Stata干扰项序列相关

1. ****干扰项序列相关（自相关）的GLS估计********/
2. ***吴良海，安徽工业大学商学院会计系，2014/10/16***
3. cap prog drop ar //如果内存中存在do文件，请清除，如果没有，请继
4. prog ar //命名一个以ar为名的do文件
5. version 13.0
6. set more off //自动翻屏到最后一页
7. use D:\data\10.17\friedman2,clear //请调入系统中自带的数据集
8. drop if m1==. //如果m1这个变量等于缺失值，请删除。

9. tsset time //time为时间变量，tsset时间序列设置。

10.foreach var of varlist cons m1 m2{ //对三个变量cons m1 m2做循环。

11. g ln_`var'=ln(`var') //对上述三个变量产生它的对数值，var是宏的
名字。

12. g dln_`var'=D.ln_`var' //D1表示一阶差分。

先有上述变量，才能进行
差分。

计算三个变量对数的一阶拆分。

13.} //一阶拆分表示为D，二阶拆分表示为D2.....
14.qui reg consump m1 m2 //consump被解释变量和货币突发量 m1m2之间的
关系。

m1m2是否影响consump?程度？qui静静的，
结果窗口不显示运行结果。

15.dwstat //Durbin Watson检验，2为标准值，如果得到很小的数，说明存
在序列相关。

D W为人。

检验一阶自相关，不能检验高阶自相关。

16.return list //列示内存中保存的那些值。

17.dis "rho=" `=1-r(dw)/2' //计算一阶自相关系数，dw~=2(1-rho) dw代表
德斌沃森检验 dis为display显示，rho为相关系数表达式。

18.reg ln_consump ln_m* //原始数据对数形式的序列相关检验
19.dwstat
20.dis "rho=" `=1-r(dw)/2'
21.qui reg dln_consump dln_m* //原始数据对数差分形式的序列相关检验
22.dwstat
23.dis "rho=" `=1-r(dw)/2' /*进行单位根检验，判断序列平稳性*/
24.foreach var of varlist consump m1 m2 ln_consump ln_m1 ln_m2{
dfuller `var',lags(0) regress //Dickey-Fuller test for unit root } //dfuller为单位根检验。

/*对原始数据和取对数后的数据进行的单位根检验都表明
二者是含有单位根的，即均为非平稳序列，此时OLS直接进行回归往往
是有问题的。

*/ //以下是解决办法。

*首先假设干扰项服从最简单的AR(1)形式 //假设滞后值lags为0 如果小于3个临界值之一表明存在单位根。

25.prais ln_consump ln_m1 ln_m2,twostep //Prais-Winsten估计 //twostep
选择项，显示两步。

26.est store p1_haihan //把刚刚回归的结果保存下来
// prais ln_consump ln_m1 ln_m2,corc //Cochrane-Orcutt估计 //对刚刚那种方法进行校正。

// est store c1_haihan
27.newey ln_consump ln_m1 ln_m2,lag(0) //Newey-West(1987)估计 //这是
另外一种方法。

28.reg ln_consump ln_m1 ln_m2,robust //采用White公式估计系数方差，同
上命令效果
29.newey ln_consump ln_m1 ln_m2,lag(2) //滞后阶q取2 //newey可以进行
高阶回归。

//如何确定滞后阶?——异方差和序列相关形式未知时的OLS稳健性估计
//年度数据，q=1或2;季度数据，q=4或8;月度数据，q=12或24
//Newey和West(1987)建议取q=int(4*(n/100)^(2/9))
//Schwert(1989),q=int{c(T/100)^(1/d)},c=4或12,d=4
/*当干扰项服从AR(2)过程时，可以采用如下命令进行处理*/
//estimation equation:reg ln_consump ln_m1 ln_m2
* Transform the data, /********干扰项序列相关（自相关）的GLS估计********/
***吴良海，安徽工业大学商学院会计系，2014/10/16***
cap prog drop ar //如果内存中存在do文件，请清除，如果没有，请继续。

prog ar //命名一个以ar为名的do文件。

version 13.0
set more off //自动翻屏到最后一页
use D:\data\10.17\friedman2,clear //请调入系统中自带的数据集
drop if m1==. //如果m1这个变量等于缺失值，请删除。

tsset time //time为时间变量，tsset时间序列设置。

foreach var of varlist cons m1 m2{ //对三个变量cons m1 m2做循环。

g ln_`var'=ln(`var') //对上述三个变量产生它的对数值，var是宏的名字。

g dln_`var'=D.ln_`var' //D1表示一阶差分。

先有上述变量，才能进行差分。

计算三个变量对数的一阶拆分。

} //一阶拆分表示为D，二阶拆分表示为D2.....
qui reg consump m1 m2 //consump被解释变量和货币突发量 m1m2之间的关系。

m1m2是否影响consump?程度？qui静静的，结果窗口不显示运行结果。

dwstat //Durbin Watson检验，2为标准值，如果得到很小的数，说明存在序列相关。

D W为人。

检验一阶自相关，不能检验高阶自相关。

return list //列示内存中保存的那些值。

dis "rho=" `=1-r(dw)/2' //计算一阶自相关系数，dw~=2(1-rho) dw代表德斌沃森检验 dis为display显示，rho为相关系数表达式。

