stata第七讲【山大陈波】

1。画出时间序列的趋势线： line ar_1 _t,yline(0) line ma_1 _t,yline(0) line arma_11 _t,yline(0) line ar_2 ar_3 _t,yline(0) 2。画出时间序列的相关图和自相关图 ac pac
结论：
AR过程 MA过程 ARMA过程
AC图 拖尾 截尾 拖尾
PAC图 截尾 拖尾 拖尾
“拖尾” 意味着长期记忆，
而“截尾”意味着短期记忆。
ARIMA 模型的估计 打开数据文件mpyr.dta 1。产生实际货币的对数值，并画出各变量趋势图。
line logmr logy r year
注意调整速度的含义：
-0.5336表明当logmr的数值过高时(偏离长期均衡


态)，它会缓慢的朝着长期均衡态下调。 5。脉冲响应过程 irf create order1, step(10) set(myirf1, replace) irf graph oirf, impulse(logmr) response(logy) irf graph oirf, impulse(logmr) response(r) irf graph oirf, impulse(r) response(logmr)
Stata上机实验
时间序列模型
平稳时间序列
非平稳时间序列 ARCH模型和GARCH模型
平稳时间序列
AR(p)
MA(q) ARMA(p,q)
ARIMA(p,d,q)
自回归模型AR(p)
一阶自回归模型AR(1)定义为： yt = β0 +β1y
+εt 平稳的条件是β1的绝对值小于1。 p阶自回归模型定义为： yt = β0 +β1y t -1 + … + βpy t –p + εt 滞后算子的根全部在单位圆外。

2。 DF-GLS检验 dfgls logmr dfgls logmr,trend 3。 PP 检验 pperron logmr pperron logmr,trend pperron logmr,regress pperron logmr,trend regress
普斯曲线ADL(2,1)模型：
inft 0 1inft 1 2 inft 2 3unemt 1 t
reg D.inf DL.inf DL2.inf L.unem
利用滞后3阶的ARCH模型和GARCH(1,1)模
型重新回归模型。 arch D.inf DL.inf DL2.inf L.unem ,arch(1/3) arch D.inf DL.inf DL2.inf L.unem,arch(1) garch(1)
ADF 检验（Augmented Dickey-Fuller test） DF-GLS检验 （modified Dickey-Fuller）
PP 检验
KPSS 检验
关于常数项与趋势项的选择：是否应该带常
数项或时间趋势项，主要从理论上考虑。比 如，考察GDP 之对数是否有单位根，肯定要 包含时间趋势项；而利率、汇率等则不应有 时间趋势项。也可以通过画变量的时间序列 图来大致判断有无长期增长趋势。另外，在 做ADF 检验时，使用选择项“regress”，可 以看到常数项或时间趋势项是否显著。

协整的步骤：考察logmr、logy、r 之间的协整关系。 1。验证单整性 dfuller logmr dfuller D.logmr dfuller logy dfuller D.logy dfuller r dfuller D.r
2。确定滞后阶数 varsoc logmr logy r
ARIMA模型
ARMA(p,q)模型不一定是平稳时间序列模型，
如果ARMA(p,q)是不平稳的，经过d阶单整后 成为平稳模型，则称为ARIMA(p,d,q)。单整 后可以用一个ARMA(p,q)模型作为它的生成模 型的。
下载两个外部命令：
Findit sim_arma Ssc install kpss
打开mpyr.dta，分析logmr是否存在单位根。
1。 D-F 检验和ADF 检验 dfuller logmr
dfuller logmr,lags(3)
dfuller logmr,regress
dfuller logmr,trend
dfuller logmr,trend regress
赤池信息准则AIC，施瓦茨信息准则SBIC， 汉南-昆准则HQIC。 varsoc dlinvest dlincome dlconsumption 3。估计VAR模型 var dlinvest dlincome dlconsumption ,lag(1/2)
4。画出脉冲响应图：控制其它因素不变的情况下，

对某个内生变量的外部冲击，对其自身和其它内生 变量的影响。 varbasic dlinvest dlincome dlconsumption , irf （未正交化） 5。平稳性检验 varstable varstable, graph varstable, graph dlabel
p、q阶数的确定：信息准则AIC、BIC最小
1。假定为ARIMA(1,1,1)，创建模型方程： arima logmr, arima(1,1,1) 或者
arima d_logmr, ar(1) ma(1) 列示信息准则 estat ic

