验相关的STATA命令及其统计量解析（P212 张晓峒) 白噪声检验： 1. Q 检验 wntestq var ，lag(n) 2.Bartlett 检验 wntestb var ，table（表示结果以列显示，而不做图。不加 table 就以图形的方式现实) 或者在Statistics——Time-series——TEST——Bartlett 检验（第四个) 画密度图： 1． 概率密度图 命令：pergram var ,generate(新变量名字) 将概率密度的图上所生 成的值生成并储存在新变量里，这个不是必须的，只是为了日后方便。 窗口：Statistics——Time-series——Graphs——Periodogram(第五个) 2． 累积分布函数图 命令：cumsp var ,generate(新变量名字) 解释同上，并且这个生 成新变量的功能似乎只能通过命令完成。 窗口：Statistics——Time-series——Graphs——Cumulative Spectral distribution 单位根检验（219) 1． Dickey-Fuller 检验 命令：dfuller var (,lags(#)/trend/noconstant/regress/)对变量做ADF 检验可以加滞后期或趋势项或不含常数项等等这些取决于你的模型。 窗口：Statistics——Time-series——TEST——ADF 单位根检验（第一 个）在里面你也可以选择滞后期数，常数项等等。 如何看结果：原假设为：至少存在一个单位根；备选假设为：序列不 存在单位根。 如果统计量小于后面的显著性水平给出的值且P 值很大——有单位； 如果统计量大于后面的显著性水平给出的值且 P 值很小——无单位 根 ADF 检验需要注意的地方： （1）必须为回归定义合理的滞后阶数，通常采用AIC 准则来确定给定时间序列模型的滞后 阶数。在实际应用中，还需要兼顾其他的因素，如系统的稳定性、模型的拟合优度等。 （2）可以选择常数和线性时间趋势，选择哪种形式很重要，因为检验显著性水平的 t 统计 量在原假设下的渐进分布依赖于关于这些项的定义。 ① 如果在检验回归中含有常数，意味着所检验的序列的均值不为 0，一个简单易行的办 法是画出检验序列的曲线图，通过图形观察原序列是否在一个偏离 0 的位臵随机变动，进 而决定是否在检验时添加常数项； ② 如果在检验回归中含线性趋势项，意味着原序列具有时间趋势。同样，决定是否在检验 中添加时间趋势项，也可以通过画出原序列的曲线图来观察。如果图形中大致显示了被检验 序列的波动趋势随时间变化而变化，那么便可以添加时间趋势项。 Phillips-Perron 检验 命令：pperron var , (,lags(#)/trend/noconstant/regress/)对变量做 PP 检验可以加滞后期或趋势项或不含常数项等等这些取决于你的模 型。