发布时间 : 星期四 文章Stata时间序列笔记更新完毕开始阅读aee36554bb0d6c85ec3a87c24028915f814d8406
tsline calories, ttick(28nov2002 25dec2002, tpos(in)) ttext(3470 28nov2002 \
3470 25dec2002 \ #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(\(分别为刻度名和横坐标名)
9 / 114
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:\\stata10\\ado\\personal\\Net_Course\\B6_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 *-- 滞后阶数的筛选 *-- 估计 *-- 预测
10 / 114
* -- 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)
* Cov[y_t, y_{t+s}] * r_s = ------------------- * Var[y_t] * 偏自相关系数(PACF)
* y_t = a11*y_{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过程的 PACF 具有锯齿型“拖尾”特征*/
11 / 114
* 稳定性与可逆性
* 定义:协方差稳定(Covariance Stationary) * a. E[y_t] 独立于 t;
* b. Var[y_t] 是一个有限的正常数,且独立于 t;
* c. Cov[y_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 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
12 / 114