與時間序列相關(guān)的STATA_命令及其統(tǒng)計(jì)量的解析

1、與時間序列相關(guān)的STATA 命令及其統(tǒng)計(jì)量的解析殘差U 序列相關(guān)： DW 統(tǒng)計(jì)量針對一階自相關(guān)的（高階無效） STATA 命令： 1.先回歸 2.直接輸入dwstat 統(tǒng)計(jì)量如何看：查表 Q 統(tǒng)計(jì)量針對高階自相關(guān)correlogram-Q-statistics STATA 命令： 1 先回歸reg 2 取出殘差predict u,residual(不要忘記逗號)3 wntestq u Q 統(tǒng)計(jì)量如何看：p 值越?。ㄔ浇咏?）Q 值越大 表示存在自相關(guān) 具體自相關(guān)的階數(shù)可以看自相關(guān)系數(shù)圖和偏相關(guān)系數(shù)圖： STATA 命令： 自相關(guān)系數(shù)圖: ac u( 殘差) 或者窗口操作在 Graphics T

2、ime-series graphs correlogram(ac) 偏相關(guān)系數(shù)圖: pac u 或者窗口操作在GraphicsTime-series graphs (pac) 自相關(guān)與偏相關(guān)系數(shù)以及Q 統(tǒng)計(jì)量同時表示出來的方法： corrgram u 或者是窗口操作在 StatisticsTime-seriesGraphs Autocorrelations&Partial autocorrelations LM 統(tǒng)計(jì)量針對高階自相關(guān) STATA 命令： 1 先回歸reg 2 直接輸入命令 estate bgodfrey,lags(n) 或者窗口操作 在 Statistics Poste

3、stimation(倒數(shù)第二個)Reports and Statistics(倒數(shù)第二個) 在里面選擇 Breush-Godfrey LM（當(dāng)然你在里面還可以找到方差膨脹因子還有DW 統(tǒng)計(jì)量等常規(guī)統(tǒng)計(jì)量） LM 統(tǒng)計(jì)量如何看：P 值越?。ㄔ浇咏?0）表示越顯著（顯著拒絕原假設(shè)），存在序列相關(guān) 具體是幾階序列相關(guān)，你可以把滯后期寫為幾，當(dāng)然默認(rèn)是 1，（通常的方法是先看圖，上面說的自相關(guān)和偏相關(guān)圖以及Q 值，然后再利用LM 肯定）。 平穩(wěn)時間序列存在自相關(guān)的問題的解決方案殘差出現(xiàn)序列相關(guān)的補(bǔ)救措施： 1、一階自相關(guān) :最近簡單的方法是用AR(1)模型補(bǔ)救，就是在加一個殘差的滯后項(xiàng)即可。 2、高階

4、的自相關(guān):用AR(n)模型補(bǔ)救。 AR 模型的識別與最高階數(shù)的確定： 可通過自相關(guān)系數(shù)來獲得一些有關(guān) AR(p) 模型的信息，如低階 AR(p) 模型系數(shù)符號的信息。但是，對于自回歸過程AR(p)，自相關(guān)系數(shù)并不能幫助我們確定 AR(p) 模型的階數(shù) p。所以，可以考慮使用偏自相關(guān)系數(shù)jk,k，以便更加全面的描述自相關(guān)過程AR(p)的統(tǒng)計(jì)特征。 且對于一個AR(p) 模型，jk,k 的最高階數(shù)為p，也即AR(p) 模型的偏自相關(guān)系數(shù)是 p 階截尾的。因此，可以通過識別AR(p)模型的偏自相關(guān)系數(shù)的個數(shù)，來確定 AR(p) 模型的階數(shù) p，進(jìn)而設(shè)定正確的模型形式，并通過具體的估計(jì)方法估計(jì)出AR(

