stata(一)教程分析.ppt

5 模型的残差自相关性检验 对前面拟合的VAR模型进行残差自相关检验，我们输入命令： varlmar, mlag(5) 其中，mlag(5)表示最大滞后期为5。 6 模型残差的正态性检验 7 带外生变量的VAR模型 在前面的VAR模型中我们看到，dln_inv方程各变量的系数联合不显著。考虑一个dln_inc和dln_consump的两变量VAR模型，并将dln_inv作为外生变量来处理。输入命令： var dln_inc dln_consump, exog(dln_inv) 其中，选项exog(dln_inv)表示将dln_inv作为外生变量加入模型中。 8 带约束的VAR模型 在我们前面对dln_inv、dln_inc和dln_consump做的VAR(3)模型中，方程dln_inv的系数联合不显著。这样，观察各系数的p值，我们考虑约束方程dln_inv中L2.dln_inc 的系数和方程dln_inc中L2.dln_consump的系数为0。定义约束的命令为： constraint 1 [dln_inv]L2.dln_inc = 0 constraint 2 [dln_inc]L2.dln_consump = 0 这里，引用系数的格式为“[方程名]变量名”，其中，方程名为结果最左侧的一列黑体所显示的。 下面，我们进行带约束的VAR模型拟合，命令为： var dln_inv dln_inc dln_consump, lutstats dfk constraints(1 2) 这里，我们选择汇报Lutkepohl的滞后阶数选择统计量，并对自由度进行小样本的调整（选项dfk）。 9 脉冲响应与方差分解 我们在拟合模型“var dln_inv dln_inc dln_consump”之后，要进行irf系列分析，需要先激活irf文件，可键入命令： irf set results1 我们要对前面拟合的VAR模型的irf系列函数进行估计，并将其用名称var1来标识。输入命令： irf create var1 这样，irf系列结果就被保存到文件“results1.irf”中。 其中，如果不设定选项irf (irfnames)，stata将对活动的irf文件中所有保存的irf结果作图。如果不设定选项impulse()和response()，stata将对脉冲变量和响应变量的所有组合作图。此外，选项iname()和isaving()只有在设定选项individual后才可用。 如果我们想看一下dln_consump如何对dln_inv、dln_inc和dln_consump的冲击做出反应，我们可以通过如下命令实现： irf graph oirf, irf(var1) response(dln_consump) 其中，oirf表明我们要绘制正交的脉冲响应函数，选项irf(var1)表明我们对var1标识的结果进行绘图，response()设定响应变量为dln_consump。 3 模型的预测 对SARIMA模型进行预测的基本命令与ARIMA模型相同，为： predict [type] newvar [if] [in] [, statistic options] 可用的统计量和选项也与ARIMA模型相同，详见表12.13和表12.14。 我们对拟合的差分序列进行预测，可采用命令： predict xb, xb 对水平序列进行预测，命令为： predict y, y 为了对预测值有一个直观的认识，我们键入命令： list DS12.lnair xb lnair y in 16/20 实验12-6：ARIMAX模型 实验基本原理 实验内容及数据来源 本书附带光盘data文件夹下的“cams.dta”工作文件给出了美国的消费支出和货币供给数据。主要变量包括：time=时间，consump=个人消费支出，m1=货币供给M1，m2=货币供给M2。 利用这些数据，我们研究个人消费支出和货币供给的关系，对货币数量说进行实证检验。因为美联储从1980s后期对货币供给进行了更多地控制以控制通货膨胀，消费支出和货币供给的关系更为复杂，所以，我们利用1982年之前的数据进行分析。 这样，本实验中，我们使用“cams.dta”的数据，来讲解ARIMAX模型的拟合以及动态预测等。 实验操作指导 1 模型的确定 我们首先使用普通最小二乘对模型进行拟合，命令为： regress consump m2 if timetq(1982q1) 为了检验模型我们是否充分提取了残差中的信息，我们计算出残差，并在我们所使用的样本区间作出残差的时间趋势图。 predict e, residual