stata操作介绍之时间序列
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
说明：由图可知，lag为0时，交叉相关性最强（线条最长）， 且为负。
自相关分析
交叉相关表 : . xcorr wNAO fylltemp if year >=1970 & year <=1990,lags(7) table
ARIMA模型
时间序列中的自相关集成移动平均模型 （autoregressive integrated moving average 简称 ARIMA ），是指将非平稳时间序列转化为平稳时间 序列，然后将因变量仅对它的滞后值以及随机误差 项的现值和滞后值进行回归所建立的模型。
注：本部分继续使用 ch52.dta数据。
自相关分析
自相关表： . corrgram fylltemp,lags(9)
说明:大多数P值都小于0.05，故认为fylltemp具有显著的自相 关性；相关关系或偏相关关系越强，相应的线条越长；
自相关分析
自相关图： . ac fylltemp,lags(9)
平滑分析
该部分以1983年1月到7月Milford城镇的 自来水消费量为例。
文件：ch51.dta
导入数据：
. use C:\Users\Administrator\Desktop\ 时间 序列\数据\ch51.dta, clear
平滑分析
描述性统计： . describe
平滑分析
生成日期变量（一）：
注：阴影部分是95%的置信区间；
自相关分析
偏相关图： . pac fylltemp,lags(9) yline(0) ciopts(bstyle(outline))
注：ciopts(bstyle(outline))表示将偏相关图中阴影部分改为 矩阵区域。
自相关分析
交叉相关图 :
. xcorr wNAO fylltemp if year >=1970 & year <=1990,lags(7) xlabel(-9(1)9,grid)
四、平稳时间序列分析
平滑分析
大多数时间序列数据都具有上下起伏的波动，对 于时间序列数据的识别十分困难。平滑分析可以把 数据分为两个部分：一部分逐渐发生变化，便于分 析处理；另一部分则含有突变的成份。
时间平滑：用某时刻及其前后若干时刻的值进行 加权平均，所得值作为该时刻的替代值以滤去小扰 动的方法。
. gen date=mdy( month ,day, year ) . list in 1/5
平滑分析
设置时间（二）： . tsset date, format(%d) . list in 1/5
平滑分析
趋势图：
. graph two line water date , ylabel(300(100)900)
后两个值进行平均计算；
平滑分析
趋势图：
. graph two line water5 date , clwidth(thick) || line water date , clwidth(thin) clpattern(solid)
平滑分析
波动幅度：
. gen ch=water- water5 . list in 1/5
平滑分析
生成移动平均值（1）：
. gen water3=(water[_n-1]
+water[ _n]
+water[ _n+1]
)/3
平滑பைடு நூலகம்析
生成移动平均值（2）： . tssmooth ma water5=water,window(2 1 2)
注：tssmooth:表示移动平均值平滑(加权或不加权); window(2 1 2):表示使用该值的前两个值、该值与该值的
. reg fylltemp L(0/2).wNAO if year >=1970 & year <=1990
平滑分析-滞后变量
回归结果：
相关分析
自相关系数是对变量自身与其滞后变量之 间相关关系的估计。偏相关系数是在消除其 他变量影响的条件下，所计算的某两变量之 间的相关系数。交叉相关是分析两个时间序 列之间的关系。
平滑分析-滞后变量
平滑分析-滞后变量
三种滞后回归方法:
. reg fylltemp wNAO wNAO_1 wNAO_2 if year >=1970 & year <=1990
. reg fylltemp wNAO L.wNAO L2.wNAO if year >=1970 & year <=1990
平滑分析
波动幅度： . graph two line ch date
平滑分析-滞后变量
导入数据： . use C:\Users\Administrator\Desktop\ 时间序列\数 据\ch52.dta, clear
描述性统计： . describe
时间设置： . tsset year,yearly
平滑分析-滞后变量
生成n阶滞后变量的两种方法：
. gen wNAO_n=wNAO[ _n-1]
. gen wNAO_n=Ln.wNAO 注：第二种方法中的''Ln''表示Lag(n)；
平滑分析-滞后变量
生成一阶滞后变量：
. gen wNAO_1=wNAO[ _n-1]
生成二阶滞后变量： . gen wNAO_2=L2.wNAO
ARIMA 模型根据原序列是否平稳以及回归中所含 部分的不同，包括移动平均过程（ MA）、自回归过 程（AR）、自回归移动平均过程（ ARMA）以及 ARIMA 过程。
ARIMA模型
ARIMA模型操作步骤：
1、对变量进行检验，若变量具有稳定性，进行第二步，否 则，不能使用ARIMA模型； 2、做出变量的自相关图； 3、根据变量的自相关图，选择合适的模型； 4、根据选定的模型进行分析，并检验系数是否显著。若有 的系数不显著，所选择的模型可能存在问题；若所有系数都 显著，进行第五步； 5、检验残差是否具有自相关性。若残差具有自相关性，则 所选择的模型存在问题；若残差不具有自相关性，则所选择 的模型是合适的。
平滑分析-滞后变量
时间平滑： . tssmooth ma fylln= fylltemp,window(2 1 2)
平滑分析-滞后变量
趋势图：
