时间序列Stata操作题47Word文件下载.docx
《时间序列Stata操作题47Word文件下载.docx》由会员分享，可在线阅读，更多相关《时间序列Stata操作题47Word文件下载.docx（29页珍藏版）》请在冰豆网上搜索。
227024112652329433603686359334823615396343284309
433643824326400940004070420042784435477248124908
485748654711464048774902488448334903496348044679
481045714250385037753357294623421994242024642763
299331082729252524572136227221752100206819551950
196920251726157917681766162116921634175016201515
150815251502137412121198110710521069105010981150
1126120011931058104310269809761000121012641150
111711881100104010281113115413501722161615251403
149715221550157515381650180019332219260625632433
1检验序列的平稳性
（Stata语句）
.dropB-T
.generaten=_n
.renameAprice
.tssetn
timevariable:
n,1to252
delta:
1unit
.tslineprice
=>
{price}的时序图
由时序图观测得price变化落差很大，该序列不平稳。
再看看自相关图：
.acprice
{price}的自相关图
短期（延迟阶数为5期及5期以内）来看，自相关系数拖尾；
长期来看，自相关系数缓慢地由正转负，一直是下降趋势。
序列值之间长期相关，该序列非平稳序列。
（Ps.平稳时间序列具有短期自相关性。
）
结合之前的时序图，发现该序列具有明显的长期趋势。
考虑到price是月度数据，因此觉得该序列很有可能还存在季节效应。
2检验序列的方差齐性
原序列具有长期趋势，所以需要平稳化。
先对原序列做一阶差分：
.generateDp=D1.price
.labelvariableDp"
firstdifferenceofprice"
.tslineDp
{Dp}的时序图
（一阶）差分后序列{Dp}的长期趋势不再明显，平稳化效果很好。
再看看{Dp}的自相关图：
.acDp
{Dp}的自相关图
由图可见，短期（5期）内便衰减直逼零值，衰减速度非常快，明显具有短期自相关性。
在延迟1期以后，除了当k=30时跳出过阴影范围，其余全都落在2倍标准误的范围内，围绕着零值做很小幅（约±
0.1）的波动。
因此，{Dp}是平稳的时间序列。
平稳性检验通过，看白噪声检验。
自相关图明显显示：
≠0，≠0。
因此，{Dp}非白噪声序列，有信息待提取。
预处理完毕，开始识别模型：
.pacDp
{Dp}的偏自相关图
（1）不考虑季节效应，先试ARIMA模型，再试疏系数模型。
①ARIMA模型
ⅰ认为和都拖尾，尝试ARMA（1,1）
或者
arimaDp,arima（1,0,1）
Ps.同arimaprice,arima（1,1,1）结果
参数显著性检验通不过
ⅱ认为1阶截尾，拖尾，尝试MA
（1）
去掉截距项再试
arimaDp,noconstantarima（0,0,1）
Ps.结果同arimaprice,noconstantarima（0,1,1）得到结果
白噪声检验
.predictehat1,residual
.wntestqehat1
Portmanteautestforwhitenoise
---------------------------------------
Portmanteau（Q）statistic=45.3466
Prob>
chi2（40）=0.2589
Ps.
.wntestqehat1,lags
（2）
.wntestqehat1,lags（6）
.wntestqehat1,lags（12）
都通过了
.wntestbehat1
.estatic
截距项不显著
对{Dp}构建MA
（1）模型（无截距项）成功，对残差项进行白噪声检验
通过了白噪声检验，但这个检验的前提是同方差
残差项是白噪声序列，计算AIC/BIC：
ⅱ认为拖尾，1阶截尾，尝试AR
（1）
.arimaDp,noconstantarima（1,0,0）
.predictehat2,residual
.wntestqehat2
Portmanteau（Q）statistic=40.3516
chi2（40）=0.4547
.wntestqehat2,lags
（2）
.wntestqehat2,lags（6）
.wntestqehat2,lags（12）
.wntestbehat2
对{Dp}构建AR
（1）模型（无截距项）成功，对残差项进行白噪声检验
BIC方面，与MA
（1）比，大了3点多；
AIC方面仅小了0.5多一点。
选择MA
（1）
②疏系数模型
因为前十二期（一年）内和明显跳出了2倍标准误范围，所以确定ma
（1），ar
（1），与上面①ⅰ对{Dp}拟合ARMA（1,1）的情况一致，已经知道拟合不成了。
（2）换季节模型，先试简单的加法模型，再试复杂的乘积模型。
因为考虑了季节因子，这里是月度数据，所以要对一阶差分后序列进行12步差分。
观察12步差分后序列的自相关系数和偏自相关系数的性质，尝试拟合季节模型。
.generateS12Dp=S12.Dp
.labelvariableS12Dp"
12stepsofthedifference"
.acS12Dp
.pacS12Dp
{S12Dp}的自相关图
{S12Dp}的偏自相关图
①加法季节模型
ⅰ1阶12阶截尾拖尾，结合疏系数模型，对序列{S12Dp}拟合MA（1，12）模型
ⅱ拖尾1阶12阶（13阶）截尾，结合疏系数模型，对序列{S12Dp}拟合AR（1，12）或AR（1，12，13）模型
ⅲ综合考虑和几阶截尾的性质（哪几期延迟期数对应的相关系数特别明显），对序列{S12Dp}拟合ARIMA（（1,12）（1,12））模型
ⅰ对序列{S12Dp}拟合MA（1，12）模型
.arimaS12Dp,ma（1,12）
去掉截距项
.arimaS12Dp,noconstantma（1,12）
.predictehat3,residual
.wntestqehat3
Portmanteau（Q）statistic=62.1168
chi2（40）=0.0141
Q统计量的P值<
，拒绝原假设，认为残差列非纯随机，序列{S12Dp}中还有信息未提取完毕，建模失败
ⅱ对序列{S12Dp}拟合AR（1，12）或AR（1，12，13）模型
.arimaS12Dp,noconstantar（1,12）
.predictehat4,residual
（13missingvaluesgenerated）
.wntestqehat4
Portmanteau（Q）statistic=68.0750
chi2（40）=0.0037
失败
.arimaS12Dp,ar（1,12,13）在wntestq时也失败了
ⅲ对序列{S12Dp}拟合ARIMA（（1,12）（1
升级会员 