Stata时间序列笔记.doc

文档结尾是FAQ和var建模的15点注意事项 【梳理概念】 向量自回归（VAR, Vector Auto regression） VAR模型: VAR方法通过把系统中每一个内生变量,作为系统中所有内生变量的滞后值的函数来构造模型，从而回避了结构化模型的要求。 VAR模型对于相互联系的时间序列变量系统是有效的预测模型，同时，向量自回归模型也被频繁地用于分析不同类型的随机误差项对系统变量的动态影响。如果变量之间不仅存在滞后影响，而不存在同期影响关系，则适合建立VAR模型，因为VAR模型实际上是把当期关系隐含到了随机扰动项之中。 协整： Engle和Granger（1987a） * 第六讲 时间序列分析 *---- 目录 ----- * *-- 简介 * 6.1 时间序列数据的处理 *-- 平稳时间序列模型 * 6.2 ARIMA 模型 * 6.3 VAR 模型 *-- 非平稳时间序列模型——近些年得到重视，发展很快 * 6.4 非平稳时间序列简介 * 6.5 单位根检验——检验非平稳 * 6.6 协整分析——非平稳序列的分析 *-- 自回归条件异方差模型 * 6.7 GARCH 模型 ——金融序列 不同时点上序列的差异 反映动态关系的时间数据顺序不可颠倒 cd d:\stata10\ado\personal\Net_Course\B6_TimeS *======================= * 时间序列数据的处理 help time *======================= * 声明时间序列：tsset 命令 use gnp96.dta, clear list in 1/20 gen Lgnp = L.gnp(此时没办法生成之后一阶的变量，因为没有设定时间变量) tsset date（设定date为时间变量，timeseries） list in 1/20 gen Lgnp = L.gnp96 滞后一期，所以会产生1个缺失值 检查是否有断点 ——肉眼看不方便，用命令检查 use gnp96.dta, clear tsset date tsreport, report drop in 10/10 ——去掉断点成连续的，才能继续进行 list in 1/12 tsreport, report tsreport, report list /*列出存在断点的样本信息*/ 填充缺漏值——接着上一步，看看stata如何填充缺漏值。一般用前面的数据的平均值或预测等 Tsfill（以缺漏值的形式） tsreport, report list list in 1/12 * 追加样本——有时候追加样本不是为了追加新的值，而是为了预测（见应用） use gnp96.dta, clear tsset date list in -10/-1 sum tsappend , add(5) /*追加5个观察值*/ list in -10/-1 增加的样本值都是缺漏的 可以手动输入 sum * 应用：样本外预测 reg gnp96 L.gnp96 predict gnp_hat list in -10/-1——接上一步 这样增加的样本值的预测值就显示出来了（前提是追加了样本值） * 清除时间标识 tsset, clear——若数据的形态有所改变 就清除 *--------------------- * 变量的生成与处理 *--------------------- 滞后L—lag 前导F—forward 差分D-difference *--- 滞后项、超前项和差分项 help tsvarlist use gnp96.dta, clear tsset date gen Lgnp = L.gnp96 /*一阶滞后*/ gen L2gnp = L2.gnp96 /*二阶滞后*/ gen Fgnp = F.gnp96 gen F2gnp = F2.gnp96 gen Dgnp = D.gnp96 gen D2gnp = D2.gnp96 list in 1/10 list in -10/-1 D，L，F可以组合生成变量 gen 新变量名= DL.变量名 先滞后再差分 *--- 产生增长率变量gen 变量名=D.ln(gnp96): 对数差分——得到近似的增长率 先设定时间变量 tsset date gen lngnp = ln(gnp96) gen growth = D