與時間序列相關的STATA命令及其統(tǒng)計量的解析

1、與時間序列相關的STATA命令及其統(tǒng)計量的解析殘差U序列相關：DW統(tǒng)計量一一針對一階自相關的（高階無效）STATA命令：1 .先回歸2 .直接輸入dwstat統(tǒng)計量如何看：查表Q統(tǒng)計量針對高階自相關correlogram-Q-statisticsSTATA命令：1. 先回歸reg2. 取出殘差predictu,residual（不要忘記逗號）3. wntestquQ統(tǒng)計量如何看：p值越小（越接近0）Q值越大一一表示存在自相關具體自相關的階數(shù)可以看自相關系數(shù)圖和偏相關系數(shù)圖：STATA命令：自相關系數(shù)圖：acu（殘差）或者窗口操作在GraphicsTime-seriesgraphscorrelo

2、gram（ac）偏相關系數(shù)圖：pacu或者窗口操作在GraphicsTime-seriesgraphs（pac）自相關與偏相關系數(shù)以及Q統(tǒng)計量同時表示出來的方法：corrgramu或者是窗口操作在StatisticsTime-seriesGraphsAutocorrelations&PartialautocorrelationsLM統(tǒng)計量一一針對高階自相關STATA命令：1. 先回歸reg2. 直接輸入命令estatebgodfrey,lags（n）或者窗口操作在StatisticsPostestimation（倒數(shù)第二個）ReportsandStatistics（倒數(shù)第二個）在里面選

3、擇Breush-GodfreyLM（當然你在里面還可以找到方差膨脹因子還有DW統(tǒng)計量等常規(guī)統(tǒng)計量）LM統(tǒng)計量如何看：P值越?。ㄔ浇咏?）表示越顯著（顯著拒絕原假設），存在序列相關具體是幾階序列相關，你可以把滯后期寫為幾，當然默認是1,（通常的方法是先看圖，上面說的自相關和偏相關圖以及Q值，然后再利用LM肯定）。平穩(wěn)時間序列存在自相關的問題的解決方案殘差出現(xiàn)序列相關的補救措施：1、一階自相關：最近簡單的方法是用AR（1膜型補救，就是在加一個殘差的滯后項即可。2、高階的自相關：用AR（n莫型補救。AR模型的識別與最高階數(shù)的確定：可通過自相關系數(shù)來獲得一些有關AR(p)模型的信息，如低階AR(p)模

4、型系數(shù)符號的信息。但是，對于自回歸過程AR(p),自相關系數(shù)并不能幫助我們確定AR(p)模型的階數(shù)p。所以，可以考慮使用偏自相關系數(shù)k,k,以便更加全面的描述自相關過程AR(p)的統(tǒng)計特征。且對于一個AR(p)模型，k,k的最高階數(shù)為p,也即AR(p)模型的偏自相關系數(shù)是p階截尾的。因此，可以通過識別AR(p)模型的偏自相關系數(shù)白個數(shù)，來確定AR(p)模型的階數(shù)p,進而設定正確的模型形式，并通過具體的估計方法估計出AR(p)模型的參數(shù)。如果AR(p)還解決不了則進一步使用：MA(q)模型，以及ARMA(p,q)模型。1、MA(q)MA(q)的偏自相關系數(shù)的具體形式隨著q的增加變得越來越復雜，很

5、難給出一個關于q的一般表達式，但是，一個MA(q)模型對應于一個AR(oo)模型。因此，MA(q)模型的偏自相關系數(shù)一定呈現(xiàn)出某種衰減的形式是拖尾的。故可以通過識別一個序列的偏自相關系數(shù)的拖尾形式，大致確定它應該服從一個MA(q)過程。2、ARMA(p,q)就是既含有AR項又含有MA項。我們引入了自相關系數(shù)和偏自相關系數(shù)這兩個統(tǒng)計量來識別ARMA(p,q)模型的系數(shù)特點和模型的階數(shù)。但是，在實際操作中，自相關系數(shù)和偏自相關系數(shù)是通過要識別序列的樣本數(shù)據(jù)估計出來的，并且隨著抽樣的不同而不同，其估計值只能同理論上的大致趨勢保持一致，并不能精確的相同。因此，在實際的模型識別中，自相關系數(shù)和偏自相關系

