1、时间序列Stata操作题第四章 习题71974年1月至1994年12月，某地胡椒价格数据如下：（21行*12列）1102 1151 1093 1118 1168 1118 1085 1135 1138 1135 1235 1301 1283 1250 1210 1135 1085 1060 1102 1151 1127 1226 1217 1215 1250 1210 1268 1402 1486 1534 1567 1585 1717 2002 2086 2059 1250 1210 1268 1402 1486 1534 1567 1585 1717 2002 2086 2059 2425
2、 2326 2176 2121 2000 2000 1850 1640 1700 1925 1850 1830 1850 1790 1700 1700 1750 1775 1925 2000 1975 1940 1889 1881 2000 2024 1900 1750 1649 1601 1625 1609 1649 1640 1640 1620 1590 1526 1451 1424 1424 1329 1199 1179 1285 1349 1265 1299 1373 1440 1451 1376 1325 1261 1199 1219 1250 1274 1365 1424 1420
3、 1385 1321 1235 1215 1310 1319 1319 1279 1481 1956 2165 2125 2087 1895 1840 1874 1863 1836 1894 2105 2159 2131 2029 2270 2411 2652 3294 3360 3686 3593 3482 3615 3963 4328 4309 4336 4382 4326 4009 4000 4070 4200 4278 4435 4772 4812 4908 4857 4865 4711 4640 4877 4902 4884 4833 4903 4963 4804 4679 4810
4、 4571 4250 3850 3775 3357 2946 2342 1994 2420 2464 2763 2993 3108 2729 2525 2457 2136 2272 2175 2100 2068 1955 1950 1969 2025 1726 1579 1768 1766 1621 1692 1634 1750 1620 1515 1508 1525 1502 1374 1212 1198 1107 1052 1069 1050 1098 1150 1126 1200 1193 1058 1043 1026 980 976 1000 1210 1264 1150 1117 1
5、188 1100 1040 1028 1113 1154 1350 1722 1616 1525 1403 1497 1522 1550 1575 1538 1650 1800 1933 2219 2606 2563 24331检验序列的平稳性（Stata语句）. drop B-T. generate n=_n. rename A price. tsset n time variable:n, 1 to 252 delta: 1 unit.tsline price=price的时序图由时序图观测得price变化落差很大，该序列不平稳。再看看自相关图：（Stata语句）. ac price=pr
6、ice的自相关图短期（延迟阶数为5期及5期以内）来看，自相关系数拖尾；长期来看，自相关系数缓慢地由正转负，一直是下降趋势。序列值之间长期相关，该序列非平稳序列。（Ps.平稳时间序列具有短期自相关性。）结合之前的时序图，发现该序列具有明显的长期趋势。考虑到price是月度数据，因此觉得该序列很有可能还存在季节效应。2检验序列的方差齐性原序列具有长期趋势，所以需要平稳化。先对原序列做一阶差分：（Stata语句）.labelvariable Dp first difference of price. tsline Dp=Dp的时序图（一阶）差分后序列Dp的长期趋势不再明显，平稳化效果很好。再看看Dp
7、的自相关图：（Stata语句）. ac Dp=Dp的自相关图由图可见，短期（5期）内k便衰减直逼零值，衰减速度非常快，明显具有短期自相关性。k在延迟1期以后，除了当k=30时跳出过阴影范围，其余全都落在2倍标准误的范围内，围绕着零值做很小幅（约）的波动。因此，Dp是平稳的时间序列。平稳性检验通过，看白噪声检验。自相关图明显显示：10，300。因此，Dp非白噪声序列，有信息待提取。预处理完毕，开始识别模型：（Stata语句）. pac Dp=Dp的自相关图Dp的偏自相关图（1）不考虑季节效应，先试ARIMA模型，再试疏系数模型。ARIMA模型认为k和kk都拖尾，尝试ARMA（1,1）或者arim
8、a Dp, arima(1,0,1)arima price, arima(1,1,1)结果参数显著性检验通不过认为k1阶截尾，kk拖尾，尝试MA（1）去掉截距项再试（Stata语句）arima Dp,noconstant arima(0,0,1)arima price, noconstant arima(0,1,1)得到结果白噪声检验（Stata语句）. predict ehat1,residual. wntestq ehat1Portmanteau test for white noise-Portmanteau(Q)statistic = Prob chi2(40) = Ps.wntest
9、q ehat1,lags(2).wntestq ehat1,lags(6).wntestq ehat1,lags(12)都通过了. wntestb ehat1=. estat ic=截距项不显著对Dp构建MA（1）模型（无截距项）成功，对残差项进行白噪声检验通过了白噪声检验，但这个检验的前提是同方差残差项是白噪声序列，计算AIC/BIC：认为k拖尾，kk1阶截尾，尝试AR（1）去掉截距项再试（Stata语句）. arima Dp,noconstant arima(1,0,0)白噪声检验（Stata语句）. predict ehat2,residual.wntestq ehat2Portmant
10、eau test for white noise- Portmanteau(Q) statistic= Prob chi2(40) Ps.wntestq ehat2,lags(2).wntestq ehat2,lags(6).wntestq ehat2,lags(12)都通过了.wntestb ehat2=. estat ic=截距项不显著对Dp构建AR（1）模型（无截距项）成功，对残差项进行白噪声检验通过了白噪声检验，但这个检验的前提是同方差BIC方面，与MA(1)比，大了3点多；AIC方面仅小了0.5多一点。选择MA(1)疏系数模型因为前十二期（一年）内1和11明显跳出了2倍标准误范围，所
