运用stata进行时间序列分析报告报告材料

stata1时间序列模型构造模型虽然有助于人们理解变量之间的影响关系，但模型的推测精度比较低。在一些大规模的联立方程中，状况更是如此。而早期的单变量时间序列模型有较少的参数却可以得到格外准确的推测，因此随着BoxandJenkins(1984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族模型、VARVEC等。一、根本命令1.1时间序列数据的处理1)声明时间序列：tsset命令usegnp96.dta,clearlistin1/20genLgnp=L.gnptssetdatelistin1/20genppterdatetsreport,reportdropin10/10listin1/12tsreport,reporttsreport,reportlist/*列出存在断点的样本信息*/3)填充缺漏值：tsfilltsfilltsreport,tttn2dertlistin-10/-1sumtsappendadd(5)/*5*/listin-10/-1sum25)应用：样本外推测：predictreggnp96L.gnp96predictgnp_hatlistin-10/-1识：1.21)滞后项、超前项和差分项helptsvarlistusegnp96.dtacleartssetdategenLgnpL.gnp96一阶滞*/genF2gnpF2.gnp96genDgnpD.gnp96/*一阶差分*/genD2gnp=D2.gnp96listin1/10listin-10/-12)产生增长率变量：对数差分genlngnpln(gnp96)gengrowth=D.lngnpgengrowth2=(gnp96-L.gnp96)/L.gnp96gendiffgrowthgrowth2/*说明对数差分和变量的增长率差异很小*/listdategnp96lngnpgrowth*diffin1/101.3日期的处理日期的格式helptsfmt根本时点：整数数值，如-3-2-10123196011日，取值为0；3显示格式：定义含义默认格式%td日%tdDlCY%tw周%twCY!ww%tm月%tmCY!mn%tq季度%tqCY!qq%th半年%thCY!hh%ty年%tyCY1tertytB6_tsset.dta,cleartssett,weeklylist2)指定起始时点capdropmonthgeneratemonthm(1990-1)+_n-1formatmonth%tmlisttmonthin1/20capdropyeargenyear=y(1952)_n1formatyear%tylisttyearin1/203〕自己设定不同的显示格式日期的显示格式%d(%td)定义如下：%[-][t]d<描述特定的显示格式>具体工程释义：“<描述特定的显示格式>”中可包含如下字母或字符cymlndjhqw_.,：/cCYMLNDJW定义如下：candC世纪值(个位数不附加/0)yandY不含世纪值的年份(个位数不附加/0)m三个英文字母的月份简写(第一个字母大写)4M英文字母拼写的月份(第一个字母大写)nandN数字月份(个位数不附加/0)dandD一个月中的第几日(个位数不附加/0)jandJ一年中的第几日(个位数不附加/0)h一年中的第几半年(1or2)q一年中的第几季度(123or4)wandW一年中的第几周(个位数不附加/0)_displayablank(空格)displayaperiod(句号)displayacomma(逗号)：displayacolon(冒号)displayadash(短线)/displayaslash(斜线)displayaclosesinglequote(右引号)!cdisplaycharacterc(code!!todisplayanexclamationpoint)1：FormatSampledateinformat %td07jul1948%tdM_d,_CYJuly7,1948%tdY/M/D48/07/11%tdM-D-CY07-11-1948 %tqCY.q 1999.2 %tqCY:q 1992:2 %twCY,_w 2023, 48 2：FormatSampledateinformat %d11jul1948 %dDlCY 11jul1948 %dDlY 11jul48 %dM_d,_CY July 1948 %dd_M_CY 11 July 1948 %dN/D/Y 07/11/48 11/07/48 %dY/N/D 48/07/11 %dN-D-CY 07-11-1948---------------------------------- clearset obs 1005 gen t=_n +d(13feb1978)listtin1/5formatt%dCY-N-D/*1978-02-14*/listtin1/5formatt%dcy_n_d/*1978214*/listtin1/5useB6_tsset,clearlisttssett,format(%twCY-m)list4〕一个实例：生成连续的时间变量 usee1920.dta,clearlistyearmonthin1/30sortyearmonthgentime=_ntssettimelistyearmonthtimein1/30generatenewmonth=m(1920-1)time1tssetnewmonthmonthlylistyearmonthtimenewmonthin1/301.4图解时间序列1〕1：clearsetseed13579113sim_armaar2,ar(0.70.2)nobs(200)sim_armama2,ma(0.70.2)tsset_ttslinear2ma2* 亦可承受twowayline命令绘制，但较为繁琐ye2ma2t2erttslinecalories,ttick(28nov202325dec2023,tpos(in))///ttext(347028nov2023“thanks“///347025dec2023“x-mas“,orient(vert))63〕3：增加两条纵向的标示线sysusetsline2cleartssetdaytslinecaloriestline(28nov202325dec2023)*或承受twowayline命令locald1d(28nov2023)locald2d(25dec2023)linecaloriesday,xline(`d1”`d2”)4〕4：转变标签tslinecaloriestlabel(format(%tdmd))ttitle(“Date(2023)“)tslinecalories,tlabel(,format(%td))二、ARIMA模型和SARMIA模型ARIMA模型的根本思想是：将推测对象随时间推移而形成的数据序列视为一个随机序列，用肯定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来推测将来值。