5、p) 模型的參數(shù)。 如果AR(p)還解決不了則進(jìn)一步使用：MA(q)模型，以及ARMA(p,q)模型 。1、MA(q) MA(q) 的偏自相關(guān)系數(shù)的具體形式隨著 q 的增加變得越來越復(fù)雜，很難給出一個關(guān)于 q 的一般表達(dá)式，但是，一個MA(q) 模型對應(yīng)于一個AR() 模型。因此，MA(q) 模型的偏自相關(guān)系數(shù)一定呈現(xiàn)出某種衰減的形式是拖尾的。故可以通過識別一個序列的偏自相關(guān)系數(shù)的拖尾形式，大致確定它應(yīng)該服從一個MA(q) 過程。 2、ARMA(p,q)就是既含有AR 項(xiàng)又含有MA 項(xiàng)。 我們引入了自相關(guān)系數(shù)和偏自相關(guān)系數(shù)這兩個統(tǒng)計(jì)量來識別 ARMA(p,q) 模型的系數(shù)特點(diǎn)和模型的階數(shù)。但是

6、，在實(shí)際操作中，自相關(guān)系數(shù)和偏自相關(guān)系數(shù)是通過要識別序列的樣本數(shù)據(jù)估計(jì)出來的，并且隨著抽樣的不同而不同，其估計(jì)值只能同理論上的大致趨勢保持一致，并不能精確的相同。因此，在實(shí)際的模型識別中，自相關(guān)系數(shù)和偏自相關(guān)系數(shù)只能作為模型識別過程中的一個參考，并不能通過它們準(zhǔn)確的識別模型的具體形式。具體的模型形式，還要通過自相關(guān)和偏自相關(guān)系數(shù)給出的信息，經(jīng)過反復(fù)的試驗(yàn)及檢驗(yàn)，最終挑選出各項(xiàng)統(tǒng)計(jì)指標(biāo)均符合要求的模型形式。 注：無論采取什么樣的方式，只要能夠把殘差中的序列相關(guān)消除掉，又不會引入新的問題，這樣的模型就是最優(yōu)模型。 與平穩(wěn)性檢驗(yàn)相關(guān)的STATA命令及其統(tǒng)計(jì)量解析（P212 張曉峒）白噪聲檢驗(yàn)： 1.

7、 Q 檢驗(yàn) wntestq var ，lag(n) 2.Bartlett 檢驗(yàn) wntestb var ，table（表示結(jié)果以列顯示，而不做圖。不加 table 就以圖形的方式現(xiàn)實(shí)） 或者在StatisticsTime-seriesTESTBartlett 檢驗(yàn)（第四個） 畫密度圖： 1、 概率密度圖 命令：pergram var ,generate(新變量名字) 將概率密度的圖上所生成的值生成并儲存在新變量里，這個不是必須的，只是為了日后方便。 窗口：StatisticsTime-seriesGraphsPeriodogram(第五個) 2 累積分布函數(shù)圖 命令：cumsp var ,ge

8、nerate(新變量名字) 解釋同上，并且這個生成新變量的功能似乎只能通過命令完成。 窗口：StatisticsTime-seriesGraphsCumulative Spectral distribution 單位根檢驗(yàn)（219） 1、 Dickey-Fuller 檢驗(yàn) 命令：dfuller var (,lags(#)/trend/noconstant/regress/)對變量做ADF 檢驗(yàn)可以加滯后期或趨勢項(xiàng)或不含常數(shù)項(xiàng)等等這些取決于你的模型。 窗口：StatisticsTime-seriesTESTADF 單位根檢驗(yàn)（第一個）在里面你也可以選擇滯后期數(shù)，常數(shù)項(xiàng)等等。 如何看結(jié)果：原假設(shè)為

9、：至少存在一個單位根；備選假設(shè)為：序列不存在單位根。 如果統(tǒng)計(jì)量小于后面的顯著性水平給出的值且P 值很大有單位； 如果統(tǒng)計(jì)量大于后面的顯著性水平給出的值且 P 值很小無單位根 ADF 檢驗(yàn)需要注意的地方： （1）必須為回歸定義合理的滯后階數(shù)，通常采用AIC 準(zhǔn)則來確定給定時間序列模型的滯后階數(shù)。在實(shí)際應(yīng)用中，還需要兼顧其他的因素，如系統(tǒng)的穩(wěn)定性、模型的擬合優(yōu)度等。 （2）可以選擇常數(shù)和線性時間趨勢，選擇哪種形式很重要，因?yàn)闄z驗(yàn)顯著性水平的 t 統(tǒng)計(jì)量在原假設(shè)下的漸進(jìn)分布依賴于關(guān)于這些項(xiàng)的定義。 如果在檢驗(yàn)回歸中含有常數(shù)，意味著所檢驗(yàn)的序列的均值不為 0，一個簡單易行的辦法是畫出檢驗(yàn)序列的曲線圖

