stata教程(一)復(fù)習(xí)過(guò)程.ppt

主要內(nèi)容 時(shí)間序列的定義與擴(kuò)展相關(guān)圖繪制與白噪聲檢驗(yàn)移動(dòng)平均濾波與指數(shù)平滑法ARIMA模型SARIMA模型ARIMAX模型單位根檢驗(yàn)向量自回歸模型協(xié)整與向量誤差修正模型ARCH族模型 實(shí)驗(yàn)12 1 時(shí)間序列的定義與擴(kuò)展 實(shí)驗(yàn)基本原理在利用stata對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行分析之前 我們通常需要定義時(shí)間變量 只有這樣 我們才能方便地使用各種時(shí)間序列算子以及相關(guān)的時(shí)間序列分析命令 此外 有些時(shí)候 隨著時(shí)間的推移 我們又獲得了新的觀測(cè)值 或者 我們需要對(duì)時(shí)間序列進(jìn)行預(yù)測(cè) 這時(shí) 有必要對(duì)時(shí)間區(qū)間進(jìn)行擴(kuò)展 這些 都可以通過(guò)stata方便地實(shí)現(xiàn) 實(shí)驗(yàn)內(nèi)容及數(shù)據(jù)來(lái)源利用本書(shū)附帶光盤(pán)data文件夾下的 tsexmp dta 工作文件 我們來(lái)講解時(shí)間變量的設(shè)定 tsexmp dta 中 主要變量包括 time 整數(shù)的時(shí)間變量 time1 字符串格式的時(shí)間變量 利用這些數(shù)據(jù) 我們會(huì)講解時(shí)間序列數(shù)據(jù)的設(shè)定 時(shí)間區(qū)間的擴(kuò)展 以及前滯變量 滯后變量 差分變量 季節(jié)差分變量的設(shè)定等 實(shí)驗(yàn)操作指導(dǎo)1時(shí)間序列數(shù)據(jù)的設(shè)定 1 定義時(shí)間變量的基本命令設(shè)定時(shí)間序列 timeseriesset 變量的基本命令格式為 tssettimevar options 其中 tsset是 定義時(shí)間變量 的基本命令 timevar為用于標(biāo)識(shí)時(shí)間序列數(shù)據(jù)的變量名 options代表其他選項(xiàng) 可用的options選項(xiàng)主要分兩類(lèi) 一類(lèi)設(shè)定時(shí)間變量的單位 unitsoftimevar 一類(lèi)設(shè)定時(shí)間變量的周期 periodoftimevar 表12 2給出了各個(gè)單位選項(xiàng) unitoptions 其中 默認(rèn)規(guī)則意味著 如果事先通過(guò)format命令設(shè)定了timevar的顯示格式為 t 格式 則不必再設(shè)定單位選項(xiàng) unitoptions stata會(huì)根據(jù)時(shí)間變量的顯示格式自動(dòng)獲得時(shí)間變量的單位 否則 可以設(shè)定單位選項(xiàng) 周期選項(xiàng) deltaoptions 設(shè)定時(shí)間變量相鄰觀測(cè)值之間的間隔時(shí)間為幾個(gè)單位 表12 3給出了各個(gè)具體的選項(xiàng) 下面 我們利用 tsexmp dta 的數(shù)據(jù) 對(duì)tsset命令及選項(xiàng)做進(jìn)一步說(shuō)明 如果我們要設(shè)定時(shí)間變量為time 輸入命令 tssettime進(jìn)行時(shí)間變量的設(shè)定之后 stata會(huì)自動(dòng)將數(shù)據(jù)按設(shè)定的時(shí)間變量從小到大排序 從而方便相關(guān)命令的使用 如果要查看已設(shè)定的時(shí)間變量 可鍵入不帶后綴的tsset命令 在數(shù)據(jù)被重新排序之后 想要恢復(fù)按時(shí)間序列排序 也可以通過(guò)tsset命令實(shí)現(xiàn) 也就是說(shuō) 設(shè)定time為時(shí)間變量之后 如下兩條命令會(huì)產(chǎn)生相同的效果 tsset sorttime在設(shè)定時(shí)間變量之后 我們可以保存一下數(shù)據(jù) 這樣 下次使用時(shí) 就不必再重新設(shè)定時(shí)間變量 2 調(diào)整時(shí)間設(shè)定的初始值我們注意到 變量time的起始值為1 事實(shí)上 我們可以通過(guò)函數(shù)將起始時(shí)間調(diào)整到任何一個(gè)我們想要的時(shí)間 如過(guò)time 1代表2003年6月 那么我們可以生成一個(gè)新變量讓其起始值為2003年6月 輸入命令 generatenewm tm 2003m6 time 1listtimenewmin1 5其中 第一步為生成新變量newm 并令其第一個(gè)值代表2003年6月 函數(shù)tm 可將時(shí)間轉(zhuǎn)換成stata系統(tǒng)默認(rèn)的格式 第二步列出變量time和newm的前5個(gè)值 我們可以將變量newm轉(zhuǎn)換成 tm格式使其更易讀 鍵入命令 formatnewm tmlisttimenewmin1 5其中 format命令用于定義變量的格式 之后 我們可以重新將newm設(shè)定為時(shí)間變量 tssetnewm當(dāng)然 如果我們不先使用format命令 直接鍵入 tssetnewm monthly或tssetnewm format tm 也可以實(shí)現(xiàn)相同的效果 在前面的講解中 我們假定time為月度變量 并使用了函數(shù)tm 以及格式 tm 與之對(duì)應(yīng) 如果數(shù)據(jù)單位為毫秒 日 周 季度 半年 年 我們有相應(yīng)的函數(shù)tc td tw tq th ty 以及相應(yīng)的格式 tc td tw tq th ty 3 將字符串變量轉(zhuǎn)換為時(shí)間變量在 tsexmp dta 中 time1為字符串格式的變量 如果我們要將其變?yōu)闀r(shí)間變量 可以通過(guò)如下的命令實(shí)現(xiàn) gendoublenewc clock time1 MDYhms 注意 我們這里將產(chǎn)生的新變量設(shè)為 雙精度 double 格式 這是因?yàn)橐院撩霝閱挝坏臅r(shí)間非常大 如果使用默認(rèn)的 float 格式 新變量newc將被四舍五入 造成結(jié)果的不精確甚至是錯(cuò)誤 因?yàn)樽兞縯ime1是按照 月 日 年小時(shí) 分 秒 的格式呈現(xiàn)的 所以我們?cè)赾lock 命令中使用選項(xiàng) MDYhms 告訴stata數(shù)據(jù)的書(shū)寫(xiě)格式 與clock命令對(duì)應(yīng) 當(dāng)數(shù)據(jù)的單位為日 周 月 季度 半年 年 我們有命令date weekly monthly quarterly halfyearly yearly 選項(xiàng)的格式依數(shù)據(jù)的具體書(shū)寫(xiě)格式而定 在此之后 可以通過(guò)如下命令將newc設(shè)為時(shí)間變量 tssetnewc clocktime其中 選項(xiàng)clocktime表明 我們?cè)O(shè)定時(shí)間序列數(shù)據(jù)的單位為毫秒 但事實(shí)上 數(shù)據(jù)是每隔20分鐘記錄一次的 