ARIMA(1,1)模型：ttttyyεθερα+++=�6�1�6�1112.1ARIMA根本程序：1)ADF运行的时间序列都不是平稳序列。2)长或下降趋势，则需要对数据进展差分处理，假设数据存在异方差，则需对数据进展技术处理，直处处理后的数据的自相关函数值和偏相关函数值无显著地异于零。3)是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；假设平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型；假设平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。4)5)6)利用已通过检验的模型进展推测分析。2.2ARIMAARMAclearsim_armay_arar(0.9)nobs(300)liney_ar_t,yline(0)acy_ar/*AR过程的ACF具有“拖尾”特征，长期记忆*/pacy_ar/*AR过程的PACF具有“截尾”特征*/7sim_armay_mama(0.8)liney_ma_t,yline(0)过程的*/pacy_ma/*MA过程的PACF具有锯齿型“拖尾”特征*/2.3ARIMAuse“://stata-press/data/r11/wpi1“://stata-press/data/r11/wpi1,cleartssettgend_wpiD.wpidfullerwpi/*单位根检验*/dfullerd_wpiwntestqwpi/*白噪声检验：Q*/wntestqd_wpiwntestbwpi,table/*累积统计Q列表显示*/wntestbd_wpi,tablewntestbwpi/*画出累积统计量Q*/wntestbd_wpi/*Q*/corrgramwpi,lag(24)/*自相关、偏相关、Q*/corrgramd_wpi,lag(24)2.4ARIMASARIMA模型的估量ARIMAuse“://stata-press/data/r11/wpi1“://stata-press/data/r11/wpi1,cleargend_wpi=D.wpiarimawpi,arima(1,1,1)/*noconstant*/*或者下面的这种形式也行arimaD.wpi,ar(1)ma(1)SARIMAuse “://stata-press/data/r11/air2%2Cclear“://stata-press/data/r11/air2,clear line air generatelnair=ln(air)arimalnair,arima(0,1,1)sarima(0,1,1,12)noconstant2.5ARIMAuse“://stata-press/data/r11/wpi1“://stata-press/data/r11/wpi1,cleardfullerwpi/*单位根检验*/gend_wpiD.wpidfullerd_wpi8arimawpi,arima(1,1,1)/*noconstant*/*或者下面的这种形式也行arimaD.wpi,ar(1)ma(1)acD.ln_wpi,ylabels(-.4(.2).6)pacD.ln_wpi,ylabels(-.4(.2).6)arimaD.ln_wpi,ar(1)ma(1/4)estatic/*LL越大越好,AIC和BIC越小越好*/arimaD.ln_wpi,ar(1)ma(14)/*季节效应*/estatic*残差检验predictr,reswntestqr/*白噪声检验：Q*/wntestbr,table/*Q*/wntestbr/*画出Q*/corrgramr,lag(24)/*自相关、偏相关、Q*/*样本内推测predicty_hat0/*y值*/*样本外推测listin-15/-1tsappendadd(8)listin-15/-1predicty_hat1/*y 的样本外一步推测值*/listin-15/-1genDln_wpiD.ln_wpisumpredicty_hat_dy0dynamic(124)/*动态推测*/predicty,y/*对未差分变量的推测*/predictfy,ydynamic(124)genfwpi=exp(fy)/*wpi*/genywpi=exp(y)linewpifwpiywpitin-20/-19ARCH模型传统的计量经济学对时间序列变量的其次个假设：假定时间序列变量的波动幅度〔方差〕是固定的，不符合实际，比方，人们早就觉察股票收益的波动幅度是随时间而变化的，并格外数。这使得传统的时间序列分析对实际问题并不有效。但是ARCH模型能准确地模拟时间序列变量的波动性的变化，它在金融工应用在风险价值〔VALUEATRISK〕理论中，在华尔街是人尽皆知的工具。所谓ARCH模型，依据英文直译是自回归条件异方差模型。粗略地说，该模型将当前一切可利用信息作为条件，并承受某种自回归形式来刻划方差的变异，对于一个时间序列而言，在不同时刻可利用的信息不同，而相应的条件方差也不同，利用ARCH模型，可以刻划出随时间而变异的条件方差。ARCH(m)模型：〔条件方差)〔条件平均值)222221102mtmttttttxy�6�1�6�1�6�1++++=+=εγεγεγγσεβ 其中，2ε是残差平方和〔波动率)是模型的系数2222211222221102ktkttmtmttttttxy�6�1�6�1�6�1�6�1�6�1�6�1++++++++=+=σδσδσδεγεγεγγσεβ 其中，iγ是ARCH模型的系数；iδ是GARCH数3.1ARCH模型应用例子：.use“://stata-press/data/r11/wpi1%2Cclear“://stata-press/data/r11/wpi1,clear.regressD.ln_wpiSource|SSdfMSNumberofobs=123-------------+------------------------------F(0,122)=0.00Model|00.Prob>F=.Residual|.02521709122.000206697R-squared = 0.0000 -------------+------------------------------ AdjR-squared=0.0000Total|.02521709122.000206697RootMSE= .01438D.ln_wpi|Coef.Std.Err.tP>|t|[95%Conf.Interval]-------------+---------------------------------------------------------------- _cons | .0108215 .0012963 8.35 0.000 .0082553 .013387810.estatarchlm,lags(1)LMtestforautoregressiveconditionalheteroskedasticity(ARCH)lags(p)| chi2 df Prob > chi2-------------+-------------------------------------------------------------1|8.366 1 0.0038 ：noARCHeffectsvs.H1：ARCH(p)disturbance通过对WPILMARCH(1)效应,在该例子中，检验的结果PROBCHI2＝0.0038<0.05，所以拒绝没有ARCH(1)ARCH(1ARCH(1)的系数。.archD.ln_wpi,arch(1)garch(1)ARCHfamilyregressionSample：1960q2-1990q4Numberofobs=123Distribution：GaussianWaldchi2(.)= . Log likelihood = 373.234 Prob > chi2 = . OPGD.ln_wpi|Coef.Std.Err.zP>|z|[95%Conf.Interval]-------------+----------------------------------------------------------------ln_wpi|_cons|.0061167.0010616 5.760.000.0040361.0081974-------------+----------------------------------------------------------------ARCH|arch|L1.|.4364123.24374281.790.073-.0413147.9141394|garch|L1.|.4544606.1866605 2.430.015.0886126.8203085 |_cons| .0000269 .0000122 2.20 0.028 2.97e-06 .0000508这样，我们就可以估量出了 ARCH(1)的系数是 0.436,GARCH(1)的系数是0.454,所以我们可以拟合出GARCH(1,1)模型：ε)ln()ln(1�6�1�6�1=tttwpiwpiy其中，接下来我们可以对变量的进展推测：predicty,y/*对未差分变量的推测*/predictvariance,var/*对条件方差的推测*/predictres,residuals/*对差分变量残差的推测*/predictyres,yresiduals/*对未差分变量残差的推测*/ARCH模型确实定以及检验例子：use“://stata-press/data/r11/wpi1%2Cclear“://stata-press/data/r11/wpi1,clear*-检验ARCH效应是否存在：archlm命令regressD.ln_wpiarchlmlag(1/20)regressD.ln_wpiL(1/3).D.ln_wpiarchlm,lag(1/20)图形法——自相关函数图(ac)regD.ln_wpipredicte,resgene2=e^2ace2,lag(40)gendlnwpi=D.ln_wpigendlnwpi2=dlnwpi^2acdlnwpi2,lag(40)*-推测值archD.ln_wpiarch(1/4)predicthtvariance/**/*htca_1*e2_t-1a_2*e2_t-2a_5*e2_t-5linehttpredictetresidual均值方程的残差*/*-模型的评估*根本思想：假设模型设定是适宜的，那么标准化残差*z_te_t/sqrt(h_t)应为一个ARCHgenztet/sqrt(ht)/*标准化残差*/genzt2zt^2/*标准化残差的平方*/12*序列相关检验pacztcorrgramzt/*Ljung-Box统计量*/paczt2corrgramzt2*布检验histogramztnormalwntestbztwntestbzt2*评论：均值方程的设定可能需要改进，由于zt仍旧表现出明显的序列相关。条件方差方程的设定根本满足要求，zt2不存在明显的序列相关。ARIMAARCH模型我们可以对条件方差模型保持ARCH(1,1)模型而均值模型承受ARMA过程的自回归一阶和移动平均一阶农以及移动平均四阶来掌握季节影响：.use“://stata-press/data/r11/wpi1%2Cclear“://stata-press/data/r11/wpi1,clear.archD.ln_wpi,ar(1)ma(14)arch(1)ARCHfamilyregression--ARMAdisturbancesSample：1960q2-1990q4Numberofobs=123Distribution：GaussianWaldchi2(3)= 153.56 Log likelihood = 399.5144 Prob > chi2 = 0.0000 OPGD.ln_wpi|Coef.Std.Err.zP>|z|[95%Conf.Interval]-------------+----------------------------------------------------------------ln_wpi|_cons|.0069541.0039517 1.760.078-.000791.0146992-------------+----------------------------------------------------------------ARMA|ar|L1.|.7922673.10722257.390.000.5821151.002419|ma|L1.| -.3417738| .2451725

.1499944

-2.28 0.023 -.6357574 -.0477902 L4.1.96 0.050 -.0000446 .4903896ARCH|13arch|L1.|.2040451.12449921.640.101-.039969.4480591|garch|L1.|.694968.1892183.670.000.32410751.065829|_cons| .0000119 .0000104 1.14 0.253 -8.52e-06 .0000324