10、，通過圖形觀察原序列是否在一個偏離 0 的位臵隨機(jī)變動，進(jìn)而決定是否在檢驗(yàn)時添加常數(shù)項(xiàng)； 如果在檢驗(yàn)回歸中含線性趨勢項(xiàng)，意味著原序列具有時間趨勢。同樣，決定是否在檢驗(yàn)中添加時間趨勢項(xiàng)，也可以通過畫出原序列的曲線圖來觀察。如果圖形中大致顯示了被檢驗(yàn)序列的波動趨勢隨時間變化而變化，那么便可以添加時間趨勢項(xiàng)。 2、Phillips-Perron 檢驗(yàn) 命令：pperron var , (,lags(#)/trend/noconstant/regress/)對變量做 PP 檢驗(yàn)可以加滯后期或趨勢項(xiàng)或不含常數(shù)項(xiàng)等等這些取決于你的模型。 窗口操作：StatisticsTime-seriesTESTPP 單

11、位根檢驗(yàn)(第三個) 如何看結(jié)果：同ADF 一樣 原假設(shè)為：至少存在一個單位根；備選假設(shè)為：序列不存在單位根。 P 值越?。ńy(tǒng)計(jì)量大于各顯著性水平值）不存在單位根 P 值越大（統(tǒng)計(jì)量小于各顯著性水平值）存在單位根 向量自相關(guān)回歸VAR 模型向量自回歸（VAR）模型是AR 模型的多元擴(kuò)展，用以反映在一個系統(tǒng)中的多個變量之間的動態(tài)影像，格蘭杰因果檢驗(yàn)、脈沖響應(yīng)、方差分解都是 VAR 模型中重要的分析工具。 與VAR 模型相關(guān)的STATA 命令與解析1、 VAR 模型的估計(jì) STATA 命令：var 解釋變量 （，無常數(shù)項(xiàng)noconstant/滯后期lags(n)/ 外生變量exog(varlist)

12、/constraints(numlist)線性約束的個數(shù)注意：使用線性約束要提前定義，詳情見建模中的各種小問題/LIKEPOHL 滯后階數(shù)選擇的統(tǒng)計(jì)量lutstats） 窗口操作：StatisticsMultivariate time seriesVAR(第二項(xiàng)) 如何看結(jié)果： 保存估計(jì)結(jié)果的命令：est store 名稱 2 VAR 模型平穩(wěn)性 STATA 命令：varstable(，graph 表示畫出圖形) 如何看結(jié)果：特征值都在圓內(nèi)，即都小于1，表示VAR 模型穩(wěn)定 窗口操作：Statistics Multivariate time series VAR diagnostics and

13、 testscheck stability condition of VAR estimates 3 VAR 階數(shù)的選擇滯后階數(shù)的確定 在VAR 模型中，正確的選擇模型的滯后階數(shù)，對于模型的估計(jì)和協(xié)整檢驗(yàn)都產(chǎn)生一定的影響，小樣本情況更是如此。 （1）STATA 命令：用于VAR 模型估計(jì)之前 varsoc 解釋變量（，沒有常數(shù)項(xiàng)noconstant/最高滯后 期 maxlag(#)/ 外 生 變 量 exog(varlist)/ 線 性 約 束 條 件 constraints(numlist)） （2）命令：用于模型估計(jì)之后 解釋變量（，estimates(estname)） 其中，estna