11、以确定ma(1)，ar(1)，与上面对Dp拟合ARMA（1,1）的情况一致，已经知道拟合不成了。（2）换季节模型，先试简单的加法模型，再试复杂的乘积模型。因为考虑了季节因子，这里是月度数据，所以要对一阶差分后序列进行12步差分。观察12步差分后序列的自相关系数和偏自相关系数的性质，尝试拟合季节模型。（Stata语句）. label variable S12Dp 12 steps of the difference. ac S12Dp=. pac S12Dp=S12Dp的自相关图S12Dp的偏自相关图加法季节模型k1阶12阶截尾kk拖尾，结合疏系数模型，对序列S12Dp拟合MA(1，12)模型k
12、拖尾kk1阶12阶（13阶）截尾，结合疏系数模型，对序列S12Dp拟合AR(1，12)或AR(1，12，13)模型综合考虑k和kk几阶截尾的性质（哪几期延迟期数对应的相关系数特别明显），对序列S12Dp拟合ARIMA(1,12)(1,12)模型对序列S12Dp拟合MA(1，12)模型或者（Stata语句）. arima S12Dp, ma(1,12)=去掉截距项. arima S12Dp, noconstant ma(1,12)=. predict ehat3,residual.wntestq ehat3Portmanteau test for white noise- Portmanteau
13、 (Q) statistic Q统计量的P值ARIMA(0，1，1)(noconstant)的残差图1从残差图看，方差变化幅度较大，参差不齐。.twoway (connected ehat1n in 1/252)=ARIMA(0，1，1)(noconstant)的残差图2.generate e12=ehat1*ehat1(1 missing value generated).twoway (connected e12 n)ARIMA(0，1，1)(noconstant)的残差平方图Ps.tslinee12 也可以得到残差平方图（同均值的残差序列的方差就是残差平方的期望，）残差平方图上的异方差性
14、太过明显了。3考察序列的差分平稳属性，并考察过差分特征差分的目的是平稳序列。过差分，过多次数的提取信息，虽然提取掉了非平稳的确定性信息，却浪费了更多的其他信息。第2小题中，我对原序列进行了1阶12步差分，从时序图和自相关图可见，1阶差分后序列Dp变平稳了，如果再考虑季节因素，对Dp进行12步差分，得到序列S12Dp，它的时序图为： 时序图显示，虽然序列S12Dp具有集群效应，但从整个观察期来看，多数时间序列波动不大。自相关图在第2小题里： 自相关图显示，短期内延迟一阶后序列S12Dp的自相关系数即落入阴影区域内，之后，绝大部分滞后期的自相关系数也在阴影范围内。序列S12Dp短期自相关，比较平稳
15、。 过差分的情况会是怎样？在Stata中尝试对序列Dp再做一次差分： （Stata语句） .tsline D2p.ac D2p比照2阶差分后序列D2p与1阶后序列Dp的时序图、自相关图：Dp的时序图D2p的时序图Dp的自相关图D2p的自相关图由时序图发现，2阶差分后序列的波动幅度反而变大了（方差更大了），而它的自相关系数正负变化得更为频繁。虽然序列D2p也是平稳的，但是与Dp相比，它不是最理想的。4拟合模型，预测未来一年的月度水平（接第2小题）对异方差的直观检验完毕，为构造ARCH模型，进一步进行LM检验:1）使用regress命令对Dp进行MA（1）回归2) 计算LM统计量进行检验 即：es
16、tat archlm, lags( 1 2 3 4)=当ARCH模型中的自回归项数为(p=)2,3,4时，LM检验统计量的P值小于显著性水平0.05，拒绝原假设，认为残差平方序列方差非齐，且可用ARCH模型拟合该序列中的自相关关系。(Ps.ma(1)指的是对Dp建立ma(1)模型arch(1)指的是对Dp的残差项建立滞后为1期的条件异方差模型)自回归项数为1（p=1）=自回归项数为2（p=2）Model 2中设置不变或者arch Dp,arch(1/2) arima(0,0,1) nolog=自回归项数为3（p=3）同理得：L2前的系数显著性检验无法通过,建模停止，确定ARCH模型的自回归项数
17、为1或2：p=1时,ht=+1t-12（Stata语句）. arch Dp,noconstant arch(1/1) arima(0,0,1) nolog. predict ehat,residual(1 missing value generated). wntestq ehatPortmanteau test for white noise- Portmanteau (Q) statistic . wntestb ehatP值均大于，残差列通过白噪声检验。. estat icAkaikes information criterion and Bayesian information cri
18、terion- Model | Obs ll(null) ll(model) df AIC BIC-+-之前的ARIMA(0，1，1)(noconstant)模型的AIC/BIC如下：ARCH(1)的AIC/BIC更小，模型更优。p=2时,ht=+1t-12+2t-22（Stata语句）. arch Dp,noconstant arch(1/2) arima(0,0,1) nolog. predict eehat,residual. wntestq eehatPortmanteau test for white noise- Portmanteau (Q) statistic. wntestb
19、 eehatP值均大于，残差列通过白噪声检验。. estat ic- Model | Obs ll(null) ll(model) df AIC BIC-+-ARCH(2)的AIC值和BIC值均小于ARCH(1)的，我们根据最小信息量准则选择ARCH(2)模型。回看：写出模型：ARIMA(0,1,1) (noconstant):(1-B)xt=(1-0.33B)tt=htetARCH(2):预测（未来一年的月度水平）手动延长时间至264期（252+12）：（Stata语句）. set obs 253obs was 252, now 253. replace n = 253 in 253(1 real change made). set obs 264obs was 263, now 264. replace n = 264 in 264(1 real change made). predict x ,dynamic(时间)(option xb assumed; linear prediction)