這樣 我們有必要將其周期變?yōu)?0分 以方便滯后算子L 差分算子D等運(yùn)算符號(hào)的使用 選項(xiàng)delta 可以做到這一點(diǎn) 命令為 tssetnewc delta 1000 60 20 其中 選項(xiàng)delta 中的表達(dá)式 1000 60 20 表明 我們?cè)O(shè)定數(shù)據(jù)的周期為1000 60 20個(gè)單位 這里即1000 60 20毫秒 即20分鐘 2擴(kuò)展時(shí)間區(qū)間擴(kuò)展時(shí)間區(qū)間的基本命令格式為 tsappend add last date clock tsfmt string 其中 選項(xiàng)add 指定要增加的觀測(cè)值的個(gè)數(shù) 如果不設(shè)定選項(xiàng)add 就必須同時(shí)設(shè)定last date clock 和tsfmt string last 指定我們要將時(shí)間擴(kuò)展到的日期 tsfmt 用于將last 選項(xiàng)中的日期轉(zhuǎn)化成stata默認(rèn)時(shí)間所對(duì)應(yīng)的整數(shù) 可用的string包括tc td tw tm tq th和ty 需要注意的一點(diǎn)是 在使用tsappend命令之前必須先用tsset設(shè)置時(shí)間變量 例如 對(duì)于 tsexmp dta 的數(shù)據(jù) 我們先按照前面所講 設(shè)定時(shí)間變量 generatenewm tm 2003m6 time 1tssetnewm monthly這時(shí) 時(shí)間變量的區(qū)間為2003年6月到2005年11月 如果我們想增加12個(gè)觀測(cè)值 可鍵入命令 tsappend add 12 這樣 時(shí)間變量被擴(kuò)展到2006年11月 當(dāng)然 我們也可以使用另一種方式 tsappend last 2006m11 tsfmt tm 這里 選項(xiàng)last 2006m11 用于指定擴(kuò)展后時(shí)間變量的最后一個(gè)觀測(cè)值為2006年11月 tsfmt tm 指定變量格式為月數(shù)據(jù) 如果時(shí)間變量有間隔 gaps 例如 在上面的例子中03年6月和03年9月之間缺失了兩個(gè)月 tsappend命令也會(huì)自動(dòng)補(bǔ)齊 當(dāng)然 對(duì)于有間隔 gaps 的時(shí)間變量 我們也可以通過(guò)專(zhuān)門(mén)的命令tsfill將其補(bǔ)齊 命令格式為 tsfill在使用命令tsfill之前 也需要先用tsset定義時(shí)間序列 3時(shí)間序列算子在進(jìn)行時(shí)間序列分析時(shí) 我們經(jīng)常要用到某變量的滯后值或差分值等 這可以通過(guò)時(shí)間序列算子實(shí)現(xiàn) 常用的算子及其含義列于表12 4中 實(shí)驗(yàn)12 2 相關(guān)圖繪制與白噪聲檢驗(yàn) 實(shí)驗(yàn)基本原理 實(shí)驗(yàn)內(nèi)容及數(shù)據(jù)來(lái)源本書(shū)附帶光盤(pán)data文件夾下的 wpi1 dta 工作文件包括了1960年第1季度到1990年第4季度的美國(guó)批發(fā)價(jià)格指數(shù)的數(shù)據(jù) 主要的變量包括 t 時(shí)間 wpi 批發(fā)價(jià)格指數(shù) ln wpi wpi的對(duì)數(shù) 利用這些數(shù)據(jù) 我們將講解自相關(guān)函數(shù)和偏自相關(guān)函數(shù)的繪圖以及白噪聲的檢驗(yàn) 實(shí)驗(yàn)操作指導(dǎo)1計(jì)算并繪制自相關(guān)函數(shù)與偏自相關(guān)函數(shù)圖計(jì)算自相關(guān)函數(shù) 偏自相關(guān)函數(shù)以及Q統(tǒng)計(jì)量的命令為 corrgramvarname if in corrgram options 其中 corrgram代表 計(jì)算自相關(guān)與偏自相關(guān)函數(shù)以及Q統(tǒng)計(jì)量 的基本命令語(yǔ)句 varname代表要分析的變量的名稱 if代表?xiàng)l件語(yǔ)句 in代表范圍語(yǔ)句 corrgram options代表其他選項(xiàng) 表12 6列示了各主要選項(xiàng) 此外 我們還可以對(duì)自相關(guān)和偏自相關(guān)圖分別進(jìn)行繪制 繪制帶置信區(qū)間的自相關(guān)函數(shù)的命令為 acvarname if in ac options 繪制帶置信區(qū)間的偏自相關(guān)函數(shù)的命令為 pacvarname if in pac options 表12 7給出了這兩個(gè)命令的選項(xiàng) 下面 我們對(duì)數(shù)據(jù)文件 wpi1 dta 中的變量ln wpi計(jì)算自相關(guān)與偏自相關(guān)函數(shù)以及Q統(tǒng)計(jì)量的值 輸入命令 corrgramln wpi lags 20 其中 選項(xiàng)lags 20 表明設(shè)置滯后期為20 當(dāng)然 我們也可以在變量名上加上滯后算子 例如 我們要對(duì)ln wpi的一階差分值繪制帶置信區(qū)間的自相關(guān)函數(shù)值和偏自相關(guān)函數(shù)值 可輸入命令 acD ln wpipacD ln wpi 2白噪聲檢驗(yàn)corrgram命令可以同時(shí)匯報(bào)Q統(tǒng)計(jì)量 用于白噪聲檢驗(yàn) 此外 我們還有專(zhuān)門(mén)的命令來(lái)進(jìn)行白噪聲檢驗(yàn) 用Q統(tǒng)計(jì)量進(jìn)行白噪聲檢驗(yàn)的基本命令為 wntestqvarname if in lags 其中 wntestq代表 Q統(tǒng)計(jì)量白噪聲檢驗(yàn) 的基本命令語(yǔ)句 varname代表要分析的變量的名稱 if代表?xiàng)l件語(yǔ)句 in代表范圍語(yǔ)句 選項(xiàng)lags 用于設(shè)定滯后期為 通過(guò)Bartlett檢驗(yàn)來(lái)判斷序列是否為白噪聲的基本命令為 wntestbvarname if in tablelevel 其中 wntestb代表 Bartlett白噪聲檢驗(yàn) 的基本命令語(yǔ)句 選項(xiàng)table表示用列表而非圖形來(lái)展示結(jié)果 level 用于設(shè)置置信度 下面 我們分別使用Q統(tǒng)計(jì)量和Bartlett檢驗(yàn)來(lái)對(duì)序列D ln wpi進(jìn)行白噪聲的檢驗(yàn) 用Q統(tǒng)計(jì)量檢驗(yàn)的命令為 wntestqD ln wpi用Bartlett檢驗(yàn)的命令為 wntestbD ln wpi 實(shí)驗(yàn)12 3 移動(dòng)平均濾波與指數(shù)平滑法 實(shí)驗(yàn)基本原理 實(shí)驗(yàn)內(nèi)容及數(shù)據(jù)來(lái)源本書(shū)附帶光盤(pán)data文件夾下的 sales dta 工作文件給出了某50個(gè)月的圖書(shū)銷(xiāo)售數(shù)據(jù) 變量主要包括 t 時(shí)間 sales 銷(xiāo)售額 