14、me 表示已經(jīng)估計(jì)的VAR 模型的名字。 （1）（2）如何看結(jié)果：找最顯著的階數(shù)作為其滯后項(xiàng)（一般會標(biāo)有 ） （3）命令：用于模型估計(jì)之后（Wald 滯后排除約束檢驗(yàn)） Varwle 窗口操作：StatisticsMultivariate time seriesVAR diagnostics and tests第一第二項(xiàng) 如何看結(jié)果：看不同階數(shù)上的聯(lián)合顯著性，看P 值，越小越顯著，表示存在該階滯后項(xiàng)。 4 殘差的正態(tài)性與自相關(guān)檢驗(yàn) STATA 命令： 1. 先進(jìn)行var 回歸 2. varnorm 如何看結(jié)果：原假設(shè)是服從正態(tài)分布 P 值越小越顯著拒絕原假設(shè)不服從正態(tài)分布 P 值越大越不顯著拒

15、絕，原假設(shè)成立服從正態(tài)分布 自相關(guān)：窗口操作：StatisticsMultivariate time series VAR diagnostics and testsLM Test 正態(tài)分布：窗口操作：StatisticsMultivariate time series VAR diagnostics and testsTest for normally(倒數(shù)第三項(xiàng)) 5 Granger 因果關(guān)系檢驗(yàn) 格蘭杰因果關(guān)系不同于我們平常意義上的因果關(guān)系，它是指一個變量對于另外一個變量具有延期影響。格蘭杰因果關(guān)系檢驗(yàn)有助于表明變量間的動態(tài)影響，有助于提高模型的預(yù)測效果。 命令格式： 1. 先進(jìn)行var

16、 2. 再進(jìn)行格蘭杰因果檢驗(yàn)vargranger 如何看結(jié)果：看P 值的顯著性，越小說明存在越強(qiáng)的因果關(guān)系，相反 P 值越大說明兩者的因果關(guān)系不明顯。 窗口操作：StatisticsMultivariate time seriesGranger causality test 6脈沖響應(yīng)與方差分解（223） 脈沖響應(yīng)與方差分解是一個問題的兩個方面。脈沖響應(yīng)是衡量模型中的內(nèi)生變量對一個變量的脈沖（沖擊）做出的響應(yīng)一對多，一個變 量向下所引起的其他變量的變動，而方差分解則是如何將一個變量的響應(yīng)分解到模型中的內(nèi)生變量多對一，一個變量的變動向上追溯引起該變動的若干原因。STATA 的irf 命令用于計(jì)算

17、VAR、SVAR、VEC 模型的脈沖響應(yīng)、動態(tài)乘子和方差分解。 注意：該方法的操作使用于var、svar、vec 估計(jì)之后。 （1） 創(chuàng)建irf 文件 STATA 命令：irf create irfname ，set(名字) （先進(jìn)行var, 然后使用這條命令就可以直接把剛剛 var 的結(jié)果保存到該 irf 文件里，并且只有這條命令是最好用的，其他命令即使可以建立irf 文件但是不能把var 的結(jié)果保存進(jìn)去，那也是沒用的。） 激活irf 文件 顯示當(dāng)前處于活動狀態(tài)的irf 文件： STATA 命令： irf set 激活（或創(chuàng)建）irf 文件： STATA 命令：irf set 文件名稱創(chuàng)建新

18、的irf 文件并替換正在活動的irf 文件： STATA 命令： irf set 文件名稱 ，replace 清除所有活動的irf 文件： STATA 命令： irf set ，clear 窗口操作：StatisticsMultivariate time seriesManage IRF results and files （2） 用irf 文件作圖（223） 對于VAR、SVAR、VEC 模型，脈沖響應(yīng)函數(shù)（IRF）的類型包括簡單脈沖響應(yīng)、正交脈沖響應(yīng)、動態(tài)乘子三種，方差分解包括 Cholesky 分解和結(jié)構(gòu)分解兩種。沒種模型可以采用不同的分析工具。 窗口操作：StatisticsMulti

19、variate time seriesIRF and FEVD analysis l 簡單的IRF：（VAR/SVAR/VEC 之后） 命令：irf graph irf（，使用哪個文件 set(文件名)/ 脈沖變量 impulse(變量名)/響應(yīng)變量response（內(nèi)生變量名）如果不加約束就是默認(rèn)當(dāng)前打開的文件 l 動態(tài)乘子：(VAR 之后) 命令：irf graph dm（，使用哪個文件 set(文件名)/ 脈沖變量 impulse(變量名)/響應(yīng)變量response（內(nèi)生變量名） l 方差分解：（VAR/SVAR/VEC 之后） 命令：irf graph fevd（，使用哪個文件set(

