stata操作介绍之时间序列-四资料讲解.ppt

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 他变量影响的条件下，所计算的某两变量之 间的相关系数。交叉相关是分析两个时间序 列之间的关系。 注：本部分继续使用 ch52.dta 数据 。 自相关分析 自相关表： . corrgram fylltemp ,lags(9) 说明 : 大多数 P 值都小于 0.05 ，故认为 fylltemp 具有显著的自相 关性；相关关系或偏相关关系越强，相应的线条越长； 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： . p