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