stata一阶自回归线性插值

2018 16.1 （同比增长）2019 17.7 （同比增长）步骤：1、用命令tsset year设置年份为时间变量2、用命令tsline x可以绘制x对时间的折线图 如下图所示：UiL Graph - Graph可以看出x的时间趋势近似为线性，用命令gen lnx=log（x）对x取对数，再用命令tsline lnx201420102012ye arFile Edit Object Graph Tools Help绘制lnx的时间趋势图，如下图所示1此 Graph - Graph用命令gen dlnx=D.lnx，即dlnx为lnx的一阶差分，用一阶自回归模型（AR （1）预测未来值：reg dlnx l.dlnx if year F=0.5773R-sqaared二0.0776Root MSE=.12708Robust3匚以.Err.tP|t|dimeLl. 290355 4B745440.600.577-.96268631.543396cons.1457074.13512821.080.330-.2016507.4930655p值非常大，即很不显著，这个拟合方程不能预测未来的x（可能和x和lnx都不是指数趋势有关，做差分和滞后损失样本数据太多，本来样本数据就少，导致不显著）。再用lnx的 一阶自回归模型计算一遍：reg lnx l.lnx if year2016,r，得到结果如下：显著性比dlnx好多了，. req Inz 1.Inz if v已己re r of ais=8=195.35Frat F=0.0000R-Btjj.ared=0.9S32Root MSE=.1153&1D.KCoef .Etobns tStd. Err .tF|t|:35% Sonf.Interval；1TLMZL.357113.0B514213.9Sc.coc1.12525?cons.5524894.58978950.940.3858Dfi7351.995652再用x的一阶自回归模型即x =0+0 x +8做OLS回归：reg x l.x if year2016,r，结果t 01 t-1t如下：rag s: 1. s: i f year=329.71Prob F=0.0000R-squared=0.D69DRqqG mse=527.9KRobustPl t |95 Conf.IntervalCo&f.5td. Err.tKLl.1.077286.05S328410.160.000.93211451.222457acrns5S5.4054375.37251.550.171-338.S8271517.701这个估计结果更好，可得估计方程为：f = 589.4094 +1.077286x 】用命令predict xh显示拟合值（将拟合值记为xh），如下图所示:ye a r1-LIttkdlrucxh.20071880.SI7.53929S2ieso_5i2008Z198.287.69543052138.28T J. .T- n, .-Jbt!dj.Z 2615.254009Z344.337.75975432344-33-064324412957-565C2Q1Q3320 .21S.1077S33.34日日跆3320114521.948.41S=S9644521-94=.3089130741SS.225琵g .57a.7541555335.575450.S31S20127S73.378.93239347E72.27.17822741741G.138320148434.S99.04009S48434.59-1077029S8748.094201S9425.249.15114659425.24=.111050093675.8743Z01115B49.357377511583.97.2062310510743.088可以看出xh高估了 x,用上述估计方程计算2017年的预测值为:dis 589.4094+1.077286*10743.08812162.788再用原始数据2018年和2019年的增长率计算2018和2019年的x, 2018和2019年的增长 率高于估计系数1.077286。