運(yùn)用進(jìn)行時(shí)間序列分析11、1、1定義時(shí)間序列在stata中得實(shí)現(xiàn)在進(jìn)行時(shí)間序列得分析之前,首先要定義變量為時(shí)間序列數(shù)據(jù)。只有定義之后,才能對變量使用時(shí)間序列運(yùn)算符號(hào),也才能使用時(shí)間序列分析得相關(guān)命令。定義時(shí)間序列用tsset命令,其基本命令格式為:tssettimevar[,options]其中,timevar為時(shí)間變量。Options分為兩類,或者定義時(shí)間單位,或者定義時(shí)間周期(即timevar兩個(gè)觀測值之間得周期數(shù))。Options得相關(guān)描述如表11-1所示。注:(1)units表示時(shí)間單位,對于%tc,允許得時(shí)間單位包括:second、seconds、secs、secs、minutes、minute、mine、min、hours、hour、days、weeks、week。對于其她%t得格式,Stata自動(dòng)獲得其時(shí)間單位,delta選項(xiàng)經(jīng)常與%tc格式一起使用。時(shí)間單位格式說明Clocktimetimevar得格式為%tc,0=1jan196000:00:00、000,1=1jan196000:00:00、001即0代表1960年1月1日得第一秒,1為1960年1月1日得第二秒,依次后推。dailytimevar得格式為%td,0=1jan1960,1=2jan1960;即0為1960年第一天,1為1960年第二天,依次后推。weeklytimevar得格式為%tw,0=1960w1,1=1960w2;即0為1960年第一周,1為1960年第二周,依次后推。monthlytimevar得格式為%tm,0=1,1=;即0為1960年第一月,1為1960年第二月,依次后推。quarterlytimevar得格式為%tq,0=1960q1,1=1960q2;即0為1960年第一季,1為1960年第二季,依次后推。harfyearlytimevar得格式為%th,0=1960h1,1=1960h2;即0為從1960起得第一個(gè)半年,1為從1960年起第二個(gè)半年,依次后推。yearlytimevar得格式為%ty,1960=1960,1961=1960generictimevar得格式為%tgformat(%fmt)用戶定義得其她時(shí)間周期

例子delta(#)例如delta(1)或delta(2)delta((exp))例如delta((7*24))delta(#units)例如delta(7days)或delta(15minutes)或delta(7days15minutes)。見注(1)delta((exp)units)例如delta((2+3)weeks)可以通過以下三種方式來定義時(shí)間序列。例如,想要生成格式為%td得時(shí)間序列,并定義該時(shí)間序列為t,則可以用以下三種方法:

方法1

方法2

方法3formatt%tdtssetttssett,dailytssett,format(%td)【例11、1】使用文件“cpi、dta”得數(shù)據(jù)來對tsset命令得應(yīng)用進(jìn)行說明。該例子就是我國1983年1月年至2007年8月得居民消費(fèi)價(jià)格指數(shù)CPI。部分?jǐn)?shù)據(jù)如表11-2所示:表11-2我國居民消費(fèi)價(jià)格指數(shù)CPIYearmonthcpi19831100、619832100、919833100、919834100、419835101、219836101、919837100、911、1、2對時(shí)間序列進(jìn)行修勻時(shí)間序列得形成就是各種不同得因素對事物得發(fā)展變化共同起作用得結(jié)果。這些因素概括起來可以歸納為四類:長期趨勢因素、季節(jié)變動(dòng)因素、循環(huán)變動(dòng)因素和不規(guī)則變動(dòng)因素。時(shí)間序列構(gòu)成分析就就是要觀察現(xiàn)象在一個(gè)相當(dāng)長得時(shí)期內(nèi),由于各個(gè)影響因素得影響,使事物發(fā)展變化中出現(xiàn)得長期趨勢、季節(jié)變動(dòng)、循環(huán)變動(dòng)和不規(guī)則變動(dòng)。通過測定和分析過去一段時(shí)間之內(nèi)現(xiàn)象得發(fā)展趨勢,可以認(rèn)識(shí)和掌握現(xiàn)象發(fā)展變化得規(guī)律性,為統(tǒng)計(jì)預(yù)測提供必要得條件,同時(shí)也可以消除原有時(shí)間序列中長期趨勢得影響,更好地研究季節(jié)變動(dòng)和循環(huán)變動(dòng)等問題。測定和分析長期趨勢得主要方法就是對時(shí)間序列進(jìn)行修勻。數(shù)據(jù)=修勻部分+粗糙部分,運(yùn)用Stata進(jìn)行修勻使用tssmooth命令,其基本命令格式如下所示:tssmoothsmoother[type]newvar=exp[if][in][,、、、]其中smoother[type]有一系列目錄,如下表11-4所示:平滑得種類smoother[type]移動(dòng)平均不加權(quán)ma加權(quán)ma遞歸單指數(shù)過濾器exponential雙指數(shù)過濾器dexponential非季節(jié)性Holt-Winters修勻hwinters季節(jié)性Holt-Winters修勻shwinters非線性過濾器nl【例11、2】繼續(xù)使用上例得數(shù)據(jù)來對tssmooth命令得應(yīng)用進(jìn)行說明。在本例中對該組數(shù)據(jù)進(jìn)行修勻,以便消除不規(guī)則變動(dòng)得影響,得到時(shí)間序列長期趨勢,本例修勻得方法就是利用之前得1個(gè)月和之后得2個(gè)月及本月進(jìn)行平均。大家有疑問的，可以詢問和交流可以互相討論下，但要小聲點(diǎn)11、2ARIMA模型得估計(jì)、單位根與協(xié)整時(shí)間序列模型一般分為四類,分別就是自回歸過程、移動(dòng)平均過程、自回歸移動(dòng)平均過程、單整自回歸移動(dòng)平均過程。1、

