运用stata行时间序列分析.docVIP

运用stata进行时间序列分析48/07/11 %dN-D-CY 07-11-1948 ---------------------------------- clear set obs 100 5 gen t = _n + d(13feb1978) list t in 1/5 format t %dCY-N-D /*1978-02-14*/ list t in 1/5 format t %dcy_n_d /*1978 2 14*/ list t in 1/5 use B6_tsset, clear list tsset t, format(%twCY-m) list 4）一个实例：生成连续的时间变量 use e1920.dta, clear list year month in 1/30 sort year month gen time = _n tsset time list year month time in 1/30 generate newmonth = m(1920-1) + time - 1 tsset newmonth, monthly list year month time newmonth in 1/30 1.4图解时间序列 1）例1： clear set seedsim_arma ar2, ar(0.7 0.2) nobs(200) sim_arma ma2, ma(0.7 0.2) tsset _t tsline ar2 ma2 * 亦可采用 twoway line 命令绘制，但较为繁琐 twoway line ar2 ma2 _t 2）例2：增加文字标注 sysuse tsline2, clear tsset day tsline calories, ttick(28nov2002 25dec2002, tpos(in)) /// ttext(3470 28nov2002 thanks /// 3470 25dec2002 x-mas, orient(vert)) 6 3）例3：增加两条纵向的标示线 sysuse tsline2, clear tsset day tsline 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。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。 ARIMA(1,1)模型： t t t t y y ε θε ρ α + + + = ?6?1 ?6?1 1 1 2.1 ARIMA模型预测的基本程序： 1) 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，则需要对数据进行差分处理，如果数据存在异方差，则需对 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则，建立相应的模型。若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；若平稳序列 的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合 MA模 型；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合 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阶数的确定方法： clear sim_arma y_ar, ar(0.9) 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*/ 7 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*/