Stata专题)b 幻灯片.pptVIP

Stata专题 第一讲：认识stata 第二讲：数据管理 第三讲：命令语句 第四讲：基础绘图 第五讲：简单回归分析 补充延伸：异方差、时间序列等 S7. 时间序列 平稳时间序列模型 时间序列协整分析 S7a. 平稳时间序列模型 自相关（命令语句：ac）与偏相关（pac） 自回归移动平均模型（ARMA,命令语句：arima） 向量自回归（VAR）模型：STATA中，与VAR相关的命令包括：varsoc，var，varwle，varlmar，varnorm，varstable，vargranger，irf，fcast S7b. 时间序列协整分析 单位根检验（ADF） 向量误差修正表示法（VECM）模型的估计与检验总体步骤：检验序列的平稳性（命令语句：dfuller）检验滞后阶数（varsoc）检验协整关系的个数（vecrank）建立 VECM(向量误差修正模型, vec）冲击反应分析（脉冲响应分析, irf create） 另外一种定义时间序列的方法 gen id =_n tsset id (三)时间序列的时滞、前导和差分 1.时滞 时间序列分析经常涉及时滞变量，或者说就是前次观测的值。用L（n）.表示前n次观测值。 generate unempL1=L1.unemp generate unempL2=L2.unemp list datevar unemp unempL1 unempL2 in 1/5 2.前导 与时滞相反，表示后次观测的值。用F（n）.表示后n次观测值。 generate unempF1=F1.unemp generate unempF2=F2.unemp 3.差分 当前值减上一期值，yt-yt-1 一阶差分：generate unempD1=D1.unemp 表示： D1 = yt–yt-1 二阶差分generate unempD2=D2.unemp 表示： D2 = (yt–yt-1) –(yt-1–yt-2) 以上方法也可以用于回归计算，比如： regress y x L1.x L2.x regress y x F1.x F2.x regress y x D1.x (四)相关图 为了研究两个时间序列数据之间的关系，我们用到命令xcorr+自变量+因变量。 xcorr gdp unemp, lags(10) xlabel(-10(1)10,grid) (五)单位根及其检验 时间序列中存在单位根意味着在序列中存在不止一种发展趋势 比如我们分别对1965q1-1981q4和1982q1-2000q4中unemp和gdp作回归分析 regress unemp gdp if tin(1965q1,1981q4) regress unemp gdp if tin(1982q1,2000q4) 注意：命令tin表示在某个区间段之间，包括两个端点。必须是进行时间定义的前提下（tsset） 单位根的检验（DF检验） DF检验是一种常用的检验随机趋势的方法。原假设存在单位根。 输入命令：dfuller unemp line unemp datevar 输入命令dfuller unempD1 line unempD1 datevar ARIMA模型 自回归集成移动平均模型在stata中可以使用arima命令来进行估计。这个命令包含自回归（AR）、移动平均（MA）以及ARIMA模型。它还能估计包括一个或多个自变量以及ARIMA扰动项的结构模型。 μt=βμt-1+αZt-1+Zt 其中β是一阶自相关参数，α是一阶移动平均参 数，Z是随机、独立的白噪声误差。 stata作arima过程 命令①arima y ,ar(1/#) ma(1/#) ar(1/#)表示第1至第#阶自回归 ma(1/#)表示第1至第#阶移动平均 命令②：等价于命令① 即：arima y,arima(p,d,q) p自回归的阶数；d移动平均的阶数q原序列需要经过几次差分才是平稳的 arima cpi,ar(1/1) ma(1/1) 然后检验残差是否表现为不相关的白噪声。在执行了arima以后，我们可以通过predict来取得残差： predict e,resid corrgram e,lags(15) Q统计量的概率值只要不低于0.05我们就认为这个序列不含显著自相关的白噪声。 所以我们认为直到时滞15，残差中并无显著自相关。 根据以上标准，我们的arima模型显得是恰当的。用MA或更高阶的AR项的更复杂的模型并不会对拟合有什么改进。 协整向量误差修正模型的秩估计 Johansen 检验 命令：vecrank 该命令用于确定一个向量误差修正模型中协整方程的个数。（VECM） 利用数据vecrank1.dt