与时间序列相关的STATA命令及其统计量的解析.docx

1、与时间序列相关的STATA命令及其统计量的解析与 时 间 序 列 相 关 的 STATA 命 令 及 其 统 计 量 的 解 析 残差 U 序列相关：1DW统计量 针对一阶自相关的（高阶无效）STATA命令：1.先回归2.直接输入 dwstat 统计量如何看：查表2Q统计量 针对高阶自相关 correlogram-Q-statisticsSTATA命令：1 先回归 reg2 取出残差 predict u,residual（ 不要忘记逗号 ）3 wntestq u Q统计量如何看： p 值越小（越接近 0） Q 值越大 表示存在自相关 具体自相关的阶数可以看自相关系数图和偏相关系数图：STATA

2、命令：自相关系数图 :ac u（ 残差 ） 或者窗口操作在 Graphics Time-series graphs correlogram（ac）偏相关系数图 :pac u 或者窗口操作在 Graphics Time-series graphs （pac） 自相关与偏相关系数以及 Q 统计量同时表示出来的方法：corrgram u 或者是窗口操作在autocorrelations3LM统计量一一针对高阶自相关STATA 命令：1 先回归 reg2 直接输入命令 estate bgodfrey,lags(n) 或者窗口操作在 Statistics Postestimation( 倒 数 第 二

3、个 ) Reports and Statistics( 倒数第二个 ) 在里面选择 Breush-Godfrey LM (当然你在 里面还可以找到方差膨胀因子还有 DW统计量等常规统计量)LM 统计量如何看：P 值越小(越接近 0 )表示越显着(显着拒绝原假设) ，存在序列相关 具体是几阶序列相关，你可以把滞后期写为几，当然默认是 1 ，(通常的方 法是先看图，上面说的自相关和偏相关图以及 Q 值，然后再利用 LM 肯定)。平稳时间序列存在自相关的问题的解决方案 残差出现序列相关的补救措施：1、 一阶自相关 :最近简单的方法是用 AR(1) 模型补救，就是在加一个残差的滞后项即可。2、 高阶的

4、自相关 :用 AR(n) 模型补救。AR 模型的识别与最高阶数的确定：可通过自相关系数来获得一些有关 AR(p) 模型的信息，如低阶 AR(p)模型系数符号的信息。但是，对于自回归过程 AR(p)，自相关系数并不能帮 助我们确定 AR(p) 模型的阶数 p 。所以，可以考虑使用偏自相关系数 k,k ， 以便更加全面的描述自相关过程 AR(p)的统计特征。且对于一个AR(p)模型，k,k的最高阶数为p,也即AR(p)模型的偏 自相关系数是p阶截尾的。因此，可以通过识别AR(p)模型的偏自相关系数 的个数,来确定 AR(p) 模型的阶数 p ,进而设定正确的模型形式,并通过 具体的估计方法估计出

5、AR(p) 模型的参数。如果AR(p)还解决不了则进一步使用：MA(q)模型，以及ARMA(p,q)模型。1、 MA(q)MA(q) 的偏自相关系数的具体形式随着 q 的增加变得越来越复杂,很 难给出一个关于q的一般表达式，但是，一个MA(q)模型对应于一个ARQ) 模型。因此, MA(q) 模型的偏自相关系数一定呈现出某种衰减的形式是拖尾 的。故可以通过识别一个序列的偏自相关系数的拖尾形式,大致确定它应该 服从一个 MA(q) 过程。2、 ARMA(p,q)就是既含有 AR项又含有MA项。我们引入了自相关系数和偏自相关系数这两个统计量来识别 ARMA(p,q) 模型的系数特点和模型的阶数。但

6、是,在实际操作中,自相关系数和偏自相 关系数是通过要识别序列的样本数据估计出来的, 并且随着抽样的不同而不 同,其估计值只能同理论上的大致趋势保持一致, 并不能精确的相同。 因此, 在实际的模型识别中, 自相关系数和偏自相关系数只能作为模型识别过程中 的一个参考,并不能通过它们准确的识别模型的具体形式。 具体的模型形式, 还要通过自相关和偏自相关系数给出的信息, 经过反复的试验及检验,最终 挑选出各项统计指标均符合要求的模型形式。注：无论采取什么样的方式，只要能够把残差中的序列相关消除掉，又 不会引入新的问题，这样的模型就是最优模型。与平稳性检验及其统计量解析（ P212 张晓峒）白噪声检验：

7、1. Q 检验 wntestq var ， lag（n）2.Bartlett 检验 wntestb var ，table （表示结果以列显示，而不做图。不加 table 就以图形的方式现实）或者在 Statistics Time-series TEST Bartlett 检验（第四个）画密度图：1、 概率密度图命令： pergram var ,generate（ 新变量名字 ） 将概率密度的图上所生成的值生成并储存在新变量里，这个不是必须的，只是为了日后方便。窗口： Statistics Time-series Graphs Periodogram（ 第五个 ）2 累积分布函数图命令： cum