6、數(shù)只能作為模型識別過程中的一個參考，并不能通過它們準確的識別模型的具體形式。具體的模型形式，還要通過自相關和偏自相關系數(shù)給出的信息，經過反復的試驗及檢驗，最終挑選出各項統(tǒng)計指標均符合要求的模型形式。注：無論采取什么樣的方式，只要能夠把殘差中的序列相關消除掉，又不會引入新的問題，這樣的模型就是最優(yōu)模型。與平穩(wěn)性檢驗及其統(tǒng)計量解析(P212張曉炯)白噪聲檢驗：1.Q檢3金wntestqvar,lag(n)2.Bartlett檢3敘wntestbvar,table(表示結果以列顯示，而不做圖。不加table就以圖形的方式現(xiàn)實)或者在StatisticsTime-seriesTESTBartlett檢

7、驗(第四個)畫密度圖：1 、概率密度圖命令：pergramvar.generate(新變量名字)將概率密度的圖上所生成的值生成并儲存在新變量里，這個不是必須的，只是為了日后方便。窗口：StatisticsTime-seriesGraphsPeriodogram(第五個)2 .累積分布函數(shù)圖命令：cumspvar.generate(新變量名字)解釋同上，并且這個生成新變量的功能似乎只能通過命令完成。窗口：StatisticsTime-seriesGraphsCumulativeSpectraldistribution單位根檢驗(219)1、Dickey-Fuller檢驗命令：dfullervar

8、(,lags(#)/trend/noconstant/regress/)對變量做ADF檢驗可以加滯后期或趨勢項或不含常數(shù)項等等這些取決于你的模型。窗口：StatisticsTime-seriesTESTADF單位根檢驗(第一個)在里面你也可以選擇滯后期數(shù)，常數(shù)項等等。如何看結果：原假設為：至少存在一個單位根；備選假設為：序列不存在單位根。如果統(tǒng)計量小于后面的顯著性水平給出的值且P值很大一一有單位；如果統(tǒng)計量大于后面的顯著性水平給出的值且P值很小一一無單位根ADF檢驗需要注意的地方：(1)必須為回歸定義合理的滯后階數(shù)，通常采用AIC準則來確定給定時間序列模型的滯后階數(shù)。在實際應用中，還需要兼顧其

9、他的因素，如系統(tǒng)的穩(wěn)定性、模型的擬合優(yōu)度等。(2)可以選擇常數(shù)和線性時間趨勢，選擇哪種形式很重要，因為檢驗顯著性水平的t統(tǒng)計量在原假設下的漸進分布依賴于關于這些項的定義。如果在檢驗回歸中含有常數(shù)，意味著所檢驗的序列的均值不為0,一個簡單易行的辦法是畫出檢驗序列的曲線圖，通過圖形觀察原序列是否在一個偏離0的位谿隨機變動，進而決定是否在檢驗時添加常數(shù)項；如果在檢驗回歸中含線性趨勢項，意味著原序列具有時間趨勢。同樣，決定是否在檢驗中添加時間趨勢項，也可以通過畫出原序列的曲線圖來觀察。如果圖形中大致顯示了被檢驗序列的波動趨勢隨時間變化而變化，那么便可以添加時間趨勢項。2、Phillips-Perron

10、檢驗命令：pperronvar,(,lags(#)/trend/noconstant/regress/)對變量做PP檢驗可以加滯后期或趨勢項或不含常數(shù)項等等這些取決于你的模型。窗口操作：StatisticsTime-seriesTESTPP單位根檢驗(第三個)如何看結果：同ADF一樣原假設為：至少存在一個單位根；備選假設為：序列不存在單位根。P值越小(統(tǒng)計量大于各顯著性水平值)一一不存在單位根P值越大(統(tǒng)計量小于各顯著性水平值)一一存在單位根向量自相關回歸VAR模型向量自回歸(VAR)模型是AR模型的多元擴展，用以反映在一個系統(tǒng)中的多個變量之間的動態(tài)影像，格蘭杰因果檢驗、脈沖響應、方差分解都是

