stata操作介绍之时间序列-(四)概要1.pptVIP

自相关分析 自相关图： . ac fylltemp,lags(9) 注：阴影部分是95%的置信区间； 自相关分析 偏相关图： . pac fylltemp,lags(9) yline(0) ciopts(bstyle(outline)) 注：ciopts(bstyle(outline))表示将偏相关图中阴影部分改为矩阵区域。 自相关分析 交叉相关图: . xcorr wNAO fylltemp if year =1970 year =1990,lags(7) xlabel(-9(1)9,grid) 说明：由图可知，lag为0时，交叉相关性最强（线条最长），且为负。 四、平稳时间序列分析 平滑分析 自相关分析 ARIMA模型 平滑分析 大多数时间序列数据都具有上下起伏的波动，对于时间序列数据的识别十分困难。平滑分析可以把数据分为两个部分：一部分逐渐发生变化，便于分析处理；另一部分则含有突变的成份。 时间平滑：用某时刻及其前后若干时刻的值进行加权平均，所得值作为该时刻的替代值以滤去小扰动的方法。 平滑分析 该部分以1983年1月到7月Milford城镇的自来水消费量为例。 文件：ch51.dta 导入数据： . use C:\Users\Administrator\Desktop\时间序列\数据\ch51.dta, clear 平滑分析 描述性统计： . describe 平滑分析 生成日期变量（一）： . gen date=mdy( month ,day, year) . list in 1/5 平滑分析 设置时间（二）： . tsset date, format(%d) . list in 1/5 平滑分析 趋势图： . graph two line water date, ylabel(300(100)900) 平滑分析 生成移动平均值（1）： . gen water3=(water[ _n-1]+water[ _n]+water[ _n+1])/3 平滑分析 生成移动平均值（2）： . tssmooth ma water5=water,window(2 1 2) 注：tssmooth:表示移动平均值平滑(加权或不加权); window(2 1 2):表示使用该值的前两个值、该值与该值的后两个值进行平均计算； 平滑分析 趋势图： . graph two line water5 date, clwidth(thick) || line water date , clwidth(thin) clpattern(solid) 平滑分析 波动幅度： . gen ch=water- water5 . list in 1/5 平滑分析 波动幅度： . graph two line ch date 平滑分析-滞后变量 导入数据： . use C:\Users\Administrator\Desktop\时间序列\数据\ch52.dta, clear 描述性统计： . describe 时间设置： . tsset year,yearly 平滑分析-滞后变量 时间平滑： . tssmooth ma fylln= fylltemp,window(2 1 2) 平滑分析-滞后变量 趋势图： . graph two spike fylltemp year,base(1.67) yline(1.67) || line fylln year ,clpattern(solid) 平滑分析-滞后变量 生成n阶滞后变量的两种方法： . gen wNAO_n=wNAO[ _n-1] . gen wNAO_n=Ln.wNAO 注：第二种方法中的Ln表示Lag(n)； 平滑分析-滞后变量 生成一阶滞后变量： . gen wNAO_1=wNAO[ _n-1] 生成二阶滞后变量： . gen wNAO_2=L2.wNAO 平滑分析-滞后变量 平滑分析-滞后变量 三种滞后回归方法: . reg fylltemp wNAO wNAO_1 wNAO_2 if year =1970 year =1990 . reg fylltemp wNAO L.wNAO L2.wNAO if year =1970 year =1990 . reg fylltemp L(0/2).wNAO if year =1970 year =1990 平滑分析-滞后变量 回归结果： 相关分析 自相关系数是对变量自身与其滞后变量之间相关关系的估计。偏相关系数是在消除其他变