. graph two spike fylltemp year ,base(1.67) yline(1.67) || line fylln year ,clpattern(solid)
自相关分析
交叉相关表 : . xcorr wNAO fylltemp if year >=1970 & year <=1990,lags(7) table
ARIMA模型
时间序列中的自相关集成移动平均模型 （autoregressive integrated moving average 简称 ARIMA ），是指将非平稳时间序列转化为平稳时间 序列，然后将因变量仅对它的滞后值以及随机误差 项的现值和滞后值进行回归所建立的模型。
注：本部分继续使用 ch52.dta数据。
自相关分析
自相关表： . corrgram fylltemp,lags(9)
说明:大多数P值都小于0.05，故认为fylltemp具有显著的自相 关性；相关关系或偏相关关系越强，相应的线条越长；
自相关分析
自相关图： . ac fylltemp,lags(9)
平滑分析
该部分以1983年1月到7月Milford城镇的 自来水消费量为例。
文件：ch51.dta
导入数据：
. use C:\Users\Administrator\Desktop\ 时间 序列\数据\ch51.dta, clear
平滑分析
描述性统计： . describe
平滑分析
生成日期变量（一）：
注：阴影部分是95%的置信区间；
自相关分析
偏相关图： . pac fylltemp,lags(9) yline(0) ciopts(bstyle(outline))
注：ciopts(bstyle(outline))表示将偏相关图中阴影部分改为 矩阵区域。
自相关分析
交叉相关图 :
. xcorr wNAO fylltemp if year >=1970 & year <=1990,lags(7) xlabel(-9(1)9,grid)
四、平稳时间序列分析
平滑分析
大多数时间序列数据都具有上下起伏的波动，对 于时间序列数据的识别十分困难。平滑分析可以把 数据分为两个部分：一部分逐渐发生变化，便于分 析处理；另一部分则含有突变的成份。
时间平滑：用某时刻及其前后若干时刻的值进行 加权平均，所得值作为该时刻的替代值以滤去小扰 动的方法。
. gen date=mdy( month ,day, year ) . list in 1/5
平滑分析
设置时间（二）： . tsset date, format(%d) . list in 1/5
平滑分析
趋势图：
. graph two line water date , ylabel(300(100)900)
后两个值进行平均计算；
平滑分析
趋势图：
. graph two line water5 date , clwidth(thick) || line water date , clwidth(thin) clpattern(solid)
平滑分析
波动幅度：
. gen ch=water- water5 . list in 1/5
平滑分析
生成移动平均值（1）：
. gen water3=(water[_n-1]
+water[ _n]
+water[ _n+1]
)/3
平滑பைடு நூலகம்析
生成移动平均值（2）： . tssmooth ma water5=water,window(2 1 2)
注：tssmooth:表示移动平均值平滑(加权或不加权); window(2 1 2):表示使用该值的前两个值、该值与该值的
. reg fylltemp L(0/2).wNAO if year >=1970 & year <=1990
平滑分析-滞后变量
回归结果：
相关分析
自相关系数是对变量自身与其滞后变量之 间相关关系的估计。偏相关系数是在消除其 他变量影响的条件下，所计算的某两变量之 间的相关系数。交叉相关是分析两个时间序 列之间的关系。
平滑分析-滞后变量
平滑分析-滞后变量
三种滞后回归方法:
. reg fylltemp wNAO wNAO_1 wNAO_2 if year >=1970 & year <=1990
. reg fylltemp wNAO L.wNAO L2.wNAO if year >=1970 & year <=1990
平滑分析
波动幅度： . graph two line ch date
平滑分析-滞后变量
导入数据： . use C:\Users\Administrator\Desktop\ 时间序列\数 据\ch52.dta, clear
描述性统计： . describe
时间设置： . tsset year,yearly
平滑分析-滞后变量
生成n阶滞后变量的两种方法：
. gen wNAO_n=wNAO[ _n-1]
. gen wNAO_n=Ln.wNAO 注：第二种方法中的''Ln''表示Lag(n)；
平滑分析-滞后变量
生成一阶滞后变量：
. gen wNAO_1=wNAO[ _n-1]
生成二阶滞后变量： . gen wNAO_2=L2.wNAO
ARIMA 模型根据原序列是否平稳以及回归中所含 部分的不同，包括移动平均过程（ MA）、自回归过 程（AR）、自回归移动平均过程（ ARMA）以及 ARIMA 过程。
ARIMA模型
ARIMA模型操作步骤：
1、对变量进行检验，若变量具有稳定性，进行第二步，否 则，不能使用ARIMA模型； 2、做出变量的自相关图； 3、根据变量的自相关图，选择合适的模型； 4、根据选定的模型进行分析，并检验系数是否显著。若有 的系数不显著，所选择的模型可能存在问题；若所有系数都 显著，进行第五步； 5、检验残差是否具有自相关性。若残差具有自相关性，则 所选择的模型存在问题；若残差不具有自相关性，则所选择 的模型是合适的。
平滑分析-滞后变量
时间平滑： . tssmooth ma fylln= fylltemp,window(2 1 2)
平滑分析-滞后变量
趋势图：
. graph two spike fylltemp year ,base(1.67) yline(1.67) || line fylln year ,clpattern(solid)