时间序列模型分析的各种stata命令Word文档格式.docx
《时间序列模型分析的各种stata命令Word文档格式.docx》由会员分享，可在线阅读，更多相关《时间序列模型分析的各种stata命令Word文档格式.docx（47页珍藏版）》请在冰豆网上搜索。
tsfill
tsreport,reportlist
4）追加样本：
tsappend
listin-10/-1
sum
tsappend,add（5）/*追加5个观察值*/
5）应用：
样本外预测:
predict
reggnp96L.gnp96
predictgnp_hat
6）清除时间标识:
tsset,clear
1.2变量的生成与处理
1）滞后项、超前项和差分项helptsvarlist
genLgnp=L.gnp96/*一阶滞后*/
genL2gnp=L2.gnp96
genFgnp=F.gnp96/*一阶超前*/
genF2gnp=F2.gnp96
genDgnp=D.gnp96/*一阶差分*/
genD2gnp=D2.gnp96
listin1/10
2）产生增长率变量:
对数差分
genlngnp=ln（gnp96）
gengrowth=D.lngnp
gengrowth2=（gnp96-L.gnp96）/L.gnp96
gendiff=growth-growth2/*表明对数差分和变量的增长率差别很小*/
listdategnp96lngnpgrowth*diffin1/10
1.3日期的处理
日期的格式helptsfmt
基本时点：
整数数值，如-3,-2,-1,0,1,2,3....
1960年1月1日，取值为0；
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
%tyCY
1）使用tsset命令指定显示格式
useB6_tsset.dta,clear
tssett,daily
list
tssett,weekly
list
2）指定起始时点
capdropmonth
generatemonth=m（1990-1）+_n-1
formatmonth%tm
listtmonthin1/20
capdropyear
genyear=y（1952）+_n-1
formatyear%ty
listtyearin1/20
3）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>
具体项目释义：
“<
”中可包含如下字母或字符
cymlndjhqw_.,:
-/'
!
c
CYMLNDJW
定义如下：
candC世纪值（个位数不附加/附加0）
yandY不含世纪值的年份（个位数不附加/附加0）
m三个英文字母的月份简写（第一个字母大写）
M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/附加0）
dandD一个月中的第几日（个位数不附加/附加0）
jandJ一年中的第几日（个位数不附加/附加0）
h一年中的第几半年（1or2）
q一年中的第几季度（1,2,3,or4）
wandW一年中的第几周（个位数不附加/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）
样式1：
FormatSampledateinformat
-----------------------------------
%td07jul1948
%tdM_d,_CYJuly7,1948
%tdY/M/D48/07/11
%tdM-D-CY07-11-1948
%tqCY.q1999.2
%tqCY:
q1992:
2
%twCY,_w2010,48
样式2：
----------------------------------
%d11jul1948
%dDlCY11jul1948
%dDlY11jul48
%dM_d,_CYJuly11,1948
%dd_M_CY11July1948
%dN/D/Y07/11/48
%dD/N/Y11/07/48
%dY/N/D48/07/11
%dN-D-CY07-11-1948
clear
setobs100
gent=_n+d（13feb1978）
listtin1/5
formatt%dCY-N-D/*1978-02-14*/
formatt%dcy_n_d/*1978214*/
useB6_tsset,clear
tssett,format（%twCY-m）
4）一个实例：
生成连续的时间变量
usee1920.dta,clear
listyearmonthin1/30
sortyearmonth
gentime=_n
tssettime
listyearmonthtimein1/30
generatenewmonth=m（1920-1）+time-1
tssetnewmonth,monthly
listyearmonthtimenewmonthin1/30
1.4图解时间序列
1）例1：
setseed13579113
sim_armaar2,ar（0.70.2）nobs（200）
sim_armama2,ma（0.70.2）
tsset_t
tslinear2ma2
*亦可采用twowayline命令绘制，但较为繁琐
twowaylinear2ma2_t
2）例2：
增加文字标注
sysusetsline2,clear
tssetday
tslinecalories,ttick（28nov200225dec2002,tpos（in））///
ttext（347028nov2002"
thanks"
///
347025dec2002"
x-mas"
orient（vert））
3）例3：
增加两条纵向的标示线
tslinecalories,tline（28nov200225dec2002）
*或采用twowayline命令
locald1=d（28nov2002）
locald2=d（25dec2002）
linecaloriesday,xline（`d1'
`d2'
）
4）例4：
改变标签
tslinecalories,tlabel（,format（%tdmd））ttitle（"
Date（2002）"
tslinecalories,tlabel（,format（%td））
二、ARIMA模型和SARMIA模型
ARIMA模型的基本思想是：
将预测对象随时间推移而形成的数据序列视为一个随机序列，用一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预测未来值。
ARIMA（1,1）模型：
2.1ARIMA模型预测的基本程序:
1）根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。
一般来讲，经济运行的时间序列都不是平稳序列。
2）对非平稳序列进行平稳化处理。
如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到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）根据时间序列模型的识别规则，建立相应的模型。
若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；
若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；
若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）进行参数估计，检验是否具有统计意义。
5）进行假设检验，诊断残差序列是否为白噪声。
6）利用已通过检验的模型进行预测分析。
2.2ARIMA模型中AR和MA阶数的确定方法：
clear
升级会员 