与时间序列相关的STATA命令及其统计量的解析Word文档格式.docx
《与时间序列相关的STATA命令及其统计量的解析Word文档格式.docx》由会员分享,可在线阅读,更多相关《与时间序列相关的STATA命令及其统计量的解析Word文档格式.docx(13页珍藏版)》请在冰点文库上搜索。
③LM统计量——针对高阶自相关
STATA命令:
2.直接输入命令estatebgodfrey,lags(n)或者窗口操作
在Statistics——Postestimation(倒数第二个)——ReportsandStatistics(倒数第二个)——在里面选择Breush-GodfreyLM(当然你在里面还可以找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wntestqvar,lag(n)
检验wntestbvar,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:
pergramvar,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
cumspvar,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。
Statistics——Time-series——Graphs——CumulativeSpectraldistribution
单位根检验(219)
1、Dickey-Fuller检验
dfullervar(,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。
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
pperronvar,(,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)
同ADF一样原假设为:
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
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)
Statistics——Multivariatetimeseries——VAR(第二项)
保存估计结果的命令:
eststore名称
2.VAR模型平稳性
varstable(,graph表示画出图形)
特征值都在圆内,即都小于1,表示VAR模型稳定
Statistics——Multivariatetimeseries——VARdiagnosticsandtests——checkstabilityconditionofVARestimates
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。
(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:
找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
Statistics——Multivariatetimeseries——VARdiagnosticsandtests——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
1.先进行var回归
2.varnorm
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:
Statistics——Multivariatetimeseries——VARdiagnosticsandtests——LMTest
正态分布:
Statistics——Multivariatetimeseries——VARdiagnosticsandtests——Testfornormally(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
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。
Statistics——Multivariatetimeseries——Grangercausalitytest
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
irfcreateirfname,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:
irfset
②激活(或创建)irf文件:
irfset文件名称
③创建新的irf文件并替换正在活动的irf文件:
irfset文件名称,replace
④清除所有活动的irf文件:
irfset,clear
Statistics——Multivariatetimeseries——ManageIRFresultsandfiles
(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。
Statistics——Multivariatetimeseries——IRFandFEVDanalysis
●简单的IRF:
(VAR/SVAR/VEC之后)
irfgraphirf(,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:
irfgraphdm(,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:
irfgraphfevd(,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)
irfcgraph(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)
irfograph(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
irftableIRF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)
irfctable(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)
(4)Irf其他命令命令:
irfdescribe
irfdescribe,detail
7.VAR模型的预测227
Statistics——Multivariatetimeseries——Dynamicforecast
命令格式1(对于VAR、SVAR模型):
fcastcomputeprefix
命令格式2(对于VECM模型):
对预测进行作图
fcastgraphprefixvar(prefix变量名)
小结大概流程:
①估计VAR模型
●varyxz
●eststoreVAR1
②根据信息准则确定VAR模型的最优滞后结束,根据结果重新估计
●varsocxz,maxlag(#)
●var*(全部变量,或者ln*所有的对数变量),lags(1/3)(比如最优的滞后期为3,滞后期123)
●eststoreVAR2
③考察VAR模型的平稳性
●varstable,estimates(VAR2)graphdlabel(画图并标出具体数值)
④检验VAR模型残差的正态分布特征和自相关特征
●varnorm,jberaestimates(VAR2)
⑤对各变量进行Granger因果关系检验
●vargranger(,estimates(VAR2))
⑥绘制脉冲响应图以及预测误差方差分解
●varyxz,lags(1/3)
●irfcreateirfname,set(名称)
●irfgraphirf(,estimates(名称))
●irftablefevd(,estimates(名称)/预测区间{n<
8}step(n))
⑦根据VAR模型的估计结果进行预测
●预测n期(n<
8)
fcastcomputeprefix(,step(n))
fcastcomputef_(,step(n))
将VAR模型与IRF相结合的窗口操作:
Statistics——Multivariatetimeseries——BasicVAR
约翰逊协整检验
协整检验是对非平稳变量进行回归的必要前提。
只有存在协整关系,协整回归才有意义。
在各种协整检验方法中,Johansen(1998)在VAR框架下的特征值检验和迹检验应用最为普通。
命令格式为:
vecrankvar1var2(,lag(n),trend(constant))
输出结果:
——————————————————————
max输出极大特征统计量
ic输出信息准则
levela输出1%和5%的临界值
例如:
vecrankdepvarvar,lags(n)icmax
窗口操作:
Statistics——Multivariatetimeseries——CointergratingrankofaVECM
向量误差修正模型
由一阶单整变量构成的VAR模型中,如果变量存在协整关系,那么VAR模型存在对应的向量误差修正(VEC)表达式。
vec变量(,模型设定)
——————————————————————————————————
模型设定:
rank(n)协整方程的个数,默认选项为rank
(1)
lags(n)VAR模型的最高滞后阶数
trend(constant)包含无约束的常数项(state默认值)
trend(rconstant)包含有约束的常数项
trend(trend)包含趋势项
trend(rtrend)包含有约束的趋势项
trend(none)既不包含趋势项也不包含常数项
alpha将调整系数单独列表
pi输出pi矩阵,即pi=(alpha)(beta)
mai输出MA影响矩阵的参数
dforce输出短期参数、协整参数和调整参数
必须先设定时间格式tsset
Varlist可以包含时间序列符号。
支持循环递推
不允许时间序列存在间断点
在VEC模型中,同样可以进行模型的平稳性条件检验、残差的正态分布检验和自相关检验。
●vecstable
●vecnorm
●veclmar
与VAR命令相类似。
VECM建模
Statistics——Multivariatetimeseries——VECM
VECM各种检验
Statistics——Multivariatetimeseries——VECdiagnosticsandtests