對(duì)于這些銷(xiāo)售數(shù)據(jù) 我們想分析其隨時(shí)間的變化趨勢(shì) 并希望通過(guò)模型對(duì)其進(jìn)行擬合及預(yù)測(cè) 這樣 利用 sales dta 的數(shù)據(jù) 我們來(lái)講解移動(dòng)平均濾波 單指數(shù)平滑法 雙指數(shù)平滑法以及Holt Winters平滑法的操作和相關(guān)的預(yù)測(cè) 實(shí)驗(yàn)操作指導(dǎo)1移動(dòng)平均濾波 對(duì)于 sales dta 的銷(xiāo)售數(shù)據(jù) 我們想把其分解成兩部分 信號(hào)和噪聲 通過(guò)移動(dòng)平均濾波 我們可以消除噪聲 輸入命令 tssmoothmasm sales window 212 其中 生成的平滑變量被命名為sm 選項(xiàng)window 212 說(shuō)明我們利用兩期滯后值 當(dāng)期值和兩期領(lǐng)先值來(lái)做移動(dòng)平均 且各個(gè)值的權(quán)重相同 在進(jìn)行移動(dòng)平均濾波分析的時(shí)候 我們通常希望噪聲中沒(méi)有自相關(guān) 下面 我們對(duì)其進(jìn)行檢驗(yàn) gennoise sales smacnoise這里 第一步生成一個(gè)新變量noise 其值為原序列與平滑序列之差 也就是噪聲 第二步繪制變量noise的自相關(guān)圖 考慮重新指定權(quán)重 進(jìn)行移動(dòng)平均 tssmoothmasm2 sales weights 1221 這里 選項(xiàng)weight設(shè)置各個(gè)值的權(quán)重 可以驗(yàn)證 這種形式的平滑之后 噪聲沒(méi)有自相關(guān) 我們可以將變量sm2和sales繪制到一個(gè)圖上進(jìn)行比較 linesm2salest這里 y軸變量為sm2和sales x軸變量為t 2單指數(shù)平滑法 下面 我們對(duì)變量sales用單指數(shù)平滑法進(jìn)行平滑 并進(jìn)行三期的預(yù)測(cè) tssmoothexponentialse sales forecast 3 這里 生成的新變量被命名為se 選項(xiàng)forecast 3 表明我們要進(jìn)行3期的預(yù)測(cè) 通過(guò)作圖 我們可以對(duì)單指數(shù)平滑法的擬合程度有更為直觀的認(rèn)識(shí) linesesalest 3雙指數(shù)平滑法雙指數(shù)平滑法的基本命令格式與單指數(shù)平滑法相似 為 tssmoothdexponential type newvar exp if in options 其中 tssmoothdexponential代表 雙指數(shù)平滑法 的基本命令語(yǔ)句 可用的options選項(xiàng)與單指數(shù)平滑法也基本相同 詳見(jiàn)表12 9 只是選項(xiàng)s0 要設(shè)定兩個(gè)參數(shù)為初始值 形式為s0 1 2 雖然單指數(shù)平滑法已經(jīng)可以對(duì)變量sales較好地?cái)M合 但這里我們?cè)儆秒p指數(shù)平滑法擬合一下 并比較其與兩次單指數(shù)模型的擬合結(jié)果 輸入命令 tssmoothexponentialdoublese1 sales p 0 5 s0 1031 tssmoothexponentialdoublese2 se1 p 0 5 s0 1031 tssmoothdexponentialdoublesd sales p 0 5 s0 10311031 其中 第一步對(duì)變量sales用單指數(shù)平滑法進(jìn)行平滑 并生成平滑變量se1 選項(xiàng)p 0 5 用于指定平滑參數(shù) s0 1031 用于設(shè)定初始值 這里 設(shè)定這兩個(gè)選項(xiàng)是為了方便比較兩種平滑方法的結(jié)果 此外 double指定生成的新變量se1的類(lèi)型為雙精度 命令的第二行是對(duì)變量se1用單指數(shù)平滑法進(jìn)行平滑 并生成新變量se2 第三步是用雙指數(shù)平滑法對(duì)變量sales進(jìn)行平滑 因?yàn)閱沃笖?shù)平滑法將起始值視為時(shí)間零點(diǎn) time zero 值 所以 在對(duì)單指數(shù)平滑序列再進(jìn)行平滑時(shí) 我們共失去了兩個(gè)觀測(cè)值 這樣 我們生成變量se2的兩期領(lǐng)先變量并與雙指數(shù)平滑變量進(jìn)行比較 輸入命令 generatedoublefse2 f2 se2listfse2sdin1 5其中 第一步為生成se2的兩期領(lǐng)先變量 并將其命名為fse2 注意 這里 變量類(lèi)型double必不可少 否則 四舍五入會(huì)使變量值不精確 從而可能導(dǎo)致顯示的結(jié)果不同 第二步列出了變量fse2和sd的前5個(gè)值 與單指數(shù)平滑法不同一點(diǎn)的是 雙指數(shù)平滑法的預(yù)測(cè)值與其平滑值不相同 在實(shí)際的運(yùn)用中 我們可以不必設(shè)定初始值和平滑參數(shù) 直接用默認(rèn)的方法進(jìn)行平滑或預(yù)測(cè)即可 下面 我們用默認(rèn)值進(jìn)行平滑及預(yù)測(cè) 并作圖比較 輸入命令 tssmoothdexponentialdoublesd1 salestssmoothdexponentialdoublefsd1 sales forecast 4 linesd1fsd1salest 4Holt Winters平滑法下面 我們對(duì)變量sales用Holt Winters平滑法進(jìn)行擬合及預(yù)測(cè) tssmoothhwintershw sales forecast 4 linesaleshwt其中 第一步是用Holt Winters法平滑 并生成新變量hw 選項(xiàng)forecast 4 表明我們要進(jìn)行4步預(yù)測(cè) 第二步為作圖 y軸為sales和hw x軸為t 我們?cè)谇懊嬷v過(guò) 對(duì)于雙指數(shù)平滑法 是否加forecast 選項(xiàng)會(huì)影響生成的序列值 而對(duì)于Holt Winters平滑法 是否有forecast 選項(xiàng)并不影響平滑值 此外 雖然多種方法都可以得到單變量時(shí)間序列的預(yù)測(cè)值 但在實(shí)際運(yùn)用當(dāng)中 Holt Winters法還是使用得最多的 5Holt Winters季節(jié)平滑法 其中 如果不設(shè)定選項(xiàng)period 季節(jié)效應(yīng)的周期會(huì)從tsset命令的選項(xiàng)daily weekly yearly中獲得 如果之前的tsset命令沒(méi)有設(shè)定這類(lèi)選項(xiàng) 則必須使用選項(xiàng)period 例如 數(shù)據(jù)為月度數(shù)據(jù) 而tsset命令沒(méi)有設(shè)定選項(xiàng)monthly 那么 這里就必須使用選項(xiàng)period 12 此外 選項(xiàng)sn0 0 varname 和sn0 v newvar 不可同時(shí)使用 因?yàn)殇N(xiāo)售數(shù)據(jù)sales并沒(méi)有呈現(xiàn)季節(jié)效應(yīng) 我們這里就不再舉例說(shuō)明了 