和時間序列相關的STATA命令和統(tǒng)計量的解析

...WD......WD......WD...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：①DW統(tǒng)計量——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)計量若何看：查表②Q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)計量若何看：p值越?。ㄔ浇咏?）Q值越大——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Graphics——Time-seriesgraphs——correlogram(ac)偏相關系數(shù)圖:pacu或者窗口操作在Graphics——Time-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Statistics——Time-series——Graphs——Autocorrelations&Partialautocorrelations③LM統(tǒng)計量——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Statistics——Postestimation(倒數(shù)第二個)——ReportsandStatistics(倒數(shù)第二個)——在里面選擇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)計量若何看：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)模型補救，就是在加一個殘差的滯后項即可。2、高階的自相關:用AR(n)模型補救。AR模型的識別與最高階數(shù)確實定：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)的個數(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(∞)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，并不能準確的一樣。因此，在實際的模型識別中，自相關系數(shù)和偏自相關系數(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(jīng)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)性檢驗相關的STATA命令及其統(tǒng)計量解析（P212張曉峒）白噪聲檢驗：1.Q檢驗wntestqvar，lag(n)2.Bartlett檢驗wntestbvar，table（表示結(jié)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Statistics——Time-series——TEST——Bartlett檢驗（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，只是為了日前方便。窗口：Statistics——Time-series——Graphs——Periodogram(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：Statistics——Time-series——Graphs——CumulativeSpectraldistribution單位根檢驗（219）Dickey-Fuller檢驗命令：dfullervar(,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：Statistics——Time-series——TEST——ADF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。若何看結(jié)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——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——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。①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0，一個簡單易行的方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的位臵隨機變動，進而決定是否在檢驗時添加常數(shù)項；②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：Statistics——Time-series——TEST——PP單位根檢驗(第三個)若何看結(jié)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?。ńy(tǒng)計量大于各顯著性水平值）——不存在單位根P值越大（統(tǒng)計量小于各顯著性水平值）——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VAR模型中重要的分析工具。與VAR模型相關的STATA命令與解析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：Statistics——Multivariatetimeseries——VAR(第二項)若何看結(jié)果：保存估計結(jié)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)若何看結(jié)果：特征值都在圓內(nèi)，即都小于1，表示VAR模型穩(wěn)定窗口操作：Statistics——Multivariatetimeseries——VARdiagnosticsandtests——checkstabilityconditionofVARestimates3．VAR階數(shù)的選擇——滯后階數(shù)確實定在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(chǎn)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(numlist)）（2）命令：用于模型估計之后解釋變量（，estimates(estname)）其中，estname表示已經(jīng)估計的VAR模型的名字。（1）（2）若何看結(jié)果：找最顯著的階數(shù)作為其滯后項（一般會標有※）（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：Statistics——Multivariatetimeseries——VARdiagnosticsandtests——第一第二項若何看結(jié)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.先進展var回歸2.varnorm若何看結(jié)果：原假設是服從正態(tài)分布P值越小越顯著拒絕原假設——不服從正態(tài)分布P值越大越不顯著拒絕，原假設成立——服從正態(tài)分布自相關：窗口操作：Statistics——Multivariatetimeseries——VARdiagnosticsandtests——LMTest正態(tài)分布：窗口操作：Statistics——Multivariatetimeseries——VARdiagnosticsandtests——Testfornormally(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說明變量間的動態(tài)影響，有助于提高模型的預測效果。命令格式：1.先進展var2.再進展格蘭杰因果檢驗vargranger若何看結(jié)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。窗口操作：Statistics——Multivariatetimeseries——Grangercausalitytest6．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(nèi)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}，而方差分解則是若何將一個變量的響應分解到模型中的內(nèi)生變量{多對一，一個變量的變動向上追溯引起該變動的假設干原因}。STATA的irf命令用于計算VAR、SVAR、VEC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。創(chuàng)立irf文件STATA命令：irfcreateirfname，set(名字)（先進展var,然后使用這條命令就可以直接把剛剛var的結(jié)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設irf文件但是不能把var的結(jié)果保存進去，那也是沒用的。）激活irf文件①顯示當前處于活動狀態(tài)的irf文件：STATA命令：irfset②激活（或創(chuàng)立）irf文件：STATA命令：irfset文件名稱③創(chuàng)立新的irf文件并替換正在活動的irf文件：STATA命令：irfset文件名稱，replace④去除所有活動的irf文件：STATA命令：irfset，clear窗口操作：Statistics——Multivariatetimeseries——ManageIRFresultsandfiles用irf文件作圖（223）對于VAR、SVAR、VEC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分解和構造分解兩種。沒種模型可以采用不同的分析工具。窗口操作：Statistics——Multivariatetimeseries——IRFandFEVDanalysis簡單的IRF：（VAR/SVAR/VEC之后）命令：irfgraphirf（，使用哪個文件set(文件名)/脈沖變量impulse(變量名)/響應變量response（內(nèi)生變量名））如果不加約束就是默認當前翻開的文件動態(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(nèi)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(nèi)生變量名））聯(lián)合圖表：將多個脈沖響應圖或方差分解圖結(jié)合起來）命令：irfcgraph(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)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)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(jié)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IRF方法irf/方差分解的方法fevd)Irf其他命令命令：irfdescribeirfdescribe，detail7．VAR模型的預測227窗口操作：Statistics——Multivariatetimeseries——Dynamicforecast命令格式1（對于VAR、SVAR模型）：fcastcomputeprefix命令格式2（對于VECM模型）：fcastcomputeprefix對預測進展作圖命令：fcastgraphprefixvar(prefix變量名)小結(jié)大概流程：①估計VAR模型varyxzeststoreVAR1②根據(jù)信息準則確定VAR模型的最優(yōu)滯后完畢，根據(jù)結(jié)果重新估計varsocxz，maxlag(#)var*(全部變量，或者ln*所有的對數(shù)變量)，lags(1/3)(比方最優(yōu)的滯后期為3，滯后期123)eststoreVAR2③考察VAR模型的平穩(wěn)性varstable，estimates(VAR2)graphdlabel(畫圖并標出具體數(shù)值)④檢驗VAR模型殘差的正態(tài)分布特征和自相關特征varnorm，jberaestimates(VAR2)⑤對各變量進展Granger因果關系檢驗vargranger（，estimates（VAR2））⑥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)irfgraphirf(，estimates（名稱）)irftablefevd(，estimates（名稱）/預測區(qū)間{n<8}step(n))⑦根據(jù)VAR模型的估計結(jié)果進展預測預測n期(n<8)fcastcomputeprefix(，step(n))fcastcomputef_(，step(n))將VAR模型與IRF相結(jié)合的窗口操作：Statistics——Multivariatetimeseries——BasicVAR約翰遜協(xié)整檢驗協(xié)整檢驗是對非平穩(wěn)變量進展回歸的必要前提。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(n),trend(constant)）輸出結(jié)果：——————————————————————max輸出極大特征統(tǒng)計量ic輸出信息準則levela輸出1%和5%的臨界值—————————————————————