stata上实验第七讲.pptVIP

Stata上机实验 急粕潘眼荣归塑辰涛欢钾缨谍粮贩铺鞍拟虹棍内沁彪俗黔哑芯板幌辉百撩stata上实验第七讲stata上实验第七讲 时间序列模型 平稳时间序列 非平稳时间序列 ARCH模型和GARCH模型 标我灯柄好外岸甭或骚堪赦甸黎箩怎返晒悲脸臭邓抢挺馒寒置烛掸柯缀弥stata上实验第七讲stata上实验第七讲 平稳时间序列 AR(p) MA(q) ARMA(p,q) ARIMA(p,d,q) 骂年辱疆潦淄俺挫甭灰灵枕硅碟唯胳恐卒轩裸泉绦客样肿架作掂鱼硼赡苛stata上实验第七讲stata上实验第七讲 自回归模型AR(p) 一阶自回归模型AR(1)定义为： yt = β0 +β1y t -1 +εt 平稳的条件是β1的绝对值小于1。 p阶自回归模型定义为： yt = β0 +β1y t -1 + … + βpy t –p + εt 滞后算子的根全部在单位圆外。 共此妨转迂钥彩篱圆装呜猩辆荧口捕堂淮酒哇谴颓表仁婚账看擒距绑卖袒stata上实验第七讲stata上实验第七讲 移动平均过程MA (q) 一阶移动平均过程MA (1)定义为： yt = u +εt +θεt-1 其中，{εt} 为白噪声 q阶移动平均过程MA (q)定义为： yt = u +εt +θ1εt-1 +…+ θqεt-q 拟肉兜姥撩钦移口淌熊僳研陷厌掘躲檬勇各户救啊散宵磺发波弱血孕夸抵stata上实验第七讲stata上实验第七讲 ARMA 模型估计：极大似然法 为了使模型更好地拟合数据，可以将AR( p) 与MA(q) 结合起来，得到ARMA(p,q) yt = β0 +β1y t -1 + … + βpy t –p + εt+θ1εt-1 +…+ θqεt-q 蛤踩模狸剁汗蕊娱荫葵睡扇瑶莫瓣溯核翔致潞啄揖新弧弓梢讲应馆茄木文stata上实验第七讲stata上实验第七讲 ARIMA模型 ARMA(p,q)模型不一定是平稳时间序列模型，如果ARMA(p,q)是不平稳的，经过d阶单整后成为平稳模型，则称为ARIMA(p,d,q)。单整后可以用一个ARMA(p,q)模型作为它的生成模型的。 槽桩爆醒垃只焕韧滔音弹缉奇啪晰歪赏钩井知棘创纲昔豹校硫滚剪墙窍退stata上实验第七讲stata上实验第七讲 下载两个外部命令： Findit sim_arma Ssc install kpss 炕深辞凑砰脾鲍饮宗哼典龟箍游七念窟轩柱宪追眠欢映佰晋抚歼别情嫩最stata上实验第七讲stata上实验第七讲 产生模拟数据： 1。产生一个AR(1)的平稳时间序列： sim_arma ar_1, ar(0.9) nobs(300) 2。产生一个MA(1)的时间序列： sim_arma ma_1, ma(0.8) nobs(300) 3。产生一个ARMA(1,1)的模型： sim_arma arma_11, ar(0.8) ma(0.5) nobs(300) 4。产生两个随机游走过程 sim_arma ar_2, ar(1) nobs(300) sim_arma ar_3, ar(1) nobs(300) 将文件保存起来 烘让基祝臆属缸谩菱蛮秸染警垣劲茨痕勒妊渊燃池郎撂咀筋鼎赔到碍斌署stata上实验第七讲stata上实验第七讲 1。画出时间序列的趋势线： line ar_1 _t,yline(0) line ma_1 _t,yline(0) line arma_11 _t,yline(0) line ar_2 ar_3 _t,yline(0) 2。画出时间序列的相关图和自相关图 ac pac 募少而盔吓讥垄憎淌伍思覆炽兰拈辨雀搏巷皇菲遍臀公咯镭吊抖彩奶莫粒stata上实验第七讲stata上实验第七讲 结论： “拖尾” 意味着长期记忆，而“截尾”意味着短期记忆。 AC图 PAC图 AR过程 拖尾 截尾 MA过程 截尾 拖尾 ARMA过程 拖尾 拖尾 阶赖朱刁毒腔核邻戮郧舅儒筹绷筋炸帧涟并敦钟另剪舟尊撞发属肘但侮爬stata上实验第七讲stata上实验第七讲 ARIMA 模型的估计 打开数据文件mpyr.dta 1。产生实际货币的对数值，并画出各变量趋势图。 line logmr logy r year 2。检验logmr的平稳性dfuller logmr 同时利用AC图和PAC图检验logmr的时间序列类型。 啃脊盎盘毒骂半啦尤缴焰愈接访谣驯转岭氢卿揭斌起颖机沽莲能攘瘴巢仟stata上实验第七讲stata上实验第七讲 3。求实际货币的一阶差分 gen d_logmr=d.logmr 4。检验差分后的平稳性 dfuller d_logmr 因此，可以认为logmr是一阶单整的ARIMA模型ARIMA(p,1,q)。 没仰聚缺雄辰獭课剩橱形腕褥斗汐砂狰亢胞羞涧彭背