stata上机实验第七讲 时间序列模型.ppt

Stata上机实验 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 平稳时间序列 AR(p) MA(q) ARMA(p,q) ARIMA(p,d,q) 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。 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 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 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。 下载两个外部命令： Findit sim_arma Ssc install kpss 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 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 结论： “拖尾” 意味着长期记忆，而“截尾”意味着短期记忆。 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。 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)。 p、q阶数的确定：信息准则AIC、BIC最小 1。假定为ARIMA(1,1,1)，创建模型方程： arima logmr, arima(1,1,1) 或者 arima d_logmr, ar(1) ma(1) 列示信息准则 estat ic 2。假定为ARIMA(1,1,2)，创建模型方程： arima d_logmr, ar(1) ma(2) estat ic 3。假定为ARIMA(2,1,1)，创建模型方程： arima d_logmr, ar(2) ma(1) estat ic 4。假定为ARIMA(2,1,2)，创建模型方程： arima d_logmr, ar(2) ma(2) estat ic 应该是一个ARIMA(1,1,1)模型 向量自回归模型(VAR) VAR模型分为结构型 VAR 模型与缩减型 VAR 模型。 我们常常同时关心几个经济变量的预测，将这些变量放在一起，作为一个系统来预测，以使得预测相互自洽。 假设有两个时间序列变量{ y1t,y2t} ，分别作为两个回归方程的被解释变量；而解释变量为这两个变量的p 阶滞后值，构成一个“二元”（bivariate）的VAR( p) 系统。 VAR模型的估计方法： 打开文件lutkepohl.dta。 tsset qtr 1。检验平稳性 dfuller investment dfuller linvestment dfuller dlinvestment 2。选择滞后阶数 几种不同的选择标准：最终预测误差FPE，赤池信息准则AIC，施瓦茨信息准则SBIC，汉南-昆准则HQIC。 varsoc dlinvest dlincome dl