運用進行時間序列分析詳解

運用進行時間序列分析詳解演示文稿本文檔共27頁；當前第1頁；編輯于星期一\4點17分優(yōu)選運用進行時間序列分析本文檔共27頁；當前第2頁；編輯于星期一\4點17分11.1.1定義時間序列在stata中的實現(xiàn)在進行時間序列的分析之前，首先要定義變量為時間序列數(shù)據(jù)。只有定義之后，才能對變量使用時間序列運算符號，也才能使用時間序列分析的相關命令。定義時間序列用tsset命令，其基本命令格式為：tssettimevar[,options]其中，timevar為時間變量。Options分為兩類，或者定義時間單位，或者定義時間周期（即timevar兩個觀測值之間的周期數(shù)）。Options的相關描述如表11-1所示。本文檔共27頁；當前第3頁；編輯于星期一\4點17分注：（1）units表示時間單位，對于%tc，允許的時間單位包括：second、seconds、secs、secs、minutes、minute、mine、min、hours、hour、days、weeks、week。對于其他%t的格式，Stata自動獲得其時間單位，delta選項經(jīng)常與%tc格式一起使用。時間單位格式說明Clocktimetimevar的格式為%tc,0=1jan196000:00:00.000，1=1jan196000:00:00.001即0代表1960年1月1日的第一秒，1為1960年1月1日的第二秒，依次后推。dailytimevar的格式為%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的格式為%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的格式為%tm，0=1，1=；即0為1960年第一月，1為1960年第二月，依次后推。quarterlytimevar的格式為%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的格式為%th，0=1960h1，1=1960h2；即0為從1960起的第一個半年，1為從1960年起第二個半年，依次后推。yearlytimevar的格式為%ty，1960=1960，1961=1960generictimevar的格式為%tgformat(%fmt)用戶定義的其他時間周期

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)本文檔共27頁；當前第4頁；編輯于星期一\4點17分可以通過以下三種方式來定義時間序列。例如，想要生成格式為%td的時間序列，并定義該時間序列為t，則可以用以下三種方法：

方法1

方法2

方法3formatt%tdtssetttssett,dailytssett,format(%td)本文檔共27頁；當前第5頁；編輯于星期一\4點17分【例11.1】使用文件“cpi.dta”的數(shù)據(jù)來對tsset命令的應用進行說明。該例子是我國1983年1月年至2007年8月的居民消費價格指數(shù)CPI。部分數(shù)據(jù)如表11-2所示：表11-2我國居民消費價格指數(shù)CPIYearmonthcpi19831100.619832100.919833100.919834100.419835101.219836101.919837100.9本文檔共27頁；當前第6頁；編輯于星期一\4點17分11.1.2對時間序列進行修勻時間序列的形成是各種不同的因素對事物的發(fā)展變化共同起作用的結(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)變動因素、循環(huán)變動因素和不規(guī)則變動因素。時間序列構(gòu)成分析就是要觀察現(xiàn)象在一個相當長的時期內(nèi)，由于各個影響因素的影響，使事物發(fā)展變化中出現(xiàn)的長期趨勢、季節(jié)變動、循環(huán)變動和不規(guī)則變動。通過測定和分析過去一段時間之內(nèi)現(xiàn)象的發(fā)展趨勢，可以認識和掌握現(xiàn)象發(fā)展變化的規(guī)律性，為統(tǒng)計預測提供必要的條件，同時也可以消除原有時間序列中長期趨勢的影響，更好地研究季節(jié)變動和循環(huán)變動等問題。測定和分析長期趨勢的主要方法是對時間序列進行修勻。本文檔共27頁；當前第7頁；編輯于星期一\4點17分數(shù)據(jù)=修勻部分+粗糙部分，運用Stata進行修勻使用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：平滑的種類smoother[type]移動平均不加權(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本文檔共27頁；當前第8頁；編輯于星期一\4點17分【例11.2】繼續(xù)使用上例的數(shù)據(jù)來對tssmooth命令的應用進行說明。在本例中對該組數(shù)據(jù)進行修勻，以便消除不規(guī)則變動的影響，得到時間序列長期趨勢，本例修勻的方法是利用之前的1個月和之后的2個月及本月進行平均。本文檔共27頁；當前第9頁；編輯于星期一\4點17分11.2ARIMA模型的估計、單位根與協(xié)整時間序列模型一般分為四類，分別是自回歸過程、移動平均過程、自回歸移動平均過程、單整自回歸移動平均過程。1、

自回歸過程如果一個剔出均值和確定性成分的線性過程可表達為xt=1xt-1+2xt-2+…+pxt-p+ut其中i,i=1,…p是自回歸參數(shù)，ut

是白噪聲過程，則稱xt為p階自回歸過程，用AR(p)表示。xt是由它的p個滯后變量的加權(quán)和以及ut相加而成。2、移動平均過程如果一個剔出均值和確定性成分的線性隨機過程可用下式表達xt