自回歸過程如果一個(gè)剔出均值和確定性成分得線性過程可表達(dá)為xt=

1xt-1+

2xt-2+…+

pxt-p+ut其中

i,i=1,…p就是自回歸參數(shù),ut

就是白噪聲過程,則稱xt為p階自回歸過程,用AR(p)表示。xt就是由她得p個(gè)滯后變量得加權(quán)和以及ut相加而成。2、移動(dòng)平均過程如果一個(gè)剔出均值和確定性成分得線性隨機(jī)過程可用下式表達(dá)xt

=ut+

1ut–1+

2ut-2+…+

qut–q

其中

1,

2,…,

q就是回歸參數(shù),ut為白噪聲過程,則上式稱為q階移動(dòng)平均過程,記為MA(q)。3、自回歸移動(dòng)平均過程由自回歸和移動(dòng)平均兩部分共同構(gòu)成得隨機(jī)過程稱為自回歸移動(dòng)平均過程,記為ARMA(p,q),其中p,q分別表示自回歸和移動(dòng)平均部分得最大階數(shù)。ARMA(p,q)得一般表達(dá)式就是

xt=

1xt-1+

2xt-2+…+

pxt-p+ut+

1ut-1+

2ut-2+、、、+

qut-q4、單整自回歸移動(dòng)平均過程對于ARMA過程(包括AR過程),如果特征方程

(L)=0得全部根取值在單位圓之外,則該過程就是平穩(wěn)得;如果若干個(gè)或全部根取值在單位圓之內(nèi),則該過程就是強(qiáng)非平穩(wěn)得。除此之外還有第三種情形,即特征方程得若干根取值恰好在單位圓上。這種根稱為單位根,這種過程也就是非平穩(wěn)得。若隨機(jī)過程yt經(jīng)過d次差分之后可變換為一個(gè)以

(L)為p階自回歸算子,

(L)為q階移動(dòng)平均算子得平穩(wěn)、可逆得隨機(jī)過程,則稱yt為(p,d,q)階單整(單積)自回歸移動(dòng)平均過程,記為ARIMA(p,d,q)。11、2、1時(shí)間序列相關(guān)性檢驗(yàn)得stata實(shí)現(xiàn)在進(jìn)行arima分析前,對序列得特征應(yīng)該有相應(yīng)得了解。包括自相關(guān)圖,偏自相關(guān)圖和Q統(tǒng)計(jì)量。自相關(guān)刻畫她序列