2。假定为ARIMA(1,1,2)，创建模型方程： arima d_logmr, ar(1) ma(2) estat ic 3。假定为ARIMA(2,1,1)，创建模型方程： arima d_logmr, ar(2) ma(1) estat ic 4。假定为ARIMA(2,1,2)，创建模型方程： arima d_logmr, ar(2) ma(2) estat ic 应该是一个ARIMA(1,1,1)模型
VAR模型的估计方法：
打开文件lutkepohl.dta。 tsset qtr
1。检验平稳性
dfuller investment
dfuller linvestment
dfuller dlinvestment
2。选择滞后阶数
几种不同的选择标准：最终预测误差FPE，
向量自回归模型(wenku.baidu.comAR)
VAR模型分为结构型 VAR 模型与缩减型
VAR 模型。 我们常常同时关心几个经济变量的预测，将 这些变量放在一起，作为一个系统来预测， 以使得预测相互自洽。
假设有两个时间序列变量{ y1t,y2t} ，分别作为
两个回归方程的被解释变量；而解释变量为 这两个变量的p 阶滞后值，构成一个“二元” （bivariate）的VAR( p) 系统。
ARCH模型和GARCH模型
自回归条件异方差(ARCH)和一般化自回归条
件异方差(GARCH)主要主要用于金融时间序 列分析
金融时间序列的特点是“波动性集聚”。大
幅的波动跟随大幅的波动，小幅的波动跟随 小幅的波动。由于ARCH 模型存在方差的波 动性，因此给投资者提供了套利空间。
打开phillips1.dta文件，估计如下的经验菲利
非平稳时间序列
伪回归：若两个时序变量回归得到的 R2 较
高，系数也显著，但D-W值接近于0，则很可 能是“伪回归”。此时，要检验时序变量的 平稳性。 打开模拟文件，对两个随机游走过程建立回 归方程： reg ar_2 ar_3 dwstat
单位根检验
D-F 检验（Dickey-Fuller t-test）

产生模拟数据： 1。产生一个AR(1)的平稳时间序列： sim_arma ar_1, ar(0.9) nobs(300) 2。产生一个MA(1)的时间序列： sim_arma ma_1, ma(0.8) nobs(300) 3。产生一个ARMA(1,1)的模型： sim_arma arma_11, ar(0.8) ma(0.5) nobs(300) 4。产生两个随机游走过程 sim_arma ar_2, ar(1) nobs(300) sim_arma ar_3, ar(1) nobs(300) 将文件保存起来
4。KPSS检验：
原假设是不包含单位根 默认假设为包括时间趋势项。
kpss logmr
kpss logmr,notrend
协整与误差修正模型
协整：若y_t, x_t 均为 I(1) 过程，若二者的线
性组合 (z_t = y_t - a - b*x_t) 是 I(0) 过程， 则称 y_t 和 x_t 存在协整关系，协整向量为 (1,-b)。 打开mpyr.dta tsset year
t -1
移动平均过程MA (q)
一阶移动平均过程MA (1)定义为： yt = u +εt +θεt-1
其中，{εt} 为白噪声
q阶移动平均过程MA (q)定义为：
yt = u +εt +θ1εt-1 +…+ θqεt-q
ARMA 模型估计：极大似然法
为了使模型更好地拟合数据，可以将AR( p) 与 MA(q) 结合起来，得到ARMA(p,q) yt = β0 +β1y t -1 + … + βpy t –p + εt+θ1εt-1 +…+ θqεt-q
3。 Johans 检验，是否具有协整关系，以及
协整关系的个数。(进行迹检验，确定协整秩)。 vecrank logmr logy r,lag(2)
4。估计VEC模型 误差修正模型包含长期关系和短期关系，以及调整
速度。 vec logmr logy r 得到一系列误差修正模型： D.logmrt=-0.533*ECMt-1+(0.0186+0.2079*D.logmrt1+0.0087*D.logyt-1-0.0063*D.rt-1)+ut 其中： ECMt=0.7299+logmrt-0.9754*logyt+0.1124*rt+u 同理可以得到 logy 和 r 的误差修正模型。
2。检验logmr的平稳性
dfuller logmr 同时利用AC图和PAC图检验logmr的时间序列类型。
3。求实际货币的一阶差分
gen d_logmr=d.logmr 4。检验差分后的平稳性 dfuller d_logmr 因此，可以认为logmr是一阶单整的ARIMA模 型ARIMA(p,1,q)。