實(shí)驗(yàn)12 4 ARIMA模型 實(shí)驗(yàn)基本原理 實(shí)驗(yàn)內(nèi)容及數(shù)據(jù)來(lái)源本書(shū)附帶光盤(pán)data文件夾下的 wpi1 dta 工作文件給出了批發(fā)價(jià)格指數(shù)的季度數(shù)據(jù) 主要的變量包括 t 時(shí)間 wpi 批發(fā)價(jià)格指數(shù) ln wpi wpi的對(duì)數(shù) 我們考慮用模型對(duì)批發(fā)價(jià)格指數(shù)的變動(dòng)進(jìn)行擬合 并對(duì)其未來(lái)值進(jìn)行預(yù)測(cè) 利用 wpi1 dta 的數(shù)據(jù) 我們將講解arima模型的擬合及預(yù)測(cè) 實(shí)驗(yàn)操作指導(dǎo)1作圖觀察時(shí)間序列的趨勢(shì)通常情況下 我們可以通過(guò)觀察時(shí)間序列的趨勢(shì)線對(duì)序列是否平穩(wěn)有一個(gè)大致的認(rèn)識(shí) 鍵入命令 linewpit yline 0 其中 yline 0 表示在y 0處做一條水平線作為參照 對(duì)其一階差分作圖 lined wpit yline 0 觀察變量的自相關(guān)圖和偏自相關(guān)圖可以幫我們確定模型的階數(shù) 輸入命令 acD wpipacD wpi其中 第一步是繪制wpi一階差分的自相關(guān)圖 第二步繪制wpi一階差分的偏自相關(guān)圖 2ARIMA回歸的操作ARIMA模型的基本命令為 arimavarname ar numlist ma numlist 或arimavarname arima p d q 完全的命令格式為 arimavarname if in weight options 其中 arima代表 擬合ARIMA模型 的基本命令語(yǔ)句 varname代表要分析的變量的名稱 if代表?xiàng)l件語(yǔ)句 in代表范圍語(yǔ)句 weight代表權(quán)重語(yǔ)句 options代表其他選項(xiàng) 主要的選項(xiàng)列于表12 11中 其中 選項(xiàng)arima p d q 意味著 將變量進(jìn)行d階差分 并包括1到p階自回歸項(xiàng)以及1到q階移動(dòng)平均項(xiàng) 對(duì)于序列wpi 我們判斷應(yīng)使用ARIMA p 1 q 模型 而p q階數(shù)的判斷則可以通過(guò)信息準(zhǔn)則 首先假定模型為ARIMA 1 1 1 鍵入命令 arimawpi arima 1 1 1 為了列示該模型的信息準(zhǔn)則值 我們鍵入命令 estatic 下面 我們依次對(duì)wpi擬合ARIMA 2 1 1 ARIMA 1 1 2 ARIMA 2 1 2 并計(jì)算其信息準(zhǔn)則 得到如表12 12所示的結(jié)果 可以看到 對(duì)于AIC準(zhǔn)則和BIC準(zhǔn)則 ARIMA 1 1 1 的值都是最小的 從而應(yīng)該選擇模型ARIMA 1 1 1 在擬合完模型之后 我們要檢驗(yàn)殘差是否為白噪聲 輸入命令 predictr residualwntestqr其中 第一步是對(duì)殘差進(jìn)行預(yù)測(cè) 并將其命名為r 第二步檢驗(yàn)變量r是否為白噪聲 3模型的改進(jìn)ARIMA 1 1 1 對(duì)模型的擬合已經(jīng)不錯(cuò) 但鑒于wpi一階差分的方差比較大 見(jiàn)圖12 21 我們考慮對(duì)wpi取對(duì)數(shù)重新進(jìn)行擬合 因?yàn)閣pi為季度數(shù)據(jù) 考慮到本年的某一季度對(duì)下一年同一季度有一定影響 我們?cè)赼r 1 ma 1 項(xiàng)之外 再加入ma 4 項(xiàng)來(lái)擬合剩余的季度效應(yīng) 鍵入命令 arimaD ln wpi ar 1 ma 14 為了確認(rèn)模型的改進(jìn) 我們來(lái)看一下信息準(zhǔn)則值 鍵入 estatic 4模型的預(yù)測(cè)對(duì)模型進(jìn)行預(yù)測(cè)的基本命令為 predict type newvar if in statisticoptions 其中 predict代表 預(yù)測(cè) 的基本命令 type代表新變量的類(lèi)型 newvar代表生成的新變量的名稱 if代表?xiàng)l件語(yǔ)句 in代表范圍語(yǔ)句 statistic代表可用的統(tǒng)計(jì)量 options代表其他選項(xiàng) 主要的statistic統(tǒng)計(jì)量被列示在表12 13中 為了得到對(duì)預(yù)測(cè)結(jié)果的直觀認(rèn)識(shí) 鍵入命令 listD ln wpixbsxbln wpiysyin1 10 實(shí)驗(yàn)12 5 SARIMA模型 實(shí)驗(yàn)基本原理 實(shí)驗(yàn)內(nèi)容及數(shù)據(jù)來(lái)源Box Jenkins andReinsel 1994 給出了一個(gè)乘積SARIMA的例子 主要變量包括 air 1949年1月到1960年12月的國(guó)際航線乘客數(shù)量 t 時(shí)間 為該數(shù)據(jù)文件的時(shí)間變量 time 另一種格式的時(shí)間 全部數(shù)據(jù)見(jiàn)本書(shū)附帶光盤(pán)data文件夾下的 airpsn dta 工作文件 利用 airpsn dta 的數(shù)據(jù) 我們講解SARIMA模型的擬合及預(yù)測(cè) 實(shí)驗(yàn)操作指導(dǎo)1模型定階為了使數(shù)據(jù)更平穩(wěn) 我們對(duì)變量air取對(duì)數(shù) genlnair ln air 做lnair的時(shí)間趨勢(shì)圖 linelnairt對(duì)lnair進(jìn)行1階差分和12階季節(jié)差分 并作出差分后的序列的時(shí)間趨勢(shì)圖 lineDS12 lnairt yline 0 其中 DS12 lnair表示對(duì)lnair進(jìn)行1階差分和12階季節(jié)差分后的變量 做出差分后序列的自相關(guān)圖和偏自相關(guān)圖 acDS12 lnairpacDS12 lnair 2SARIMA回歸的操作SARIMA模型的基本命令為 arimavarname arima p d q sarima P D Q s 完全的命令格式為 arimavarname if in weight options 其中 arima代表 ARIMA模型 的基本命令語(yǔ)句 varname代表要分析的變量的名稱 if代表?xiàng)l件語(yǔ)句 in代表范圍語(yǔ)句 weight代表權(quán)重語(yǔ)句 options代表其他選項(xiàng) 可用的options選項(xiàng)包括表12 11的所有選項(xiàng)以及表12 16的選項(xiàng) 下面 我們對(duì)變量lnair擬合SARIMA模型 因?yàn)镈S12 lnair的時(shí)間趨勢(shì)圖顯示 序列在0附近波動(dòng) 所以我們?cè)O(shè)定模型沒(méi)有常數(shù)項(xiàng) 鍵入命令 arimalnair arima 0 1 1 sarima 0 1 1 12 noconstant其中 選項(xiàng)noconstant表明模型沒(méi)有常數(shù)項(xiàng) 