得鄰近數(shù)據(jù)之間存在多大程度得相關(guān)性。偏自相關(guān)度量得就是k期間距得相關(guān)而不考慮k-1期得相關(guān)。p階滯后得Q-統(tǒng)計(jì)量得原假設(shè)就是:序列不存在p階自相關(guān);備選假設(shè)為:序列存在p階自相關(guān)。在Stata中實(shí)現(xiàn)相關(guān)性檢驗(yàn)得基本命令格式如下所示:命令格式1(做出自相關(guān)和偏自相關(guān)圖):corrgramvarname[if][in][,corrgram_options]命令格式2(做出自相關(guān)圖):acvarname[if][in][,ac_options]命令格式3(做偏自相關(guān)圖):pacvarname[if][in][,pac_options]以上三個(gè)命令格式得選項(xiàng)得相關(guān)描述分別如表11-5、11-6、11-7所示:表11-5corrgram_options得相關(guān)描述

表11-6ac_options得相關(guān)描述表11-7ac_options得相關(guān)描述主要選項(xiàng)描述lags(#)*滯后階數(shù)noplot不進(jìn)行作圖yw通過Yule-Walker方程組,計(jì)算偏自相關(guān)PAC主要選項(xiàng)描述lags(#)*滯后階數(shù)generate(newvar)生成新變量,默認(rèn)不做圖level(#)置信度,默認(rèn)95%fft通過傅里葉轉(zhuǎn)化計(jì)算AC主要選項(xiàng)描述lags(#)*滯后階數(shù)generate(newvar)level(#)生成新變量,默認(rèn)不做圖置信度,默認(rèn)95%yw通過Yule-Walker方程組,計(jì)算偏自相關(guān)PAC【例11、3】使用表11-8得數(shù)據(jù)來對Stata中自相關(guān)與偏自相關(guān)得應(yīng)用進(jìn)行說明。該數(shù)據(jù)給出了中國1953-1984年得國民生產(chǎn)總值GNP、私人國內(nèi)總投資I、GNP得隱性價(jià)格折算因子P(以1972為基期)、半年期商業(yè)票據(jù)利率R。在本例中我們對GNP時(shí)間序列進(jìn)行分析,觀察期相關(guān)圖和自相關(guān)圖,從而得到GNP時(shí)間序列得類型。部分?jǐn)?shù)據(jù)說明下表所示。年份中國GNP私人國內(nèi)總投資GNP得隱性價(jià)格折算因子(1972=1)半年期商業(yè)票據(jù)利率1953623、685、30、5882、521954616、183、10、5961、591955657、5103、80、6082、191956671、6102、60、6283、311957683、8970、6493、821958680、987、50、662、471959721、71080、6763、9611、2、2時(shí)間序列穩(wěn)定性檢驗(yàn)得stata實(shí)現(xiàn)檢驗(yàn)序列得平穩(wěn)性,可以用phillips-perron檢驗(yàn),dickey-fuller檢驗(yàn),以及應(yīng)用GLS擴(kuò)展得dickey-fuller檢驗(yàn)。其基本命令格式如下:命令格式1(dickey-fuller檢驗(yàn)):dfullervarname[if][in][,option]命令格式2(GLS擴(kuò)展得dickey-fuller檢驗(yàn)):dfglsvarname[if][in][,options]命令格式3(phillips-perron檢驗(yàn)):pperronvarname[if][in][,options]以上三個(gè)命令格式得選項(xiàng)得相關(guān)描述分別如表11-10、11-11、11-12所示:表11-10dickey-fuller檢驗(yàn)options得相關(guān)描述表11-11GLS擴(kuò)展得dickey-fuller檢驗(yàn)options得相關(guān)描述表11-12phillips-perron檢驗(yàn)檢驗(yàn)options得相關(guān)描述主要選項(xiàng)描述noconstant沒有截?fù)?jù)項(xiàng)trend包括時(shí)間趨勢drift包括漂移項(xiàng)regress