=ut+1ut–1+

2ut-2+…+

qut–q

其中1,2,…,q是回歸參數(shù)，ut為白噪聲過程，則上式稱為q階移動平均過程，記為MA(q)。本文檔共27頁；當前第10頁；編輯于星期一\4點17分3、自回歸移動平均過程由自回歸和移動平均兩部分共同構(gòu)成的隨機過程稱為自回歸移動平均過程，記為ARMA(p,q),其中p,q分別表示自回歸和移動平均部分的最大階數(shù)。ARMA(p,q)的一般表達式是

xt=1xt-1+2xt-2+…+pxt-p+ut+1ut-1+2ut-2+...+qut-q4、單整自回歸移動平均過程對于ARMA過程（包括AR過程），如果特征方程(L)=0的全部根取值在單位圓之外，則該過程是平穩(wěn)的；如果若干個或全部根取值在單位圓之內(nèi)，則該過程是強非平穩(wěn)的。除此之外還有第三種情形，即特征方程的若干根取值恰好在單位圓上。這種根稱為單位根，這種過程也是非平穩(wěn)的。若隨機過程yt經(jīng)過d次差分之后可變換為一個以(L)為p階自回歸算子，(L)為q階移動平均算子的平穩(wěn)、可逆的隨機過程，則稱yt為（p,d,q）階單整(單積)自回歸移動平均過程，記為ARIMA(p,d,q)。本文檔共27頁；當前第11頁；編輯于星期一\4點17分11.2.1時間序列相關性檢驗的stata實現(xiàn)在進行arima分析前，對序列的特征應該有相應的了解。包括自相關圖，偏自相關圖和Q統(tǒng)計量。自相關刻畫它序列

的鄰近數(shù)據(jù)之間存在多大程度的相關性。偏自相關度量的是k期間距的相關而不考慮k-1期的相關。p階滯后的Q-統(tǒng)計量的原假設是：序列不存在p階自相關；備選假設為：序列存在p階自相關。在Stata中實現(xiàn)相關性檢驗的基本命令格式如下所示：命令格式1（做出自相關和偏自相關圖）：corrgramvarname[if][in][,corrgram_options]命令格式2（做出自相關圖）：acvarname[if][in][,ac_options]命令格式3（做偏自相關圖）：pacvarname[if][in][,pac_options]本文檔共27頁；當前第12頁；編輯于星期一\4點17分以上三個命令格式的選項的相關描述分別如表11-5、11-6、11-7所示：表11-5corrgram_options的相關描述

表11-6ac_options的相關描述表11-7ac_options的相關描述主要選項描述lags(#)*滯后階數(shù)noplot不進行作圖yw通過Yule-Walker方程組，計算偏自相關PAC主要選項描述lags(#)*滯后階數(shù)generate(newvar)生成新變量，默認不做圖level(#)置信度，默認95%fft通過傅里葉轉(zhuǎn)化計算AC主要選項描述lags(#)*滯后階數(shù)generate(newvar)level(#)生成新變量，默認不做圖置信度，默認95%yw通過Yule-Walker方程組，計算偏自相關PAC本文檔共27頁；當前第13頁；編輯于星期一\4點17分【例11.3】使用表11-8的數(shù)據(jù)來對Stata中自相關與偏自相關的應用進行說明。該數(shù)據(jù)給出了中國1953-1984年的國民生產(chǎn)總值GNP、私人國內(nèi)總投資I、GNP的隱性價格折算因子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時間序列進行分析，觀察期相關圖和自相關圖，從而得到GNP時間序列的類型。部分數(shù)據(jù)說明下表所示。年份中國GNP私人國內(nèi)總投資GNP的隱性價格折算因子（1972=1）半年期商業(yè)票據(jù)利率1953623.685.30.5882.521954616.183.10.5961.591955657.5103.80.6082.191956671.6102.60.6283.311957683.8970.6493.821958680.987.50.662.471959721.71080.6763.96本文檔共27頁；當前第14頁；編輯于星期一\4點17分11.2.2時間序列穩(wěn)定性檢驗的stata實現(xiàn)檢驗序列的平穩(wěn)性，可以用phillips-perron檢驗，dickey-fuller檢驗，以及應用GLS擴展的dickey-fuller檢驗。其基本命令格式如下：命令格式1（dickey-fuller檢驗）：dfullervarname[if][in][,option]命令格式2（GLS擴展的dickey-fuller檢驗）：dfglsvarname[if][in][,options]命令格式3（phillips-perron檢驗）：pperronvarname[if][in][,options]以上三個命令格式的選項的相關描述分別如表11-10、11-11、11-12所示：本文檔共27頁；當前第15頁；編輯于星期一\4點17分表11-10dickey-fuller檢驗options的相關描述表11-11GLS擴展的dickey-fuller檢驗options的相關描述表11-12phillips-perron檢驗檢驗options的相關描述主要選項描述noconstant沒有截據(jù)項trend包括時間趨勢drift包括漂移項regress