运行后，当期值与上期值相差0.986.
reg ln_consump ln_m* //原始数据对数形式的序列相关检验
dwstat
dis "rho=" `=1-r(dw)/2'
qui reg dln_consump dln_m* //原始数据对数差分形式的序列相关检验dwstat
dis "rho=" `=1-r(dw)/2' //相关系数最大值为1，最小值为-1.
/*进行单位根检验，判断序列平稳性*/ //判断现有数据是稳定还是非稳定的foreach var of varlist consump m1 m2 ln_consump ln_m1 ln_m2{
dfuller `var',lags(0) regress //Dickey-Fuller test for unit root } //dfuller为单位根检验。

/*对原始数据和取对数后的数据进行的单位根检验都表明
二者是含有单位根的，即均为非平稳序列，此时OLS直接进行回归往往
是有问题的。

*/ //以下是解决办法。

*首先假设干扰项服从最简单的AR(1)形式 //假设滞后值lags为0 如果小于3个临界值之一表明存在单位根。

prais ln_consump ln_m1 ln_m2,twostep //Prais-Winsten估计 //twostep选择项，显示两步。

est store p1_haihan //把刚刚回归的结果保存下来
// prais ln_consump ln_m1 ln_m2,corc //Cochrane-Orcutt估计 //对刚刚那种方法进行校正。

// est store c1_haihan
newey ln_consump ln_m1 ln_m2,lag(0) //Newey-West(1987)估计 //这是另外一种方法。

reg ln_consump ln_m1 ln_m2,robust //采用White公式估计系数方差，同上命令效果
newey ln_consump ln_m1 ln_m2,lag(2) //滞后阶q取2 //newey可以进行高阶回归。

//如何确定滞后阶?——异方差和序列相关形式未知时的OLS稳健性估计
//年度数据，q=1或2;季度数据，q=4或8;月度数据，q=12或24
//Newey和West(1987)建议取q=int(4*(n/100)^(2/9))
//Schwert(1989),q=int{c(T/100)^(1/d)},c=4或12,d=4
/*当干扰项服从AR(2)过程时，可以采用如下命令进行处理*/
//estimation equation:reg ln_consump ln_m1 ln_m2
* Transform the data,
* rho1 and rho2 are gotten by regressing the OLS residuals
qui reg ln_consump ln_m1 ln_m2
ereturn list
qui predict e1,res
reg e1 L.e1 L2.e1,nocons
scalar rho1=_b[L.e1]
scalar rho2=_b[L2.e1]
g const=1 /*The constant term should be transformed too*/ foreach var of varlist const ln_consump ln_m1 ln_m2{
g `var'_2=`var'-rho1*L.`var'-rho2*L2.`var'
}
* *****Method1:Corch estimation*****
reg ln_consump_2 ln_m1_2 ln_m2_2 const_2,nocons
est store c2_haihan
* *****Method2:Prais estimation*****
//Transform the first observation
global indv const ln_consump ln_m1 ln_m2
scalar rr=sqrt(1-rho2^2)
scalar list
foreach var of varlist $indv{
replace `var'_2=-sqrt((1+rho2)*(rr^4-rho1^2) ///
/(1-rho2))*`var' if _n==1
local tempz=rho1*rr/(1-rho2)*`var'[1]
replace `var'_2=rr*`var'-`tempz' if _n==2
}
reg ln_consump_2 ln_m1_2 ln_m2_2 const_2,nocons
est store p2_haihan
* Compare the results
est table p1_haihan,stats(N F r2_a) b(%7.4f) star(0.10 0.05 0.01)
est table p2_haihan c2_haihan,stats(N F r2_a) b(%7.4f) star(0.10 0.05 0.01)
end
ar
* rho1 and rho2 are gotten by regressing the OLS residuals
qui reg ln_consump ln_m1 ln_m2
ereturn list
qui predict e1,res
reg e1 L.e1 L2.e1,nocons
scalar rho1=_b[L.e1]
scalar rho2=_b[L2.e1]
g const=1 /*The constant term should be transformed too*/ foreach var of varlist const ln_consump ln_m1 ln_m2{
g `var'_2=`var'-rho1*L.`var'-rho2*L2.`var'
}
* *****Method1:Corch estimation*****
reg ln_consump_2 ln_m1_2 ln_m2_2 const_2,nocons
est store c2_haihan
* *****Method2:Prais estimation*****
//Transform the first observation
global indv const ln_consump ln_m1 ln_m2
scalar rr=sqrt(1-rho2^2)
scalar list
foreach var of varlist $indv{
replace `var'_2=-sqrt((1+rho2)*(rr^4-rho1^2) ///
/(1-rho2))*`var' if _n==1
local tempz=rho1*rr/(1-rho2)*`var'[1]
replace `var'_2=rr*`var'-`tempz' if _n==2
}
reg ln_consump_2 ln_m1_2 ln_m2_2 const_2,nocons
est store p2_haihan
* Compare the results
est table p1_haihan,stats(N F r2_a) b(%7.4f) star(0.10 0.05 0.01)
est table p2_haihan c2_haihan,stats(N F r2_a) b(%7.4f) star(0.10 0.05 0.01)
end
ar。