Stata时间序列笔记.docx

1、Stata时间序列笔记文档结尾是FAQ和var建模的15点注意事项【梳理概念】向量自回归（VAR, Vector Auto regression）常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响。VAR模型:VAR方法通过把系统中每一个内生变量,作为系统中所有内生变量的滞后值的函数来构造模型，从而回避了结构化模型的要求。VAR模型对于相互联系的时间序列变量系统是有效的预测模型，同时，向量自回归模型也被频繁地用于分析不同类型的随机误差项对系统变量的动态影响。如果变量之间不仅存在滞后影响，而不存在同期影响关系，则适合建立VAR模型，因为VAR模型实际上是把当期关系隐含到了随机扰

2、动项之中。协整：Engle和Granger（1987a）指出两个或多个非平稳时间序列的线性组合可能是平稳的。假如这样一种平稳的或的线性组合存在，这些非平稳（有单位根）时间序列之间被认为是具有协整关系的。这种平稳的线性组合被称为协整方程且可被解释为变量之间的长期均衡关系。 * 第六讲 时间序列分析 *- 目录 -*- 简介* 6.1 时间序列数据的处理*- 平稳时间序列模型* 6.2 ARIMA 模型* 6.3 VAR 模型*- 非平稳时间序列模型近些年得到重视，发展很快* 6.4 非平稳时间序列简介* 6.5 单位根检验检验非平稳* 6.6 协整分析非平稳序列的分析*- 自回归条件异方差模型*

3、 6.7 GARCH 模型 金融序列 不同时点上序列的差异反映动态关系的时间数据顺序不可颠倒cd d:stata10adopersonalNet_CourseB6_TimeS*=* 时间序列数据的处理 help time*=* 声明时间序列：tsset 命令 use gnp96.dta, clear list in 1/20 gen Lgnp = L.gnp(此时没办法生成之后一阶的变量，因为没有设定时间变量) tsset date（设定date为时间变量，timeseries） list in 1/20 gen Lgnp = L.gnp96滞后一期，所以会产生1个缺失值检查是否有断点 肉眼看

4、不方便，用命令检查 use gnp96.dta, clear tsset date tsreport, report drop in 10/10 去掉断点成连续的，才能继续进行 list in 1/12 tsreport, report tsreport, report list /*列出存在断点的样本信息*/ 填充缺漏值接着上一步，看看stata如何填充缺漏值。一般用前面的数据的平均值或预测等 Tsfill（以缺漏值的形式） tsreport, report list list in 1/12* 追加样本有时候追加样本不是为了追加新的值，而是为了预测（见应用） use gnp96.dta,

5、clear tsset date list in -10/-1 sum tsappend , add(5) /*追加5个观察值*/ list in -10/-1 增加的样本值都是缺漏的 可以手动输入 sum * 应用：样本外预测 reg gnp96 L.gnp96 predict gnp_hat list in -10/-1接上一步 这样增加的样本值的预测值就显示出来了（前提是追加了样本值）* 清除时间标识 tsset, clear若数据的形态有所改变 就清除*-* 变量的生成与处理*-滞后Llag 前导Fforward 差分D-difference*- 滞后项、超前项和差分项 help ts

6、varlist use gnp96.dta, clear tsset date gen Lgnp = L.gnp96 /*一阶滞后*/ gen L2gnp = L2.gnp96 /*二阶滞后*/ gen Fgnp = F.gnp96 gen F2gnp = F2.gnp96 gen Dgnp = D.gnp96 gen D2gnp = D2.gnp96 list in 1/10 list in -10/-1D，L，F可以组合生成变量 gen 新变量名= DL.变量名 先滞后再差分*- 产生增长率变量gen 变量名=D.ln(gnp96): 对数差分得到近似的增长率 先设定时间变量 tsset

7、dategen lngnp = ln(gnp96) gen growth = D.lngnp（得到近似的增长率）上面两步的简写形式（gen growth=D.ln(gnp96)）该简化方法在stata12中不可行 gen growth2 = (gnp96-L.gnp96)/L.gnp96增长率的最基本定义 gen diff = growth - growth2若对数差分和真正的增长率接近，diff约等于0 list date gnp96 lngnp growth* diff in 1/10*-* 日期的处理*- *- 日期的格式 help tsfmt* * 基本时点：整数数值，如 -3, -2

8、, -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* - * 使用 tsset 命令指定显示格式 use B6_tsset.dta, clear tsset t, daily list use B6_tsset.dta, clear tsset t, weekly定义基本时点1.2.3间的间隔 是日、周、年等 list * 相同的基本时点