對(duì)于上面的模型 使用如下命令可以得到相同的結(jié)果 arimaDS12 lnair ma 1 mma 1 12 noconstant進(jìn)行擬合之后 我們也可以通過(guò)信息準(zhǔn)則來(lái)選擇最為合適的模型 estatic 3模型的預(yù)測(cè)對(duì)SARIMA模型進(jìn)行預(yù)測(cè)的基本命令與ARIMA模型相同 為 predict type newvar if in statisticoptions 可用的統(tǒng)計(jì)量和選項(xiàng)也與ARIMA模型相同 詳見(jiàn)表12 13和表12 14 我們對(duì)擬合的差分序列進(jìn)行預(yù)測(cè) 可采用命令 predictxb xb對(duì)水平序列進(jìn)行預(yù)測(cè) 命令為 predicty y為了對(duì)預(yù)測(cè)值有一個(gè)直觀的認(rèn)識(shí) 我們鍵入命令 listDS12 lnairxblnairyin16 20 實(shí)驗(yàn)12 6 ARIMAX模型 實(shí)驗(yàn)基本原理 實(shí)驗(yàn)內(nèi)容及數(shù)據(jù)來(lái)源本書(shū)附帶光盤(pán)data文件夾下的 cams dta 工作文件給出了美國(guó)的消費(fèi)支出和貨幣供給數(shù)據(jù) 主要變量包括 time 時(shí)間 consump 個(gè)人消費(fèi)支出 m1 貨幣供給M1 m2 貨幣供給M2 利用這些數(shù)據(jù) 我們研究個(gè)人消費(fèi)支出和貨幣供給的關(guān)系 對(duì)貨幣數(shù)量說(shuō)進(jìn)行實(shí)證檢驗(yàn) 因?yàn)槊缆?lián)儲(chǔ)從1980s后期對(duì)貨幣供給進(jìn)行了更多地控制以控制通貨膨脹 消費(fèi)支出和貨幣供給的關(guān)系更為復(fù)雜 所以 我們利用1982年之前的數(shù)據(jù)進(jìn)行分析 這樣 本實(shí)驗(yàn)中 我們使用 cams dta 的數(shù)據(jù) 來(lái)講解ARIMAX模型的擬合以及動(dòng)態(tài)預(yù)測(cè)等 實(shí)驗(yàn)操作指導(dǎo)1模型的確定我們首先使用普通最小二乘對(duì)模型進(jìn)行擬合 命令為 regressconsumpm2iftime tq 1982q1 為了檢驗(yàn)?zāi)Ｐ臀覀兪欠癯浞痔崛×藲埐钪械男畔?我們計(jì)算出殘差 并在我們所使用的樣本區(qū)間作出殘差的時(shí)間趨勢(shì)圖 predicte residuallineetiftime tq 1982q1 yline 0 其中 第一步是對(duì)殘差進(jìn)行預(yù)測(cè) 并將其命名為e 第二步做出1982年第1季度之前的殘差的時(shí)間趨勢(shì)圖 并作出y 0的水平線 考察殘差的自相關(guān)圖與偏自相關(guān)圖 aceiftime tq 1982q1 paceiftime tq 1982q1 2ARIMAX回歸的操作 對(duì) cams dta 的數(shù)據(jù)擬合ARIMAX模型 我們鍵入命令 arimaconsumpm2iftin 1981q4 ar 1 ma 1 命令中 選項(xiàng)tin 限制了時(shí)間范圍 其中 之前沒(méi)有設(shè)定時(shí)間 表示使用到1981年第4季度為止的所有可得數(shù)據(jù) 如果我們擔(dān)心擾動(dòng)項(xiàng)還存在異方差問(wèn)題 則可以在回歸中使用異方差穩(wěn)健標(biāo)準(zhǔn)差 即使用命令 arimaconsumpm2iftin 1981q4 ar 1 ma 1 vce r 其中 選項(xiàng)vce r 表示我們使用異方差穩(wěn)健標(biāo)準(zhǔn)差 3ARIMAX模型的預(yù)測(cè)對(duì)ARIMAX模型進(jìn)行預(yù)測(cè)的命令與ARIMA模型相同 為 predict type newvar if in statisticoptions 可用的統(tǒng)計(jì)量及選項(xiàng)也與ARIMA模型相同 詳見(jiàn)表12 13和表12 14 下面 我們利用 cams dta 的數(shù)據(jù) 對(duì)一步預(yù)測(cè)和動(dòng)態(tài)預(yù)測(cè)做進(jìn)一步的講解 因?yàn)?981年第4季度之后的數(shù)據(jù)不是我們所關(guān)心的 所以先將這些數(shù)據(jù)刪掉 我們利用1977年第4季度之前的數(shù)據(jù)對(duì)模型重新擬合 然后進(jìn)行預(yù)測(cè) 鍵入命令 dropiftime tq 1981q4 quietlyarimaconsumpm2iftin 1977q4 ar 1 ma 1 其中 第一步刪掉了1981年第4季度之后的數(shù)據(jù) 第二步用1977年第4季度之前的數(shù)據(jù)擬合ARIMAX模型 quietly表明不顯示該步命令的結(jié)果 我們可以通過(guò)如下命令進(jìn)行一步預(yù)測(cè) predictonestep y這里 我們將一步預(yù)測(cè)值命名為onestep 因?yàn)樵跀M合的ARIMAX模型中 被解釋變量沒(méi)有做差分處理 所以這里使用選項(xiàng)y和選項(xiàng)xb沒(méi)有什么差別 下面 我們對(duì)1977年第4季度之后的觀測(cè)值進(jìn)行動(dòng)態(tài)預(yù)測(cè) 鍵入命令 predictdynam dynamic tq 1977q4 y在選項(xiàng)dynamic 中 我們使用函數(shù)tq 將1977q4轉(zhuǎn)化為stata默認(rèn)的時(shí)間數(shù)據(jù) 為了對(duì)預(yù)測(cè)值有更為直觀的認(rèn)識(shí) 我們將觀測(cè)值 一步預(yù)測(cè)值以及動(dòng)態(tài)預(yù)測(cè)值展示于一幅圖中 鍵入命令 graphtwowayscatterconsumptime lineonesteptime lpattern dash linedynamtime lpattern shortdash iftime tq 1976q4 這里 我們對(duì)觀測(cè)值采用散點(diǎn)圖 對(duì)預(yù)測(cè)值采用了了線圖 其中選項(xiàng)lpattern設(shè)定了線的形狀 我們?cè)O(shè)定了一步預(yù)測(cè)值采用虛線 dash 動(dòng)態(tài)預(yù)測(cè)值采用短劃線 shortdash 最后的if選項(xiàng)設(shè)定了作圖的區(qū)間 注意選項(xiàng)if在雙豎線 之后 對(duì)預(yù)測(cè)誤差作圖 我們有 predicte yresidualpredictdyne dynamic tq 1977q4 yresidualgraphtwowaylineetime linedynetime lpattern dash iftime tq 1976q4 這里 我們將一步預(yù)測(cè)的誤差命名為e 將動(dòng)態(tài)預(yù)測(cè)的誤差命名為dyne 第三步的作圖中 我們指定一步預(yù)測(cè)誤差為實(shí)線 動(dòng)態(tài)預(yù)測(cè)誤差為虛線 作圖的時(shí)間區(qū)間為1976年第4季度之后 