11、VAR模型中重要的分析工具。與VAR模型相關的STATA命令與解析1、VAR模型的估計STATA命令：var解釋變量(，無常數(shù)項noconstant/滯后期lags(n)/外生變量exog(varlist)/constraints(numlist)線性約束的個數(shù)注意：使用線性約束要提前定義，詳情見建模中的各種小問題/LIKEPOHL滯后階數(shù)選擇的統(tǒng)計量lutstats)窗口操作：StatisticsMultivariatetimeseriesVAR(B二項)如何看結果：保存估計結果的命令：eststore名稱2. VAR模型平穩(wěn)性STATA命令：varstable（,graph表示畫出圖形）如

12、何看結果：特征值都在圓內，即都小于1,表示VAR模型穩(wěn)定窗口操作：StatisticsMultivariatetimeseriesVARdiagnosticsandtestscheckstabilityconditionofVARestimates3. VAR階數(shù)的選擇一一滯后階數(shù)的確定在VAR模型中，正確的選擇模型的滯后階數(shù)，對于模型的估計和協(xié)整檢驗都產生一定的影響，小樣本情況更是如此。(1) STATA命令：用于VAR模型估計之前varsoc解釋變量(，沒有常數(shù)項noconstant/最高滯后期maxlag(#)/外生變量exog(varlist)/線性約束條件constraints(nu

13、mlist)(2)命令：用于模型估計之后解釋變量(，estimates(estname)其中，estname表示已經估計的VAR模型的名字。(1)(2)如何看結果：找最顯著的階數(shù)作為其滯后項(一般會標有派)(3)命令：用于模型估計之后(Wald滯后排除約束檢驗)Varwle窗口操作：StatisticsMultivariatetimeseriesVARdiagnosticsandtests第一第二項如何看結果：看不同階數(shù)上的聯(lián)合顯著性，看P值，越小越顯著，表示存在該階滯后項。4.殘差的正態(tài)性與自相關檢驗STATA命令：1 .先進行var回歸2 .varnorm如何看結果：原假設是服從正態(tài)分布P

14、值越小越顯著拒絕原假設一一不服從正態(tài)分布P值越大越不顯著拒絕，原假設成立一一服從正態(tài)分布自相關：窗口操作：StatisticsMultivariatetimeseriesVARdiagnosticsandtestsLMTest正態(tài)分布：窗口操作：StatisticsMultivariatetimeseriesVARdiagnosticsandtestsTestfornormally(倒數(shù)第三項)5.Granger因果關系檢驗格蘭杰因果關系不同于我們平常意義上的因果關系，它是指一個變量對于另外一個變量具有延期影響。格蘭杰因果關系檢驗有助于表明變量間的動態(tài)影響，有助于提高模型的預測效果。命令格式：

15、1 .先進行var2 .再進行格蘭杰因果檢驗vargranger如何看結果：看P值的顯著性，越小說明存在越強的因果關系，相反P值越大說明兩者的因果關系不明顯。Grangercausalitytest窗口操作：StatisticsMultivariatetimeseries6 .脈沖響應與方差分解（223）脈沖響應與方差分解是一個問題的兩個方面。脈沖響應是衡量模型中的內生變量對一個變量的脈沖（沖擊）做出的響應一對多，一個變量向下所引起的其他變量的變動,而方差分解則是如何將一個變量的響應分解到模型中的內生變量多對一，一個變量的變動向上追溯引起該變動的若干原因。STATA的irf命令用于計算VARS

16、VARVEC模型的脈沖響應、動態(tài)乘子和方差分解。注意：該方法的操作使用于var、svar、vec估計之后。（1） 創(chuàng)建irf文件STATA命令：irfcreateirfname,set（名字）（先進行var,然后使用這條命令就可以直接把剛剛var的結果保存到該irf文件里，并且只有這條命令是最好用的，其他命令即使可以建立irf文件但是不能把var的結果保存進去，那也是沒用的。）激活irf文件顯示當前處于活動狀態(tài)的irf文件：STATA命令：irfset激活（或創(chuàng)建）irf文件：STATA命令：irfset文件名稱創(chuàng)建新的irf文件并替換正在活動的irf文件：STATA命令：irfset文件名稱