顯示回歸結(jié)果lags(#)滯后階數(shù)主要選項(xiàng)描述maxlag(#)最大滯后階數(shù)notrend沒有時(shí)間趨勢ers利用插值法計(jì)算臨界值主要選項(xiàng)描述noconstant沒有截?fù)?jù)項(xiàng)trendregress有趨勢項(xiàng)顯示回歸結(jié)果lags(#)最大滯后階數(shù)【例11、4】繼續(xù)使用上例得數(shù)據(jù)來對Stata中平穩(wěn)性檢驗(yàn)得相關(guān)應(yīng)用進(jìn)行說明。這里要求使用dickey-fuller檢驗(yàn)、GLS擴(kuò)展得dickey-fuller檢驗(yàn)和phillips-perron檢驗(yàn)三種方法,對GNP得一階差分進(jìn)行平穩(wěn)性檢驗(yàn)。11、2、3ARIMA模型得stata實(shí)現(xiàn)時(shí)間序列得自回歸移動(dòng)平均法可就是通過使用arima命令來實(shí)現(xiàn)。其基本命令格式如下:arimadepvar[indepvars][if][in][weight][,options]在使用arima模型前,需要先檢驗(yàn)數(shù)據(jù)得平穩(wěn)性和相關(guān)性,然后經(jīng)過判斷才能使用。主要選項(xiàng)描述noconstant沒有截?fù)?jù)項(xiàng)Arima(#p,#d,#q)Arima(p,d,q)模型Ar(numlist)Ar得滯后階數(shù)Ma(numlist)

Ma得滯后階數(shù)Constraints(constraints)線性約束collinear保留多重共線性變量Sarima(#p,#d,#q,#s)季節(jié)arima模型Mar(numlist,#s)季節(jié)ar得滯后階數(shù)Mma(numlist,#s)季節(jié)ma得滯后階數(shù)【例11、5】使用表11-14得數(shù)據(jù)來對Stata中ARIMA模型得相關(guān)應(yīng)用進(jìn)行說明。該表給出了某地區(qū)每年得年度總?cè)丝跀?shù)。部分?jǐn)?shù)據(jù)如下:年份年底總?cè)丝跀?shù)(萬人)19495416719505519619515630019525748219535879619546026619556146519566282819576465319586599419596720711、3VAR與VEC模型得估計(jì)及解釋1、VAR模型得階數(shù)選擇在Stata中VAR模型階數(shù)選擇得實(shí)現(xiàn),就是通過如下基本命令來實(shí)現(xiàn)得:depvarlist[if][in][,preestimation_options]主要選項(xiàng)描述maxlag(#)最高滯后階數(shù);默認(rèn)就是滯后4期exog(varlist)外生變量constraints(constraints)對外生變量得線性約束noconstant

沒有常數(shù)項(xiàng)level(#)置信度,默認(rèn)95%separator(#)分割線2、構(gòu)建VAR模型在Stata中構(gòu)建VAR模型得實(shí)現(xiàn),就是通過如下基本命令來實(shí)現(xiàn)得:vardepvarlist[if][in][,options]主要選項(xiàng)描述模型1noconstant沒有常數(shù)項(xiàng)lags(numlist)VAR滯后階數(shù)

exog(varlist)

外生變量模型2

constraints(numlist)線性約束

nolog

不顯示迭代過程

noisure一步迭代dfk自由度調(diào)節(jié)small小樣本t,f統(tǒng)計(jì)量報(bào)告結(jié)果level(#)置信度3、平穩(wěn)性條件考察在Stata中VAR模型平穩(wěn)性條件考察得實(shí)現(xiàn),就是通過如下基本命令來實(shí)現(xiàn)得:varstable[,options]主要選項(xiàng)描述estimates(estname)考察VAR(estname)得平穩(wěn)性graph對伴隨矩陣得特征值作圖dlabel將特征值標(biāo)記為到單位圓得距離4、殘差得正態(tài)性和自相關(guān)檢驗(yàn)在Stata中VAR模型殘差得正態(tài)性和自相關(guān)檢驗(yàn)得實(shí)現(xiàn),就是通過如下基本命令來實(shí)現(xiàn)得:varnorm[,options]主要選項(xiàng)描述jberastatisticsJarque-Bera統(tǒng)計(jì)量skewness偏度kurtosis峰度estimates(estname)cholesky

已估計(jì)得var名稱使用Cholesky分解separator(#)分割線5、格蘭杰因果檢驗(yàn)在Stata中VAR模型格蘭杰因果檢驗(yàn)得實(shí)現(xiàn),就是通過如下基本命令來實(shí)現(xiàn)得:vargranger[,estimates(estname)separator(#)]6、脈沖分析(1)irf文件得創(chuàng)建、顯示、激活和清除VAR模型脈沖分析得實(shí)現(xiàn),首先就是要?jiǎng)?chuàng)建irf文件。在Stata中就是通過如下基本命