實(shí)驗(yàn)12 7 單位根檢驗(yàn) 實(shí)驗(yàn)基本原理 實(shí)驗(yàn)內(nèi)容及數(shù)據(jù)來(lái)源我們要進(jìn)行時(shí)間序列分析 應(yīng)首先檢驗(yàn)序列是否平穩(wěn) 我們以實(shí)驗(yàn)12 5中對(duì)國(guó)際航線乘客數(shù)量的分析為例 即利用本書(shū)附帶光盤(pán)data文件夾下的 airpsn dta 工作文件 利用這些數(shù)據(jù) 我們來(lái)講解各種單位根檢驗(yàn)的操作及相關(guān)選項(xiàng)的含義 實(shí)驗(yàn)操作指導(dǎo)1AugmentedDickey Fuller單位根檢驗(yàn)的操作 利用 airpsn dta 的數(shù)據(jù) 我們來(lái)檢驗(yàn)乘客數(shù)量的對(duì)數(shù)是否存在單位根 輸入命令 genlnair ln air dfullerlnair lags 3 trendregress其中 第一步為生成變量lnair 其值為air的對(duì)數(shù) 第二步對(duì)lnair進(jìn)行單位根檢驗(yàn) 設(shè)定滯后期為3 在檢驗(yàn)方程中包括時(shí)間趨勢(shì)項(xiàng) 并顯示回歸結(jié)果 2Phillips Perron單位根檢驗(yàn)的操作對(duì)變量lnair進(jìn)行Phillips Perron單位根檢驗(yàn) 命令為 pperronlnair trendregress 3DF GLS單位根檢驗(yàn)的操作對(duì)變量lnair進(jìn)行DF GLS單位根檢驗(yàn) 命令為 dfglslnair maxlag 6 這里 我們?cè)O(shè)定最大滯后期為6 實(shí)驗(yàn)12 8 向量自回歸模型 實(shí)驗(yàn)基本原理 實(shí)驗(yàn)內(nèi)容及數(shù)據(jù)來(lái)源我們知道 收入 投資和消費(fèi)相互影響 我們想要對(duì)這三個(gè)變量同時(shí)進(jìn)行預(yù)測(cè) 可以采用VAR模型進(jìn)行擬合 本書(shū)附帶光盤(pán)的data文件夾的 iic 工作文件給出了1960年到1984年的一些宏觀經(jīng)濟(jì)數(shù)據(jù) 主要變量包括 inv 投資 inc 收入 consump 消費(fèi) qtr 季度 ln inv 投資的對(duì)數(shù) dln inv ln inv的一階差分 ln inc 收入的對(duì)數(shù) dln inc ln inc的一階差分 ln consump 消費(fèi)的對(duì)數(shù) dln consump ln consump的一階差分 利用這些數(shù)據(jù) 我們來(lái)講解VAR模型階數(shù)的確定 VAR模型的擬合 模型的平穩(wěn)性檢驗(yàn) 殘差的自相關(guān)和正態(tài)性檢驗(yàn) 脈沖響應(yīng)與方差分解的作圖以及模型的預(yù)測(cè) 實(shí)驗(yàn)操作指導(dǎo)1模型定階 對(duì)于 iic 的數(shù)據(jù) 因?yàn)槲覀円獢M合投資 收入 消費(fèi)的對(duì)數(shù)差分變量的VAR模型 所以 我們可以通過(guò)如下命令來(lái)確定模型階數(shù) varsocdln invdln incdln consump命令中 varsoc表示進(jìn)行確定模型階數(shù)的操作 dln inv dln inc dln consump為待擬合的VAR模型的內(nèi)生變量名 表示系統(tǒng)選擇的項(xiàng) 2VAR回歸的操作 利用 iic 的數(shù)據(jù) 我們進(jìn)行VAR模型的擬合 鍵入命令 vardln invdln incdln consump命令中 var表示進(jìn)行VAR模型的擬合 dln inv dln inc dln consump為各內(nèi)生變量名 這里 我們沒(méi)有設(shè)定滯后階數(shù) 即使用默認(rèn)的設(shè)置 在模型行中使用各變量的1階滯后和2階滯后值 vardln invdln incdln consump 在估計(jì)完模型之后 可以對(duì)回歸結(jié)果進(jìn)行保存 輸入命令 eststorevar1其中 eststore 是對(duì)結(jié)果進(jìn)行保存的基本命令 這里 我們將保存是結(jié)果命名為var1 之后 如果要進(jìn)行模型階數(shù)選擇或平穩(wěn)性檢驗(yàn)等 就可以用這個(gè)結(jié)果 例如 我們要在回歸之后再對(duì)模型的滯后階數(shù)重新估計(jì) 可輸入命令 varsoc estimates var1 這里 選項(xiàng)estimates var1 表示對(duì)之前存儲(chǔ)的擬合結(jié)果var1進(jìn)行滯后階數(shù)選擇 事實(shí)上 因?yàn)槲覀儎倓傔M(jìn)行完VAR模型的擬合 不加選項(xiàng)我們也可以得到相同的結(jié)果 eststorevar1 3格蘭杰因果關(guān)系檢驗(yàn) 事實(shí)上 對(duì)于vargranger所做的檢驗(yàn) 我們可以通過(guò)test命令來(lái)實(shí)現(xiàn) 只不過(guò)稍微麻煩些 對(duì)于本例中 我們要檢驗(yàn)第1個(gè)方程中dln inc是否為dln inv的格蘭杰因 可通過(guò)如下命令實(shí)現(xiàn) test dln inv L dln inc dln inv L2 dln inc其中 dln inv L dln inc表示方程dln inv中dln inc的1期滯后值的系數(shù) dln inv L2 dln inc表示方程dln inv中dln inc的2期滯后值的系數(shù) 該命令即檢驗(yàn)這兩個(gè)系數(shù)是否聯(lián)合為0 test gdpcpi L govcpi gdpcpi L2 govcpi 4VAR模型的平穩(wěn)性檢驗(yàn)要檢驗(yàn)先前擬合的VAR模型的平穩(wěn)性 我們可以鍵入命令 varstable graph其中 選項(xiàng)graph表明 我們會(huì)同時(shí)得到伴隨矩陣特征值的作圖 5模型的殘差自相關(guān)性檢驗(yàn)對(duì)前面擬合的VAR模型進(jìn)行殘差自相關(guān)檢驗(yàn) 我們輸入命令 varlmar mlag 5 其中 mlag 5 表示最大滯后期為5 6模型殘差的正態(tài)性檢驗(yàn) 7帶外生變量的VAR模型在前面的VAR模型中我們看到 dln inv方程各變量的系數(shù)聯(lián)合不顯著 考慮一個(gè)dln inc和dln consump的兩變量VAR模型 并將dln inv作為外生變量來(lái)處理 輸入命令 vardln incdln consump exog dln inv 其中 選項(xiàng)exog dln inv 表示將dln inv作為外生變量加入模型中 8帶約束的VAR模型在我們前面對(duì)dln inv dln inc和dln consump做的VAR 3 模型中 方程dln inv的系數(shù)聯(lián)合不顯著 這樣 觀察各系數(shù)的p值 我們考慮約束方程dln inv中L2 dln inc的系數(shù)和方程dln inc中L2 dln consump的系數(shù)為0 定義約束的命令為 constraint1 