17、，replace清除所有活動的irf文件：STATA命令：irfset,clear窗口操作：StatisticsMultivariatetimeseriesManageIRFresultsandfiles（2） 用irf文件作圖（223）對于VARSVARVEC模型，脈沖響應函數(shù)（IRF的類型包括簡單脈沖響應、正交脈沖響應、動態(tài)乘子三種，方差分解包括Cholesky分解和結構分解兩種。沒種模型可以采用不同的分析工具。窗口操作：StatisticsMultivariatetimeseriesIRFandFEVDanalysis簡單的IRF:（VAR/SVAR/VEC之后）命令：irfgraphi

18、rf（,使用哪個文件set（文件名）/脈沖變量impulse（變量名）/響應變量response（內生變量名）如果不加約束就是默認當前打開的文件動態(tài)乘子：（VAR之后）命令：irfgraphdm（,使用哪個文件set（文件名）/脈沖變量impulse（變量名）/響應變量response（內生變量名）方差分解:（VAR/SVAR/VEC之后）命令：irfgraphfevd（,使用哪個文件set（文件名）/脈沖變量impulse（變量名）/響應變量response（內生變量名）聯(lián)合圖表：將多個脈沖響應圖或方差分解圖結合起來）命令：irfcgraph（irfname脈沖變量響應變量方差分解的方法fe

19、vd/IRF的方法irf）（irfname脈沖變量響應變量IRF方法irf/方差分解的方法fevd）疊加圖表：（將多個脈沖響應圖或方差分解圖疊加起來）命令：irfograph（irfname脈沖變量響應變量方差分解的方法fevd/IRF的方法irf）（irfname脈沖變量響應變量IRF方法irf/方差分解的方法fevd)（3） Irf列表STATA命令：irftableIRF方法irf/方差分解方法fevd聯(lián)合列表：(將多個脈沖響應圖或方差分解列表結合起來)命令：irfctable(irfname脈沖變量響應變量方差分解的方法fevd/IRF的方法irf)(irfname脈沖變量響應變量IR

20、F方法irf/方差分解的方法fevd)（4） Irf其他命令命令：irfdescribeirfdescribe,detail7 .VAR模型的預測227窗口操作：StatisticsMultivariatetimeseriesDynamicforecast命令格式1(對于VARSVAR模型)：fcastcomputeprefix命令格式2(對于VECM模型)：fcastcomputeprefix對預測進行作圖命令：fcastgraphpre巾xvar(prefix變量名)小結大概流程：估atVAR模型varyxzeststoreVAR1根據(jù)信息準則確定VAR模型的最優(yōu)滯后結束，根據(jù)結果重新估計

21、varsocxz,maxlag(#)var*(全部變量，或者ln*所有的對數(shù)變量)，lags(1/3)(比如最優(yōu)的滯后期為3,滯后期123)eststoreVAR2考察VAR模型的平穩(wěn)性varstable,estimates(VAR2)graphdlabel(畫圖并標出具體數(shù)值)檢3軌VAR模型殘差的正態(tài)分布特征和自相關特征varnorm,jberaestimates(VAR2)對各變量進行Granger因果關系檢驗vargranger(,estimates(VAR2)繪制脈沖響應圖以及預測誤差方差分解varyxz,lags(1/3)irfcreateirfname,set(名稱)irfgra

22、phirf(,estimates(名稱)irftablefevd(,estimates(名稱)/預測區(qū)間n<8step(n)根據(jù)VAR模型的估計結果進行預測預測n期(n<8)fcastcomputeprefix(,step(n)fcastcomputef_(,step(n)將VAR模型與IRF相結合的窗口操作：StatisticsMultivariatetimeseriesBasicVAR約翰遜協(xié)整檢驗協(xié)整檢驗是對非平穩(wěn)變量進行回歸的必要前提。只有存在協(xié)整關系，協(xié)整回歸才有意義。在各種協(xié)整檢驗方法中，Johansen(1998)在VAR框架下的特征值檢驗和跡檢驗應用最為普通。命令格式為：vecrankvar1var2(,lag(