与时间序列相关的STATA命令及其统计量的解析完整版
与时间序列相关的
S T A T A命令及其统计量
的解析
Document serial number【NL89WT-NY98YT-NC8CB-NNUUT-NUT108】
与时间序列相关的S T A T A命令及其统计量的解析
残差U 序列相关：
①DW 统计量——针对⼀阶⾃相关的（⾼阶⽆效）
STATA 命令：
1.先回归
2.直接输⼊dwstat
统计量如何看：查表
②Q 统计量——针对⾼阶⾃相关correlogram-Q-statistics
STATA 命令：
1．先回归reg
2．取出残差predict u,residual(不要忘记逗号)
3． wntestq u Q
统计量如何看：p 值越⼩（越接近0）Q 值越⼤——表⽰存在⾃相关
具体⾃相关的阶数可以看⾃相关系数图和偏相关系数图：
STATA 命令：
⾃相关系数图:
ac u( 残差) 或者窗⼝操作在 Graphics ——Time-series graphs ——correlogram(ac)
偏相关系数图:
pac u 或者窗⼝操作在Graphics——Time-series graphs—— (pac)
⾃相关与偏相关系数以及Q 统计量同时表⽰出来的⽅法：
corrgram u或者是窗⼝操作在
Statistics——Time-series——Graphs—— Autocorrelations&Partial autocorrelations
③LM 统计量——针对⾼阶⾃相关
STATA 命令：
1．先回归reg
2．直接输⼊命令estate bgodfrey,lags(n) 或者窗⼝操作
在 Statistics——Postestimation(倒数第⼆个)——Reports and
Statistics(倒数第⼆个) ——在⾥⾯选择 Breush-Godfrey LM（当然你在⾥⾯还可以到⽅差膨胀因⼦还有DW 统计量等常规统计量）
LM 统计量如何看：
P 值越⼩（越接近 0）表⽰越显着（显着拒绝原假设），存在序列相关
具体是⼏阶序列相关，你可以把滞后期写为⼏，当然默认是 1，（通常的⽅法是先看图，上⾯说的⾃相关和偏相关图以及Q 值，然后再利⽤LM 肯定）。
平稳时间序列存在⾃相关的问题的解决⽅案
残差出现序列相关的补救措施：
1、⼀阶⾃相关 :
最近简单的⽅法是⽤AR(1)模型补救，就是在加⼀个残差的滞后项即可。
2、⾼阶的⾃相关:
⽤AR(n)模型补救。
AR 模型的识别与最⾼阶数的确定：
可通过⾃相关系数来获得⼀些有关 AR(p) 模型的信息，如低阶 AR(p) 模型系数符号的信息。但是，对于⾃回归过程AR(p)，⾃相关系数并不能帮助我们确定 AR(p) 模型的阶数 p。所以，可以考虑使⽤偏⾃相关系数k,k，以便更加全⾯的描述⾃相关过程AR(p)的统计特征。
且对于⼀个AR(p) 模型，k,k 的最⾼阶数为p，也即AR(p) 模型的偏⾃相关系数是 p 阶截尾的。因此，可以通过识别AR(p)模型的偏⾃相关系数的个数，来确定 AR(p) 模型的阶数 p，进⽽设定正确的模型形式，并通过具体的估计⽅法估计出AR(p) 模型的参数。
如果AR(p)还解决不了则进⼀步使⽤：MA(q)模型，以及ARMA(p,q)模型。
1、MA(q)
MA(q) 的偏⾃相关系数的具体形式随着 q 的增加变得越来越复杂，很难给出⼀个关于 q 的⼀般表达式，但是，⼀个MA(q) 模型对应于⼀个AR(∞) 模型。因此，MA(q) 模型的偏⾃相关系数⼀定呈现出某种衰减的形式是拖尾的。故可以通过识别⼀个序列的偏⾃相关系数的拖尾形式，⼤致确定它应该服从⼀个MA(q) 过程。
2、ARMA(p,q)就是既含有AR 项⼜含有MA 项。
我们引⼊了⾃相关系数和偏⾃相关系数这两个统计量来识别 ARMA(p,q) 模型的系数特点和模型的阶数。
但是，在实际操作中，⾃相关系数和偏⾃相关系数是通过要识别序列的样本数据估计出来的，并且随着抽样的不同⽽不同，其估计值只能同理论上的⼤致趋势保持⼀致，并不能精确的相同。因此，在实际的模型识别中，⾃相关系数和偏⾃相关系数只能作为模型识别过程中的⼀个参考，并不能通过它们准确的识别模型的具体形式。具体的模型形式，还要通过⾃相关和偏⾃相关系数给出的信息，经过反复的试验及检验，最终挑选出各项统计指标均符合要求的模型形式。
注：⽆论采取什么样的⽅式，只要能够把残差中的序列相关消除掉，⼜不会引⼊新的问题，这样的模型就是最优模型。
与平稳性检验及其统计量解析（P212 张晓峒）
⽩噪声检验：
1. Q 检验 wntestq var，lag(n)
检验 wntestb var ，table（表⽰结果以列显⽰，⽽不做图。不加 table 就以图形的⽅式现实）
或者在Statistics——Time-series——TEST——Bartlett 检验（第四个）
画密度图：
1、概率密度图
命令：pergram var ,generate(新变量名字) 将概率密度的图上所⽣成的值⽣成并储存在新变量⾥，这个不是必须的，只是为了⽇后⽅便。