dln inv L2 dln inc 0constraint2 dln inc L2 dln consump 0這里 引用系數(shù)的格式為 方程名 變量名 其中 方程名為結(jié)果最左側(cè)的一列黑體所顯示的 下面 我們進(jìn)行帶約束的VAR模型擬合 命令為 vardln invdln incdln consump lutstatsdfkconstraints 12 這里 我們選擇匯報(bào)Lutkepohl的滯后階數(shù)選擇統(tǒng)計(jì)量 并對(duì)自由度進(jìn)行小樣本的調(diào)整 選項(xiàng)dfk 9脈沖響應(yīng)與方差分解我們?cè)跀M合模型 vardln invdln incdln consump 之后 要進(jìn)行irf系列分析 需要先激活irf文件 可鍵入命令 irfsetresults1 我們要對(duì)前面擬合的VAR模型的irf系列函數(shù)進(jìn)行估計(jì) 并將其用名稱var1來(lái)標(biāo)識(shí) 輸入命令 irfcreatevar1這樣 irf系列結(jié)果就被保存到文件 results1 irf 中 其中 如果不設(shè)定選項(xiàng)irf irfnames stata將對(duì)活動(dòng)的irf文件中所有保存的irf結(jié)果作圖 如果不設(shè)定選項(xiàng)impulse 和response stata將對(duì)脈沖變量和響應(yīng)變量的所有組合作圖 此外 選項(xiàng)iname 和isaving 只有在設(shè)定選項(xiàng)individual后才可用 如果我們想看一下dln consump如何對(duì)dln inv dln inc和dln consump的沖擊做出反應(yīng) 我們可以通過(guò)如下命令實(shí)現(xiàn) irfgraphoirf irf var1 response dln consump 其中 oirf表明我們要繪制正交的脈沖響應(yīng)函數(shù) 選項(xiàng)irf var1 表明我們對(duì)var1標(biāo)識(shí)的結(jié)果進(jìn)行繪圖 response 設(shè)定響應(yīng)變量為dln consump 4 irf作表要用表格的方式展示IRF 動(dòng)態(tài)乘子函數(shù)以及FEVD等 可以通過(guò)如下命令實(shí)現(xiàn) irftable stat options 其中 可用的統(tǒng)計(jì)量stat與irfgraph相同 如果不設(shè)定stat 則所有的統(tǒng)計(jì)量都將被匯報(bào) 可用的選項(xiàng)包括與irfgraph相同的set filename irf irfnames impulse impulsevar response endogvars individual level noci 此外 還可以使用選項(xiàng)title text 為表格設(shè)定標(biāo)題 如果我們想要對(duì)Cholesky分解中內(nèi)生變量不同排序時(shí)的irf系列函數(shù)值列表比較 可以通過(guò)如下命令實(shí)現(xiàn) irfcreateordera order dln incdln invdln consump irftableoirffevd irf var1ordera impulse dln inc response dln consump nocistdtitle Orderaversusvar1 其中 第一句命令為對(duì)irf結(jié)果重新估計(jì) 設(shè)定Cholesky分解中內(nèi)生變量的順序?yàn)閐ln incdln invdln consump 而在之前估計(jì)的結(jié)果var1中 內(nèi)生變量的順序即為默認(rèn)的估計(jì)VAR模型時(shí)內(nèi)生變量的順序 第二句命令對(duì)兩次結(jié)果進(jìn)行做表 表中將給出正交的脈沖響應(yīng)函數(shù) oirf 和Cholesky預(yù)測(cè)誤差方差分解 fevd 脈沖變量為dln inc 響應(yīng)變量為dln consump 選項(xiàng)irf var1ordera 表示對(duì)var1和ordera標(biāo)識(shí)的估計(jì)結(jié)果進(jìn)行做表 noci表示不顯示置信區(qū)間 std表明顯示標(biāo)準(zhǔn)差 title Orderaversusvar1 為表格命名為 Orderaversusvar1 對(duì)于前面irf和fevd的做表 我們還可以通過(guò)如下命令實(shí)現(xiàn) irfctable var1dln incdln consumpoirffevd orderadln incdln consumpoirffevd nocistdtitle Orderaversusvar1 這樣 我們可以得到與前面相同的結(jié)果 如果我們想將兩種Cholesky排序下的脈沖響應(yīng)放到一個(gè)圖中 可以通過(guò)如下命令實(shí)現(xiàn) irfograph var1dln incdln consumpoirf orderadln incdln consumpoirf 10基本VAR模型的擬合與繪圖 11VAR模型的預(yù)測(cè) 對(duì)于 iic dta 的數(shù)據(jù) 我們先擬合模型 vardln invdln incdln consumpifqtr tq 1979q1 這里 我們用條件語(yǔ)句 ifqtr tq 1979q1 對(duì)樣本區(qū)間做了限定 這是為了方便后面對(duì)動(dòng)態(tài)預(yù)測(cè)值和樣本觀測(cè)值進(jìn)行對(duì)比 此外 我們沒(méi)有設(shè)定模型的滯后期 這里使用了默認(rèn)的設(shè)置 滯后期為1到2期 下面 我們進(jìn)行動(dòng)態(tài)預(yù)測(cè)并作圖 輸入命令 fcastcomputef1 step 8 fcastgraphf1 dln invf1 dln incf1 dln consump observed其中 第一步為計(jì)算動(dòng)態(tài)預(yù)測(cè)值 并將各預(yù)測(cè)變量命名為前綴 f1 內(nèi)生變量名 step 8 設(shè)定預(yù)測(cè)的步長(zhǎng)為8 因?yàn)槲覀冊(cè)跀M合模型時(shí)使用的樣本為1979年第1季度之前的 這樣 我們的動(dòng)態(tài)預(yù)測(cè)值會(huì)從1979年第1季度開(kāi)始 并持續(xù)8個(gè)區(qū)間 也就是說(shuō) 預(yù)測(cè)到1980年第4季度為止 第二步對(duì)各預(yù)測(cè)值作圖 選項(xiàng)observed表明我們會(huì)同時(shí)畫(huà)出各變量的實(shí)際觀測(cè)值 有時(shí) 我們希望將不同模型的預(yù)測(cè)結(jié)果放到一幅圖中進(jìn)行比較 stata可以很容易實(shí)現(xiàn)這一點(diǎn) 例如 我們還擬合了如下VAR模型并進(jìn)行了預(yù)測(cè) vardln invdln incdln consumpifqtr tq 1979q1 lags 1 4 fcastcomputef2 step 8 其中 第一步擬合了滯后期為1到4期的VAR模型 第二步進(jìn)行了動(dòng)態(tài)預(yù)測(cè) 