9、，采用不同的方式显示会有不同的效果 clear set obs 100 gen t = _n replace t = t-3 local format td tw tm tq th ty foreach f of local format gen t_f = t format t_f %f list in 1/20* 说明：同样的数值，采用不同的显示方式，会有完全不同的含义* 指定起始时点 cap drop month generate month = m(1990-1) + _n - 1 format month %tm list month in 1/20 cap drop year ge

10、n year = y(1952) + _n - 1 format year %ty list t year in 1/20* 设定不同的显示格式 help dfmt* 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

11、and N 数字月份(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 (下划线) . 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

12、close single quote(右引号) !c display character c (code ! to display an exclamation point)*/* 例如：* 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 * - * 又如：* Format Sample date in f

13、ormat* -* %d 11jul1948 * %dDlCY 11jul1948 * %dDlY 11jul48 * %dM_d,_CY July 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)(第一个数显示的是1978年2月14对应的数值) list t in 1/5 format t %dCY-N-D /*1978-02

14、-14*/ list t in 1/5 format t %dcy_n_d /*1978 2 14*/ list t in 1/5 use B6_tsset, clear list tsset t, format(%twCY-m) list * 一个实例：生成连续的时间变量 use e1920.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

15、newmonth, monthly list year month time newmonth in 1/30 *- 处理日期的函数 help dates_and_times help time-series functions * 以下适用于 STATA9.2 版本 *- 时间序列日期概览 help tdates *- 将文字变量转换为日期 help dlyfcns *- 利用年、月、季度转换日期 help dlyfcns *- 日期转换函数 help dcfcns*-* 图解时间序列 *-* help tsline* 例1： clear set seed 13579113 sim_arma

16、 ar2, ar(0.7 0.2) nobs(200) sim_arma ma2, ma(0.7 0.2) tsset _t tsline ar2 ma2 * 亦可采用 twoway line 命令绘制，但较为繁琐 twoway line ar2 ma2 _t（前面两个为纵坐标，后面的为横坐标）* 例2：增加文字标注 sysuse tsline2, clear tsset day #delimit ; tsline calories, ttick(28nov2002 25dec2002, tpos(in) ttext(3470 28nov2002 thanks 3470 25dec2002 x

17、-mas, orient(vert); #delimit cr(clear)* 例3：增加两条纵向的标示线 sysuse tsline2, clear tsset day tsline calories, tline(28nov2002 25dec2002)（在某时点画垂直线） * 或采用 twoway line 命令 local d1 = d(28nov2002) local d2 = d(25dec2002) line calories day, xline(d1 d2)* 例4：改变标签 tsline calories, tlabel(, format(%tdmd) ttitle(Dat

18、e (2002)（分别为刻度名和横坐标名） tsline calories, tlabel(, format(%td) * 计量分析与Stata应用 * * 主讲人：连玉君 博士 * 单 位：中山大学岭南学院金融系 * 电 邮: * 主 页: * :高级部分: * 计量分析与Stata应用 * = * 第六讲 时间序列分析 * = * 6.2 ARIMA 模型 cd d:stata10adopersonalNet_CourseB6_TimeS *=* 平稳时间序列模型 *=*-* ARIMA 模型 help arima*-*- AR 过程与 MA 过程*- 自相关系数与偏自相关系数*- 滞后阶

19、数的筛选*- 估计*- 预测* - 简介 -* AR 过程(自回归过程)* AR(1): y_t = rho*y_t-1 + u_t * AR(p): y_t = r_1*y_t-1 + r_2*y_t-2 + . + r_p*y_t-p + u_t clear sim_arma y_ar, ar(0.9) nobs(300)(自回归系数是0.9，观察值的个数是300) line y_ar _t, yline(0)（在y=0处画条横线） *- * 自相关系数(ACF) * Covy_t, y_t+s * r_s = - * Vary_t * 偏自相关系数(PACF) * y_t = a11*y

20、_t-1 + u_t（a11就是一阶（偏）自相关系数，） * y_t = a21*y_t-1 + a22*y_t-2 + u_t（a22就是二阶偏自相关系数） * . * y_t = ak1*y_t-1 + ak2*y_t-2 + . + akk*y_t-k + u_t * * PACF 为 a11, a22, a33, . , akk * 相当于控制其它滞后项的影响后，得到的“净”相关系数 *- ac y_ar /*AR过程的 ACF 具有“拖尾”特征，长期记忆*/ pac y_ar /*AR过程的 PACF 具有“截尾”特征*/ * 评论：根据AC和PAC图形可以初步判断某个序列是否为AR

