stata一阶自回归线性插值

16.1（同比增长％）17.7（同比增长％）步骤：1、 用命令tssetyear设置年份为时间变量2、 用命令tslinex可以绘制x对时间的折线图如下图所示：UiLGraph-Graph可以看出x的时间趋势近似为线性，用命令genlnx=log（x）对x取对数，再用命令tslinelnx20142010 2012yearFileEditObject■GraphToolsHelp绘制lnx的时间趋势图，如下图所示1此Graph-Graph用命令gendlnx=D.lnx，即dlnx为lnx的一阶差分，用一阶自回归模型（AR（1））预测未来值：regdlnxl.dlnxifyear<2016,r结果如下：LinearregressionNumber□£ots=7F(lrS)=0.35Erot>F=0.5773R-sqaared二0.0776RootMSE=.12708Robust3匚以.Err.t P>|t|dimeLl.・290355・4B745440.600.577-.96268631.543396cons.1457074.13512821.080.330-.2016507.4930655p值非常大，即很不显著，这个拟合方程不能预测未来的x（可能和x和lnx都不是指数趋

势有关，做差分和滞后损失样本数据太多，本来样本数据就少，导致不显著）。再用lnx的一阶自回归模型计算一遍：reglnxl.lnxifyear<2016,r，得到结果如下：显著性比dlnx好多了，.reqInz1.Inzifv已己r<2016,rLinearregressioiiMma±>erofai>s=8=195.35Frat>F=0.0000R-Btj'j.ared=0.9S32RootMSE=.1153&1D.KCoef.EtobnstStd..Err.tF>|t|:35%Sonf.Interval；1TLMZL..357^113.0€B514213.9Sc.coc1.12525?cons.5524894.58978950.940.3858^Dfi7351.995652再用x的一阶自回归模型即x=0+0x+8做OLS回归：regxl.xifyear<2016,r，结果t0 1t-1 t如下：rags:1.s:ifyear<20161rLinearNunibex□£oLs8FL6>=329.71Prob>F=0.0000R-squared=0.D69DRqqGmse=527.9KRobustP>lt|[95^Conf.Interval]Co&f.5td.Err.tKLl.1.077286.05S328410.160.000.93211451.222457acrns5S5.4054375.37251.550.171-338.S8271517.701这个估计结果更好，可得估计方程为：f=589.4094+1.077286x】用命令predictxh显示拟合值（将拟合值记为xh），如下图所示:

year1-LIttkdlrucxh.20071880.SI7.53929S2ieso_5i2008Z198.287.69543052138.28T— 〜J™..T-n,».-Jbt!±dj£.Z£2615.25€4£009Z344.337.75975432344-33-064324412957-565C2Q1Q3320.21S.1077S33.34日日跆3320114521.948.41S=S9644521-94=.3089130741SS.225琵g.57a.7541555335.575450.S31S20127S73.378.93239347E72.27.138320148434.S99.04009S48434.59-1077029S8748.094€201S9425.24924=.111050093675.8743Z01€115B49.357377511583.97.2062310510743.088可以看出xh’高估了x,用上述估计方程计算2017年的预测值为:dis589.409