时间序列模型分析的各种stata命令Word文档格式.docx

1、 tsfill tsreport, report list4）追加样本：tsappend list in -10/-1 sum tsappend , add（5） /*追加5个观察值*/5）应用：样本外预测: predict reg gnp96 L.gnp96 predict gnp_hat6）清除时间标识: tsset, clear1.2变量的生成与处理1）滞后项、超前项和差分项 help tsvarlist gen Lgnp = L.gnp96 /*一阶滞后*/ gen L2gnp = L2.gnp96 gen Fgnp = F.gnp96 /*一阶超前*/ gen F2gnp = F2.

2、gnp96 gen Dgnp = D.gnp96 /*一阶差分*/ gen D2gnp = D2.gnp96 list in 1/102）产生增长率变量: 对数差分 gen lngnp = ln（gnp96） gen growth = D.lngnp gen growth2 = （gnp96-L.gnp96）/L.gnp96 gen diff = growth - growth2 /*表明对数差分和变量的增长率差别很小*/ list date gnp96 lngnp growth* diff in 1/101.3日期的处理 日期的格式 help tsfmt基本时点：整数数值，如 -3, -2,

3、 -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%tyCY1）使用 tsset 命令指定显示格式 use B6_tsset.dta, clear tsset t, daily list tsset t, weekly list 2）指定起始时点 cap drop month generate month = m（1990-1） + _n - 1 format month %tm list t month in 1/20

4、cap drop year gen year = y（1952） + _n - 1 format year %ty list t year in 1/203）自己设定不同的显示格式日期的显示格式 %d （%td） 定义如下：%-td具体项目释义： “”中可包含如下字母或字符 c y m l n d j h q w _ . , : - / !c C Y M L N D J W定义如下： c and C 世纪值（个位数不附加/附加0） y and Y 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） n and N 数

5、字月份（个位数不附加/附加0） d and D 一个月中的第几日（个位数不附加/附加0） j and J 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 （1 or 2） q 一年中的第几季度 （1, 2, 3, or 4） w and W 一年中的第几周（个位数不附加/附加0） _ display a blank （空格） . display a period（句号） , display a comma（逗号） : display a colon（冒号） - display a dash （短线） / display a slash（斜线） display a close si

6、ngle quote（右引号）c display character c （code ! to display an exclamation point）样式1： Format Sample date in format - %td 07jul1948 %tdM_d,_CY July 7, 1948 %tdY/M/D 48/07/11 %tdM-D-CY 07-11-1948 %tqCY.q 1999.2 %tqCY:q 1992:2 %twCY,_w 2010, 48 样式2： - %d 11jul1948 %dDlCY 11jul1948 %dDlY 11jul48 %dM_d,_CY J

7、uly 11, 1948 %dd_M_CY 11 July 1948 %dN/D/Y 07/11/48 %dD/N/Y 11/07/48 %dY/N/D 48/07/11 %dN-D-CY 07-11-1948 clear set obs 100 gen t = _n + d（13feb1978） list t in 1/5 format t %dCY-N-D /*1978-02-14*/ format t %dcy_n_d /*1978 2 14*/ use B6_tsset, clear tsset t, format（%twCY-m）4）一个实例：生成连续的时间变量 use e1920.

8、dta, clear list year month in 1/30 sort year month gen time = _n tsset time list year month time in 1/30 generate newmonth = m（1920-1） + time - 1 tsset newmonth, monthly list year month time newmonth in 1/301.4图解时间序列 1）例1： set seed 13579113 sim_arma ar2, ar（0.7 0.2） nobs（200） sim_arma ma2, ma（0.7 0.

9、2） tsset _t tsline ar2 ma2 * 亦可采用 twoway line 命令绘制，但较为繁琐 twoway line ar2 ma2 _t2）例2：增加文字标注 sysuse tsline2, clear tsset day tsline calories, ttick（28nov2002 25dec2002, tpos（in） / ttext（3470 28nov2002 thanks / 3470 25dec2002 x-mas, orient（vert）3）例3：增加两条纵向的标示线 tsline calories, tline（28nov2002 25dec2002

10、） * 或采用 twoway line 命令 local d1 = d（28nov2002） local d2 = d（25dec2002） line calories day, xline（d1 d2）4）例4：改变标签 tsline calories, tlabel（, format（%tdmd） ttitle（Date （2002） tsline calories, 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

11、时间序列的过去值及现在值来预测未来值。ARIMA（1,1）模型：2.1 ARIMA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。2.2 ARIMA模型中AR和MA阶数的确定方法： clear