21、过程 * 具体表现为： * (1) AC 图“拖尾” * (2) PAC 图“截断”(截断处对应的阶数就是AR的滞后阶数P) * MA 过程(移动平均过程)（干扰项存在一个自相关的过程）* MA(1): y_t = theta*u_t-1 + u_t * MA(q): y_t = theta1*u_t-1 + theta2*u_t-2 + . + thetaq*u_t-q + u_t sim_arma y_ma, ma(0.8) nobs(300) line y_ma _t, yline(0) ac y_ma /*MA过程的 ACF 具有“截尾”特征，短期记忆*/ pac y_ma /*MA过

22、程的 PACF 具有锯齿型“拖尾”特征*/ * 稳定性与可逆性* 定义：协方差稳定(Covariance Stationary)* a. Ey_t 独立于 t；* b. Vary_t 是一个有限的正常数，且独立于 t；* c. Covy_t,y_t+s 是 s 的有限函数，但与 t 无关。* 稳定的AR过程和MA过程可以相互转换* ARIMA 模型（最大似然估计法）* y_t = x_t*b + u_t 结构方程* u_t = rho*u_t-1 + theta*v_t-1 + v_t 干扰项，ARMA(1,1)* 一阶自相关 一阶移动平均 白噪声* 很多情况下，模型设定中并不包含解释变量,此

23、时ARMA(1,1)模型可表示为：* y_t = a + rho*y_t-1 + theta*v_t-1 + v_t* 实例：固定资产投资行为 * - 估计 - use wpi1.dta, clear d dfuller wpi gen d_wpi = D.wpi dfuller d_wpi * ARMA(1,1,1) 模型 由于原始序列包含单位根，所以要采用ARIMA模型 arima wpi, arima(1,1,1) * 另一种设定方式,更加灵活 arima d_wpi, ar(1) ma(1) * - 滞后阶数的确定 -* LL值，AIC准则，BIC准则* LL 越大越好, AIC 和

24、BIC 越小越好* AIC = -2*ln(L) + 2*k /*ln(L) 对数似然值；k 参数个数； N 样本数*/* BIC = -2*ln(L) + k*ln(N)* BIC 更倾向于筛选出“精简的”模型 * 产生模拟数据：ARMA(2,1)过程 clear set seed 1357 sim_arma y_arma21, ar(0.8) ma(0.2) nobs(300) * 估计 ARMA(1,1) 模型，MLE arima y_arma21, ar(1) ma(1) * 列示信息准则 estat ic * 估计 ARMA(2,1) 模型 arima y_arma21, ar(1

25、2) ma(1)（既包含一阶，也包含二阶滞后项） estat ic ret list mat list r(S) mat s = r(S) dis AIC = s1,5 * 根据信息准则筛选模型 * 例1：模拟数据 tsset _t（设定时间变量） mat b = J(6,4,0)（产生一个矩阵，六行四列，元素全部为0） local p = 1（定义展元） forvalues i = 1(1)3（i=1-3，每次增加1） forvalues j = 1(1)2 mat bp,1 = i mat bp,2 = j（b矩阵的第一列和第二列分别记录i和j的数值） qui arima y_arma21

26、 , ar(1/i) ma(1/j) est store armaij qui estat ic mat S = r(S) mat bp,3 = (S1,5, S1,6) local p = p + 1 mat colnames b = AR MA AIC BIC（定义矩阵的名称）（第三列第四列分别记录AIC和BIC的数值） mat list b local mm arma11 arma12 arma21 arma22 arma31 arma32 esttab mm, mtitle(mm) compress nogap scalar(ll aic bic) * 例2：真实数据美国零售价格指数

27、use wpi1.dta, clear tsset t line wpi t line D.wpi t line D.ln_wpi t ac D.ln_wpi /*包含AR过程*/ pac D.ln_wpi /*基本上可以判断是AR(1)，或ARMA(1,1)过程*/ * 采用信息准则筛选滞后阶数 local y D.ln_wpi local a = 3 /*AR(a)*/ local b = 1 /*MA(b)*/ forvalues i = 1(1)a forvalues j = 0(1)b （0表示有可能只估计一个AR模型） if j = 0 local ma else local ma ma(1/j) qui arima