20、文件名)/ 脈沖變量 impulse(變量名)/響應(yīng)變量response（內(nèi)生變量名） 聯(lián)合圖表：將多個脈沖響應(yīng)圖或方差分解圖結(jié)合起來） 命令：irf cgraph (irfname 脈沖變量 響應(yīng)變量 方差分解的方法 fevd/IRF 的方法 irf) (irfname 脈沖變量 響應(yīng)變量 IRF 方法 irf/方差分解的方法fevd) 疊加圖表：（將多個脈沖響應(yīng)圖或方差分解圖疊加起來） 命令：irf ograph(irfname 脈沖變量 響應(yīng)變量 方差分解的方法 fevd/IRF 的方法 irf) (irfname 脈沖變量 響應(yīng)變量 IRF 方法 irf/方差分解的方法fevd) （3

21、） Irf 列表 STATA 命令：irf table IRF 方法irf/方差分解方法fevd 聯(lián)合列表：（將多個脈沖響應(yīng)圖或方差分解列表結(jié)合起來） 命令：irf ctable (irfname 脈沖變量 響應(yīng)變量 方差分解的方法 fevd/IRF 的方法 irf) (irfname 脈沖變量 響應(yīng)變量 IRF 方法 irf/方差分解的方法fevd) （4） Irf 其他命令 命令：irf describe irf describe ，detail 7 VAR 模型的預(yù)測227 窗口操作：StatisticsMultivariate time seriesDynamic forecast 命

22、令格式1（對于VAR、SVAR 模型）： fcast compute prefix 命令格式2（對于VECM 模型）： fcast compute prefix 對預(yù)測進(jìn)行作圖 命令：fcast graph prefixvar(prefix 變量名) 小結(jié)大概流程： 估計(jì)VAR 模型 l var y x zl est store VAR1 根據(jù)信息準(zhǔn)則確定VAR 模型的最優(yōu)滯后結(jié)束，根據(jù)結(jié)果重新估計(jì) l varsoc x z ，maxlag(#)l var *(全部變量，或者 ln*所有的對數(shù)變量)，lags(1/3) (比如最優(yōu)的滯后期為3，滯后期123)l est store VAR2 考

23、察VAR 模型的平穩(wěn)性 l varstable，estimates(VAR2) graph dlabel ( 畫圖并標(biāo)出具體數(shù)值) 檢驗(yàn)VAR 模型殘差的正態(tài)分布特征和自相關(guān)特征l varnorm，jbera estimates(VAR2) 對各變量進(jìn)行Granger 因果關(guān)系檢驗(yàn)l vargranger （，estimates（VAR2） 繪制脈沖響應(yīng)圖以及預(yù)測誤差方差分解l var y x z，lags(1/3) l irf create irfname，set (名稱)l irf graph irf (，estimates（名稱）) l irf table fevd(，estimates

24、（名稱）/預(yù)測區(qū)間n<8step(n) 根據(jù)VAR 模型的估計(jì)結(jié)果進(jìn)行預(yù)測l 預(yù)測n 期(n<8)fcast compute prefix(，step(n) fcast compute f_(，step(n) 將VAR 模型與IRF 相結(jié)合的窗口操作： StatisticsMultivariate time seriesBasic VAR 約翰遜協(xié)整檢驗(yàn)協(xié)整檢驗(yàn)是對非平穩(wěn)變量進(jìn)行回歸的必要前提。只有存在協(xié)整關(guān)系，協(xié)整回歸才有意義。在各種協(xié)整檢驗(yàn)方法中，Johansen(1998) 在VAR 框架下的特征值檢驗(yàn)和跡檢驗(yàn)應(yīng)用最為普通。命令格式為： vecrank var1 var2 （,lag(n),trend(constant)） 輸出結(jié)果： max 輸