8、sp var ,generate（ 新变量名字 ） 解释同上，并且这个生成新变量 的功能似乎只能通过命令完成。窗口 ： Statistics Time-series Graphs Cumulative Spectraldistribution单位根检验（ 219）1、 Dickey-Fuller 检验命令： dfuller var （,lags（#）/trend/noconstant/regress/）对变量做 ADF 检验可以加滞后期或趋势项或不含常数项等等这些取决于你的模型 窗口： Statistics Time-series TEST ADF 单位根检验（第一个） 在里面你也可以选择滞后

9、期数，常数项等等。如何看结果： 原假设为：至少存在一个单位根；备选假设为：序列不存在单位根。 如果统计量小于后面的显着性水平给出的值且 P 值很大有单位； 如果统计量大于后面的显着性水平给出的值且 P 值很小无单位根 ADF 检验需要注意的地方：（1）必须为回归定义合理的滞后阶数，通常采 用 AIC 准则 来确定给定时间 序列模型的滞后阶数。在实际应用中，还需要兼顾其他的因素，如系统的稳 定性、模型的拟合优度等。（2）可以选择常数和线性时间趋势，选择哪种形式很重要，因为检验显着 性水平的 t 统计量在原假设下的渐进分布依赖于关于这些项的定义。1如果在检验回归中含有常数，意味着所检验的序列的均值

10、不为 0 ，一个简单易行的办法是画出检验序列的曲线图， 通过图形观察原序列是否在一个 偏离 0 的位臵随机变动，进而决定是否在检验时添加常数项；2如果在检验回归中含线性趋势项，意味着原序列具有时间趋势。同样， 决定是否在检验中添加时间趋势项，也可以通过画出原序列的曲线图来观 察。如果图形中大致显示了被检验序列的波动趋势随时间变化而变化，那么 便可以添加时间趋势项。对变量做 PP2、 Phillips-Perron 检验命令： pperron var , (,lags(#)/trend/noconstant/regress/) 检验可以加滞后期或趋势项或不含常数项等等这些取决于你的模型。窗口操作

11、： Statistics Time-series TEST PP 单位根检验 （ 第三 个）如何看结果：同 ADF 一样 原假设为：至少存在一个单位根；备选假设为：序列不存在单 位根。P 值越小（统计量大于各显着性水平值）不存在单位根P 值越大（统计量小于各显着性水平值）存在单位根向量自相关回归 VAR 模型向量自回归（VAR模型是AR模型的多元扩展，用以反映在一个系统中的多 个变量之间的动态影像， 格兰杰因果检验、 脉冲响应、方差分解都是 VAR 模 型中重要的分析工具 。与VAR模型相关的STATA命令与解析1、 VAR模型的估计STATA命令：var 解释变量 （，无常数项 nocons

12、tant/ 滞后期 lags（n）/ 外生变量 exog（varlist）/constraints（numlist） 线性约束的个数 注 意： 使用 线性约 束要 提前 定义 ， 详 情见建模 中 的 各种 小问 题/LIKEPOHL滞后阶数选择的统计量lutstats ）窗口操作：Statistics Multivariate time series VAR第二项）如何看结果：保存估计结果的命令： est store 名称2 VAR 模型平稳性STATA命令：varstable( , graph表示画出图形) 如何看结果：特征值都在圆内，即都小于 1，表示 VAR 模型稳定 窗口操作： St

13、atistics Multivariate time series VARdiagnosticsand tests check stability condition of VAR estimates3 VAR 阶数的选择滞后阶数的确定在 VAR 模型中，正确的选择模型的滞后阶数， 对于模型的估计和协整检验都 产生一定的影响，小样本情况更是如此。(1) STATA命令：用于VAR模型估计之前varsoc 解释变量(，没有常数项 noconstant/ 最高滞后 期 maxlag(#)/ 外 生 变 量 exog(varlist)/ 线 性 约 束 条 件 constraints(numlist

14、) )( 2)命令：用于模型估计之后解释变量(， estimates(estname) ) 其中， estname 表示已经估计的VAR模型的名字。( 1 )( 2 )如何看结果：找最显着的阶数作为其滞后项(一般会标有 )( 3)命令：用于模型估计之后( Wald 滞后排除约束检验) Varwle 窗口操作： Statistics Multivariate time series VARdiagnostics and tests 第一第二项 如何看结果：看不同阶数上的联合显着性，看 P 值，越小越显着，表示存在该阶滞后项。4 残差的正态性与自相关检验STATA命令:1. 先进行 var 回归2

15、. varnorm 如何看结果： 原假设是服从正态分布P 值越小越显着拒绝原假设不服从正态分布P 值越大越不显着拒绝，原假设成立服从正态分布自相关：窗口操作： Statistics Multivariate time series VARdiagnostics and tests LM Test正态分布：窗口操作： Statistics Multivariate time series VARdiagnostics and tests Test for normally（ 倒数第三项 ） 5 Granger 因果关系检验 格兰杰因果关系不同于我们平常意义上的因果关系， 它是 指一个变量对于另 外一个变量具有延期影响。 格兰杰因果关系检验有助于表明变量间的动态影响， 有助于提高模型的预测 效果。命令格式：1. 先进行 var2. 再进行格兰杰因果检验 vargranger如何看结果：看 P 值的显着性，越小说明存在越强的因果关系，相反 P 值 越大说明两者的因果关系不明显。窗 口 操 作 ： Stat