窗⼝：Statistics——Time-series——Graphs——Periodogram(第五个) 2．累积分布函数图
命令：cumsp var ,generate(新变量名字) 解释同上，并且这个⽣成新变量的功能似乎只能通过命令完成。
窗⼝：Statistics——Time-series——Graphs——Cumulative Spectral distribution
单位根检验（219）
1、Dickey-Fuller 检验
命令：dfuller var (,lags(#)/trend/noconstant/regress/)
对变量做ADF 检验可以加滞后期或趋势项或不含常数项等等这些取决于你的模型。
窗⼝：Statistics——Time-series——TEST——ADF 单位根检验（第⼀个）在⾥⾯你也可以选择滞后期
数，常数项等等。
如何看结果：
原假设为：⾄少存在⼀个单位根；备选假设为：序列不存在单位根。
如果统计量⼩于后⾯的显着性⽔平给出的值且P 值很⼤——有单位；
如果统计量⼤于后⾯的显着性⽔平给出的值且 P 值很⼩——⽆单位根
ADF 检验需要注意的地⽅：
（1）必须为回归定义合理的滞后阶数，通常采⽤AIC 准则来确定给定时间序
列模型的滞后阶数。在实际应⽤中，还需要兼顾其他的因素，如系统的稳定性、模型的拟合优度等。
（2）可以选择常数和线性时间趋势，选择哪种形式很重要，因为检验显着性⽔平的 t 统计量在原假设下的渐进分布依赖于关于这些项的定义。
①如果在检验回归中含有常数，意味着所检验的序列的均值不为 0，⼀个简单易⾏的办法是画出检验序列的曲线图，通过图形观察原序列是否在⼀个偏离 0 的位臵随机变动，进⽽决定是否在检验时添加常数
项；
②如果在检验回归中含线性趋势项，意味着原序列具有时间趋势。同样，决定是否在检验中添加时间趋势项，也可以通过画出原序列的曲线图来观察。如果图形中⼤致显⽰了被检验序列的波动趋势随时间变化⽽变化，那么便可以添加时间趋势项。
2、Phillips-Perron 检验
命令：pperron var , (,lags(#)/trend/noconstant/regress/)对变量做 PP 检验可以加滞后期或趋势项或不含常数项等等这些取决于你的模型。
窗⼝操作：Statistics——Time-series——TEST——PP 单位根检验(第三个) 如何看结果：
同ADF ⼀样原假设为：⾄少存在⼀个单位根；备选假设为：序列不存在单位根。
P 值越⼩（统计量⼤于各显着性⽔平值）——不存在单位根
P 值越⼤（统计量⼩于各显着性⽔平值）——存在单位根
向量⾃相关回归VAR 模型
向量⾃回归（VAR）模型是AR 模型的多元扩展，⽤以反映在⼀个系统中的多个变量之间的动态影像，格兰杰因果检验、脉冲响应、⽅差分解都是 VAR 模型中重要的分析⼯具。
与VAR 模型相关的STATA 命令与解析
1、VAR 模型的估计
STATA 命令：
var 解释变量（，⽆常数项noconstant/滞后期lags(n)/ 外⽣变量
exog(varlist)/constraints(numlist)线性约束的个数
{注意：使⽤线性约束要提前定义，详情见建模中的各种⼩问题}/LIKEPOHL 滞后阶数选择的统计量lutstats）
窗⼝操作：Statistics——Multivariate time series——VAR(第⼆项) 如何看结果：
保存估计结果的命令：est store 名称
2． VAR 模型平稳性
STATA 命令：varstable(，graph 表⽰画出图形)
如何看结果：特征值都在圆内，即都⼩于1，表⽰VAR 模型稳定
窗⼝操作：Statistics ——Multivariate time series ——VAR diagnostics and tests——check stability condition of VAR estimates
3． VAR 阶数的选择——滞后阶数的确定
在VAR 模型中，正确的选择模型的滞后阶数，对于模型的估计和协整检验都产⽣⼀定的影响，⼩样本情况更是如此。
tabletime
（1）STATA 命令：⽤于VAR 模型估计之前
varsoc 解释变量（，没有常数项noconstant/最⾼滞后期 maxlag(#)/ 外⽣变量 exog(varlist)/ 线性约束条件
constraints(numlist)）
（2）命令：⽤于模型估计之后
解释变量（，estimates(estname)）其中，estname 表⽰已经估计的VAR 模型的名字。
（1）（2）如何看结果：最显着的阶数作为其滞后项（⼀般会标有※）（3）命令：⽤于模型估计之后（Wald 滞后排除约束检验） Varwle
窗⼝操作：Statistics——Multivariate time series——VAR diagnostics and tests——第⼀第⼆项如何看结果：看不同阶数上的联合显着性，看P 值，越⼩越显着，表⽰存在该阶滞后项。
