stata操作介绍之时间序列（四）课件

stata操作介绍之时间序列-(四)stata操作介绍之时间序列-(四)平滑分析自相关分析ARIMA模型平滑分析平滑分析 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。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平滑分析 该部分以1983年1月到7月Milfo导入数据：.use C:UsersAdministratorDesktop时间序列数据ch51.dta,clear导入数据：平滑分析描述性统计：.describe 平滑分析描述性统计：平滑分析生成日期变量（一）：.gen date=mdy(month,day,year).list in 1/5平滑分析生成日期变量（一）：平滑分析设置时间（二）：.tsset date,format(%d).list in 1/5平滑分析设置时间（二）：平滑分析趋势图：.graph two line water date,ylabel(300(100)900)平滑分析趋势图：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（1）：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、该值与该值的后两个值进行平均计算；平滑分析生成移动平均值（2）：平滑分析趋势图：.graph two line water5 date,clwidth(thick)|line water date,clwidth(thin)clpattern(solid)平滑分析趋势图：平滑分析波动幅度：.gen ch=water-water5.list in 1/5平滑分析波动幅度：平滑分析波动幅度：.graph two line ch date平滑分析波动幅度：平滑分析-滞后变量导入数据：.use C:UsersAdministratorDesktop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-滞后变量导入数据：平滑分析-滞后变量时间平滑：.tssmooth ma fylln=fylltemp,window(2 1 2)平滑分析-滞后变量时间平滑：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)平滑分析-滞后变量趋势图：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n阶滞后变量的两种方法：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-滞后变量生成一阶滞后变量：平滑分析-滞后变量平滑分析-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=1970&year=1970&year=1970&year =1970&year=1990,lags(7)table自相关分析交叉相关表: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。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 时间序列中的自相关集成移动平均模型（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。ARIMA模型ARIMA模型操作步骤：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；ARIMA模型三种单位根检验方法：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dfuller 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dfgls检验：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。虽然pperron 检验和dfgls检验拒绝了变量fARIMA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。ARIMA模型自相关表：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。ARIMA模型AR(1):故上图可得到模型为：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。故上图可得到模型为：