顯示回歸結(jié)果lags(#)滯后階數(shù)主要選項描述maxlag(#)最大滯后階數(shù)notrend沒有時間趨勢ers利用插值法計算臨界值主要選項描述noconstant沒有截據(jù)項trendregress有趨勢項顯示回歸結(jié)果lags(#)最大滯后階數(shù)本文檔共27頁；當前第16頁；編輯于星期一\4點17分【例11.4】繼續(xù)使用上例的數(shù)據(jù)來對Stata中平穩(wěn)性檢驗的相關應用進行說明。這里要求使用dickey-fuller檢驗、GLS擴展的dickey-fuller檢驗和phillips-perron檢驗三種方法，對GNP的一階差分進行平穩(wěn)性檢驗。本文檔共27頁；當前第17頁；編輯于星期一\4點17分11.2.3ARIMA模型的stata實現(xiàn)時間序列的自回歸移動平均法可是通過使用arima命令來實現(xiàn)。其基本命令格式如下：arimadepvar[indepvars][if][in][weight][,options]在使用arima模型前，需要先檢驗數(shù)據(jù)的平穩(wěn)性和相關性，然后經(jīng)過判斷才能使用。主要選項描述noconstant沒有截據(jù)項Arima(#p,#d,#q)Arima(p,d,q)模型Ar(numlist)Ar的滯后階數(shù)Ma(numlist)

Ma的滯后階數(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的滯后階數(shù)Mma(numlist,#s)季節(jié)ma的滯后階數(shù)本文檔共27頁；當前第18頁；編輯于星期一\4點17分【例11.5】使用表11-14的數(shù)據(jù)來對Stata中ARIMA模型的相關應用進行說明。該表給出了某地區(qū)每年的年度總?cè)丝跀?shù)。部分數(shù)據(jù)如下：年份年底總?cè)丝跀?shù)(萬人)194954167195055196195156300195257482195358796195460266195561465195662828195764653195865994195967207本文檔共27頁；當前第19頁；編輯于星期一\4點17分11.3VAR與VEC模型的估計及解釋1、VAR模型的階數(shù)選擇在Stata中VAR模型階數(shù)選擇的實現(xiàn)，是通過如下基本命令來實現(xiàn)的：depvarlist[if][in][,preestimation_options]主要選項描述maxlag(#)最高滯后階數(shù);默認是滯后4期exog(varlist)外生變量constraints(constraints)對外生變量的線性約束noconstant

沒有常數(shù)項level(#)置信度，默認95%separator(#)分割線本文檔共27頁；當前第20頁；編輯于星期一\4點17分2、構(gòu)建VAR模型在Stata中構(gòu)建VAR模型的實現(xiàn)，是通過如下基本命令來實現(xiàn)的：vardepvarlist[if][in][,options]主要選項描述模型1noconstant沒有常數(shù)項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)計量報告結(jié)果level(#)置信度本文檔共27頁；當前第21頁；編輯于星期一\4點17分3、平穩(wěn)性條件考察在Stata中VAR模型平穩(wěn)性條件考察的實現(xiàn)，是通過如下基本命令來實現(xiàn)的：varstable[,options]主要選項描述estimates(estname)考察VAR（estname）的平穩(wěn)性graph對伴隨矩陣的特征值作圖dlabel將特征值標記為到單位圓的距離本文檔共27頁；當前第22頁；編輯于星期一\4點17分4、殘差的正態(tài)性和自相關檢驗在Stata中VAR模型殘差的正態(tài)性和自相關檢驗的實現(xiàn)，是通過如下基本命令來實現(xiàn)的：varnorm[,options]主要選項描述jberastatisticsJarque-Bera統(tǒng)計量skewness偏度kurtosis峰度estimates(estname)cholesky

已估計的var名稱使用Cholesky分解separator(#)分割線本文檔共27頁；當前第23頁；編輯于星期一\4點17分5、格蘭杰因果檢驗在Stata中VAR模型格蘭杰因果檢驗的實現(xiàn)，是通過如下基本命令來實現(xiàn)的：vargranger[,estimates(estname)separator(#)]本文檔共27頁；當前第24頁；編輯于星期一\4點17分6、脈沖分析（1）irf文件的創(chuàng)建、顯示、激活和清除VAR模型脈沖分析的實現(xiàn)，首先是要創(chuàng)建irf文件。在Stata中是通過如下基本命令來實現(xiàn)的：命令格式1（VAR模型的irf文件創(chuàng)建）：irfcreateirfname[,var_options]命令格式2（SVAR模型的irf文件創(chuàng)建）：irfcreateirfname[,svar_options]命令格式3（VEC模型的irf文件創(chuàng)建）：irfcreateirfname[,vec_options]創(chuàng)建irf文件之后，顯示處于當下活動狀態(tài)的irf，輸入以下命令：irfset激活irf文件，可以輸入以下命令：irfsetifr_name清除活動的irf文件，可以輸入以下命令：irfset,clear主要選項描述