和时间序列相关的STATE命令和其统计量的解析.docVIP

与时间序列相关的STATE命令及其统计量的解析 与时间序列相关的STATA 命令及其统计量的解析 残差U 序列相关： ①DW 统计量——针对一阶自相关的（高阶无效) STATA 命令： 1.先回归 2.直接输入dwstat 统计量如何看：查表 ②Q 统计量——针对高阶自相关correlogram-Q-statistics STATA 命令： 1． 先回归reg 2． 取出残差predict u,residual(不要忘记逗号) 3． wntestq u Q 统计量如何看：p 值越小（越接近0）Q 值越大 ——表示存在自相关 具体自相关的阶数可以看自相关系数图和偏相关系数图： STATA 命令： 自相关系数图： ac u( 残差) 或者窗口操作在 Graphics ——Time-series graphs —— correlogram(ac) 偏相关系数图： pac u 或者窗口操作在Graphics——Time-series graphs—— (pac) 自相关与偏相关系数以及Q 统计量同时表示出来的方法： corrgram u 或者是窗口操作在 Statistics——Time-series——Graphs—— AutocorrelationsPartial autocorrelations ③LM 统计量——针对高阶自相关 STATA 命令： 1． 先回归reg 2． 直接输入命令 estate bgodfrey,lags(n) 或者窗口操作 在 Statistics— —Postestimation(倒数第二个)——Reports and Statistics(倒数第二个) ——在里面选择 Breush-Godfrey LM（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）表示越显著（显著拒绝原假设），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： 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。 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： 可以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 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。 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。 与平稳性检验相关的STATA命令及其统计量解析（P212 张晓峒) 白噪声检验： 1. Q 检验 wntestq var ，lag(n) 2.Bartlett 检验 wntestb var ，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——B