并將預(yù)測(cè)值的前綴設(shè)為f2 下面 我們將這次和前一次對(duì)dln inv的預(yù)測(cè)結(jié)果放到一幅圖中 graphtwowaylinef1 dln invf2 dln invdln invqtriff1 dln inv 其中 graphtwowayline表明我們要做線圖 y軸的變量有f1 dln inv f2 dln inv和dln inv x軸的變量為qtr 條件語(yǔ)句iff1 dln inv 表明 我們要對(duì)f1 dln inv不為 的觀測(cè)值作圖 因?yàn)閯?dòng)態(tài)預(yù)測(cè)的步長(zhǎng)為8期 事實(shí)上 我們只有8個(gè)預(yù)測(cè)數(shù)據(jù) 實(shí)驗(yàn)12 9 協(xié)整與向量誤差修正模型 實(shí)驗(yàn)基本原理 實(shí)驗(yàn)內(nèi)容及數(shù)據(jù)來(lái)源本書(shū)附帶光盤(pán)的data文件夾的 regincom dta 工作文件給出了美國(guó)八個(gè)地區(qū)1948 2002年的人均可支配收入數(shù)據(jù) 主要變量包括 year 年度 new england 新英格蘭地區(qū)的人均可支配收入 mideast 中東部地區(qū)的人均可支配收入 southeast 東南部地區(qū)的人均可支配收入 ln ne 新英格蘭地區(qū)人均可支配收入的對(duì)數(shù) ln me 中東部地區(qū)人均可支配收入的對(duì)數(shù) ln se 東南部地區(qū)人均可支配收入的對(duì)數(shù) 對(duì)于這些數(shù)據(jù) 我們想要分析東南部地區(qū)和中東部地區(qū)人均可支配收入的長(zhǎng)期均衡關(guān)系以及短期變動(dòng)情況 對(duì)各變量進(jìn)行單位根檢驗(yàn) 我們不能拒絕各個(gè)地區(qū)人均可支配收入的對(duì)數(shù)存在單位根 又因?yàn)橘Y本和勞動(dòng)可以在各個(gè)地區(qū)自由流動(dòng) 因而 我們可以期待 沒(méi)有一個(gè)地區(qū)的數(shù)據(jù)會(huì)與其他地區(qū)的序列有大的偏離 也就是說(shuō)各個(gè)地區(qū)的數(shù)據(jù)間應(yīng)該存在協(xié)整關(guān)系 我們考慮擬合一個(gè)VEC模型 利用 regincom dta 的數(shù)據(jù) 我們將講解VEC模型階數(shù)的確定 協(xié)整關(guān)系的檢驗(yàn) 模型的擬合 協(xié)整方程平穩(wěn)性的檢驗(yàn) 殘差自相關(guān)檢驗(yàn)和正態(tài)性檢驗(yàn) irf系列函數(shù)的估計(jì)與作圖以及模型的預(yù)測(cè)等內(nèi)容 實(shí)驗(yàn)操作指導(dǎo)1確定模型階數(shù)要確定VEC模型的滯后階數(shù) 可以通過(guò)varsoc命令 在擬合模型之前或之后均可 命令格式與VAR模型完全相同 這里 我們通過(guò)如下命令確定模型階數(shù) varsocln meln se 對(duì)ln me和ln se進(jìn)行作圖 我們有 lineln meln seyear命令中 y軸變量為ln me和ln se x軸變量為year 下面 我們通過(guò)命令來(lái)檢驗(yàn)ln me和ln se之間是否存在協(xié)整關(guān)系 輸入命令 vecrankln meln se lags 1 我們也可以使用最大特征值統(tǒng)計(jì)量來(lái)判斷協(xié)整關(guān)系的個(gè)數(shù) 命令為 vecrankln meln se lags 1 maxnotrace其中 選項(xiàng)max表明匯報(bào)最大特征值統(tǒng)計(jì)量 notrace表明不匯報(bào)跡統(tǒng)計(jì)量 2擬合VEC模型 下面 我們對(duì)數(shù)據(jù)擬合VEC模型 輸入命令 vecln meln se lags 1 因?yàn)槲覀兦懊鏅z驗(yàn)協(xié)整關(guān)系的個(gè)數(shù)為1 所以我們就不必再使用選項(xiàng)rank 進(jìn)行協(xié)整方程個(gè)數(shù)的設(shè)置 因?yàn)槠淠J(rèn)值就是1 3協(xié)整方程的平穩(wěn)性檢驗(yàn)在擬合完VEC模型之后 如果要進(jìn)行種種推斷 就要求協(xié)整方程平穩(wěn) 且協(xié)整方程的個(gè)數(shù)被正確設(shè)定 盡管vecrank提供了判斷平穩(wěn)的協(xié)整方程個(gè)數(shù)的辦法 但該命令假定各個(gè)變量都是一階單整 因此 我們有必要在擬合完模型之后 再對(duì)協(xié)整方程的平穩(wěn)性進(jìn)行判斷 其命令格式為 vecstable options 其中 vecstable代表 VEC模型平穩(wěn)性檢驗(yàn) 的基本命令語(yǔ)句 options代表其他選項(xiàng) 可用的選項(xiàng)與命令 varstable 相同 詳見(jiàn)表12 24 下面 我們對(duì)前面擬合的模型中協(xié)整方程的平穩(wěn)性進(jìn)行檢驗(yàn) 輸入命令 vecstable graph其中 選項(xiàng)graph表明 我們會(huì)同時(shí)得到伴隨矩陣特征值的作圖 4模型的殘差自相關(guān)性檢驗(yàn)對(duì)VEC模型的估計(jì) 推斷和預(yù)測(cè)等都假定殘差沒(méi)有自相關(guān) 因而 我們有必要對(duì)殘差的自相關(guān)性進(jìn)行檢驗(yàn) 其基本命令格式為 veclmar options 其中 veclmar代表 對(duì)殘差自相關(guān)進(jìn)行拉格朗日乘子檢驗(yàn) LMtest 的基本命令語(yǔ)句 options代表其他選項(xiàng) 可用的選項(xiàng)與命令 varlmar 相同 詳見(jiàn)表12 25 要檢驗(yàn)前面擬合的模型殘差是否自相關(guān) 我們輸入命令 veclmar 5模型殘差的正態(tài)性檢驗(yàn)對(duì)VEC模型進(jìn)行的最大似然估計(jì)建立在殘差為獨(dú)立同分布且服從正態(tài)分布的假設(shè)之上 盡管很多漸近性質(zhì)不依賴于殘差的正態(tài)性假設(shè) 但很多研究者仍傾向于進(jìn)行殘差的正態(tài)性檢驗(yàn) 對(duì)殘差的正態(tài)性進(jìn)行檢驗(yàn)的基本命令為 vecnorm options 其中 vecnorm代表 對(duì)殘差的正態(tài)性進(jìn)行檢驗(yàn) 的基本命令語(yǔ)句 options代表其他選項(xiàng) options包括varnorm命令的所有選項(xiàng) 見(jiàn)表12 26 以及dfk選項(xiàng) 在計(jì)算擾動(dòng)項(xiàng)的方差協(xié)方差矩陣時(shí) 選項(xiàng)dfk可以對(duì)其進(jìn)行小樣本調(diào)整 對(duì)我們前面擬合的模型進(jìn)行殘差的正態(tài)性檢驗(yàn) 可以輸入命令 vecnorm jbera其中 選項(xiàng)jbera表示只匯報(bào)Jarque Bera統(tǒng)計(jì)量 6脈沖響應(yīng)與方差分解對(duì)VEC模型的脈沖響應(yīng)和方差分解等分析和VAR模