stata操作介绍之时间序列

平滑分析
生成移动平均值（1）：
. gen water3=(water[ _n-1]+water[ _n]+water[ _n+1])/3
平滑分析
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
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；
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）：
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。
ARIMA模型
三种单位根检验方法： pperron 检验： . pperron fylltemp, lag(3)
说明：P值为0.0003，小于0.05，故拒绝原假设，说明该变 量不满足稳定性检验；
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)
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)
ARIMA模型
dfuller 检验： . dfuller fylltemp, lag(3)
说明：P值为0.089，大于0.05，故不能拒绝原假设，说明该 变量满足稳定性检验；
ARIMA模型
dfgls检验： . dfgls fylltemp, maxlag(3) notrend
说明：P值为0.0，小于0.05，故拒绝原假设，说明该变量不 满足稳定性检验；
ARIMA模型
AR(1): . arima fylltemp,arima(1,0,0) nolog
说明：由上图可知，常数项与一期滞后变量系数都是统计显 著的，卡方检验也显著。
故上图可得到模型为：
fyllt t1 e.6m 8 0.9 p 41 fy 0llt-1 t e 1mp
ˆ 0.627
虽然pperron 检验和dfgls检验拒绝了变量 fylltemp具有稳定性的假设，但是dfuller 检验 不能拒绝原假设，还是可以认为该变量具有 稳定性。
ARIMA模型
自相关表： . corrgram fylltemp,lags(4)
说明：该变量的自相关关系随着滞后期的增加而减少，偏自 相关关系在一期自后滞后消失，故适合模型AR(1)来分析该 变量。
在得出结论之前，还需对残差进行检验，检验残 差是否存在自相关性。
在进行检验之前需要生成残差。
ARIMA模型
生成残差： . predict fylres, res . corrgram fylres ,lags(9)
说明：由图可知，统计量对应的P值为0.6574，不能拒绝原 假设，即认为残差不存在自相关。因此，认为变量fylltemp 使用AR(1)进行分析是合适的。
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
. 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 wຫໍສະໝຸດ Baiduter date, ylabel(300(100)900)
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。
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)
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。
. 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
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
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
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