4．残差的正态性与⾃相关检验
STATA 命令：
1. 先进⾏var 回归
2. varnorm
如何看结果：
原假设是服从正态分布
P 值越⼩越显着拒绝原假设——不服从正态分布
P 值越⼤越不显着拒绝，原假设成⽴——服从正态分布
⾃相关：窗⼝操作：Statistics——Multivariate time series—— VAR diagnostics and tests——LM Test
正态分布：窗⼝操作：Statistics——Multivariate time series ——VAR diagnostics and tests——Test for normally(倒数第三项)
5． Granger 因果关系检验
格兰杰因果关系不同于我们平常意义上的因果关系，它是指⼀个变量对于另外⼀个变量具有延期影响。
格兰杰因果关系检验有助于表明变量间的动态影响，有助于提⾼模型的预测效果。
命令格式：
1. 先进⾏var
2. 再进⾏格兰杰因果检验vargranger
如何看结果：看P 值的显着性，越⼩说明存在越强的因果关系，相反 P 值越
⼤说明两者的因果关系不明显。
窗⼝操作：Statistics——Multivariate time series——Granger causality test
6．脉冲响应与⽅差分解（223）
脉冲响应与⽅差分解是⼀个问题的两个⽅⾯。
脉冲响应是衡量模型中的内⽣变量对⼀个变量的脉冲（冲击）做出的响应{⼀对多，⼀个变量向下所引起的其他变量的变动}，⽽⽅差分解则是如何将⼀个变量的响应分解到模型中的内⽣变量{多对⼀，⼀个变量的变动向上追溯引起该变动的若⼲原因}。
STATA 的irf 命令⽤于计算VAR、SVAR、VEC 模型的脉冲响应、动态乘⼦和⽅差分解。
注意：该⽅法的操作使⽤于var、svar、vec 估计之后。
（1）创建irf ⽂件
STATA 命令：irf create irfname ，set(名字) （先进⾏var, 然后使⽤这条命令就可以直接把刚刚 var 的结果保存到该 irf ⽂件⾥，并且只有这条命令是最好⽤的，其他命令即使可以建⽴irf ⽂件但是不能把var 的结果保存进去，那也是没⽤的。）
激活irf ⽂件
①显⽰当前处于活动状态的irf ⽂件：
STATA 命令： irf set
②激活（或创建）irf ⽂件：
STATA 命令：irf set ⽂件名称
③创建新的irf ⽂件并替换正在活动的irf ⽂件：
STATA 命令： irf set ⽂件名称，replace
④清除所有活动的irf ⽂件：
STATA 命令： irf set ，clear
窗⼝操作：Statistics——Multivariate time series——Manage IRF results and files
（2）⽤irf ⽂件作图（223）
对于VAR、SVAR、VEC 模型，脉冲响应函数（IRF）的类型包括简单脉冲响应、正交脉冲响应、动态乘⼦三种，⽅差分解包括 Cholesky 分解和结构分解两种。没种模型可以采⽤不同的分析⼯具。
窗⼝操作：Statistics——Multivariate time series——IRF and FEVD analysis
简单的IRF：（VAR/SVAR/VEC 之后）
命令：irf graph irf（，使⽤哪个⽂件 set(⽂件名)/ 脉冲变量 impulse(变量名)/响应变量response（内⽣变量名））如果不加约束就是默认当前打开的⽂件
动态乘⼦：(VAR 之后) 命令：irf graph dm（，使⽤哪个⽂件 set(⽂件名)/ 脉冲变量 impulse(变量名)/响应变量response（内⽣变量名））
⽅差分解：（VAR/SVAR/VEC 之后）
命令：irf graph fevd（，使⽤哪个⽂件set(⽂件名)/ 脉冲变量 impulse(变量名)/响应变量response（内⽣变量名））
联合图表：将多个脉冲响应图或⽅差分解图结合起来）
命令：irf cgraph (irfname 脉冲变量响应变量⽅差分解的⽅法 fevd/IRF 的⽅法 irf) (irfname 脉冲变量响应变量 IRF ⽅法 irf/⽅差分解的⽅法fevd)
叠加图表：（将多个脉冲响应图或⽅差分解图叠加起来）
命令：irf ograph(irfname 脉冲变量响应变量⽅差分解的⽅法 fevd/IRF 的⽅法 irf) (irfname 脉冲变量响应变量 IRF ⽅法 irf/⽅差分解的⽅法fevd) （3）Irf 列表
STATA 命令：irf table IRF ⽅法irf/⽅差分解⽅法fevd
联合列表：（将多个脉冲响应图或⽅差分解列表结合起来）
命令：irf ctable (irfname 脉冲变量响应变量⽅差分解的⽅法 fevd/IRF
的⽅法 irf) (irfname 脉冲变量响应变量 IRF ⽅法 irf/⽅差分解的⽅法fevd)

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。