时间序列模型分析报告地各种stata命令.pdf

实用文档 时间序列模型 结构模型虽然有助于人们理解变量之间的影响关系， 但模型的预测精度比较 低。在一些大规模的联立方程中， 情况更是如此。 而早期的单变量时间序列模型 有较少的参数却可以得到非常精确的预测，因此随着 Box and Jenkins(1984) 等 奠基性的研究， 时间序列方法得到迅速发展。 从单变量时间序列到多元时间序列 模型，从平稳过程到非平稳过程， 时间序列分析方法被广泛应用于经济、 气象和 过程控制等领域。 本章将介绍如下时间序列分析方法， ARIMA模型、ARCH族模型、 VAR模型、 VEC模型、单位根检验及协整检验等。 一、基本命令 1.1 时间序列数据的处理 1) 声明时间序列： tsset 命令 use gnp96.dta, clear list in 1/20 gen Lgnp = L.gnp tsset date list in 1/20 gen Lgnp = L.gnp 2) 检查是否有断点： tsreport, report use gnp96.dta, clear tsset date tsreport, report drop in 10/10 list in 1/12 tsreport, report tsreport, report list /* 列出存在断点的样本信息 */ 3) 填充缺漏值： tsfill tsfill tsreport, report list list in 1/12 4) 追加样本： tsappend use gnp96.dta, clear tsset date list in -10/-1 sum tsappend , add(5) /* 追加 5 个观察值 */ list in -10/-1 sum 标准文案 实用文档 5) 应用：样本外预测 : predict reg gnp96 L.gnp96 predict gnp_hat list in -10/-1 6) 清除时间标识 : tsset, clear tsset, clear 1.2 变量的生成与处理 1) 滞后项、超前项和差分项 help tsvarlist use gnp96.dta, clear tsset date gen Lgnp = L.gnp96 /* 一阶滞后 */ gen L2gnp = L2.gnp96 gen Fgnp = F.gnp96 /* 一阶超前 */ gen F2gnp = F2.gnp96 gen Dgnp = D.gnp96 /* 一阶差分 */ gen D2gnp = D2.gnp96 list in 1/10 list in -10/-1 2) 产生增长率变量 : 对数差分 gen lngnp = ln(gnp96) gen growth = D.lngnp gen growth2 = (gnp96-L.gnp96)/L.gnp96 gen diff = growth - growth2 /* 表明对数差分和变量的增长率差别很小 */ list date gnp96 lngnp growth* diff in 1/10 1.3 日期的处理 日期的格式 help tsfmt 基本时点：整数数值，如