stata教程(一)复习过程.ppt

主要内容 时间序列的定义与扩展相关图绘制与白噪声检验移动平均滤波与指数平滑法ARIMA模型SARIMA模型ARIMAX模型单位根检验向量自回归模型协整与向量误差修正模型ARCH族模型 实验12 1 时间序列的定义与扩展 实验基本原理在利用stata对时间序列数据进行分析之前 我们通常需要定义时间变量 只有这样 我们才能方便地使用各种时间序列算子以及相关的时间序列分析命令 此外 有些时候 随着时间的推移 我们又获得了新的观测值 或者 我们需要对时间序列进行预测 这时 有必要对时间区间进行扩展 这些 都可以通过stata方便地实现 实验内容及数据来源利用本书附带光盘data文件夹下的 tsexmp dta 工作文件 我们来讲解时间变量的设定 tsexmp dta 中 主要变量包括 time 整数的时间变量 time1 字符串格式的时间变量 利用这些数据 我们会讲解时间序列数据的设定 时间区间的扩展 以及前滞变量 滞后变量 差分变量 季节差分变量的设定等 实验操作指导1时间序列数据的设定 1 定义时间变量的基本命令设定时间序列 timeseriesset 变量的基本命令格式为 tssettimevar options 其中 tsset是 定义时间变量 的基本命令 timevar为用于标识时间序列数据的变量名 options代表其他选项 可用的options选项主要分两类 一类设定时间变量的单位 unitsoftimevar 一类设定时间变量的周期 periodoftimevar 表12 2给出了各个单位选项 unitoptions 其中 默认规则意味着 如果事先通过format命令设定了timevar的显示格式为 t 格式 则不必再设定单位选项 unitoptions stata会根据时间变量的显示格式自动获得时间变量的单位 否则 可以设定单位选项 周期选项 deltaoptions 设定时间变量相邻观测值之间的间隔时间为几个单位 表12 3给出了各个具体的选项 下面 我们利用 tsexmp dta 的数据 对tsset命令及选项做进一步说明 如果我们要设定时间变量为time 输入命令 tssettime进行时间变量的设定之后 stata会自动将数据按设定的时间变量从小到大排序 从而方便相关命令的使用 如果要查看已设定的时间变量 可键入不带后缀的tsset命令 在数据被重新排序之后 想要恢复按时间序列排序 也可以通过tsset命令实现 也就是说 设定time为时间变量之后 如下两条命令会产生相同的效果 tsset sorttime在设定时间变量之后 我们可以保存一下数据 这样 下次使用时 就不必再重新设定时间变量 2 调整时间设定的初始值我们注意到 变量time的起始值为1 事实上 我们可以通过函数将起始时间调整到任何一个我们想要的时间 如过time 1代表2003年6月 那么我们可以生成一个新变量让其起始值为2003年6月 输入命令 generatenewm tm 2003m6 time 1listtimenewmin1 5其中 第一步为生成新变量newm 并令其第一个值代表2003年6月 函数tm 可将时间转换成stata系统默认的格式 第二步列出变量time和newm的前5个值 我们可以将变量newm转换成 tm格式使其更易读 键入命令 formatnewm tmlisttimenewmin1 5其中 format命令用于定义变量的格式 之后 我们可以重新将newm设定为时间变量 tssetnewm当然 如果我们不先使用format命令 直接键入 tssetnewm monthly或tssetnewm format tm 也可以实现相同的效果 在前面的讲解中 我们假定time为月度变量 并使用了函数tm 以及格式 tm 与之对应 如果数据单位为毫秒 日 周 季度 半年 年 我们有相应的函数tc td tw tq th ty 以及相应的格式 tc td tw tq th ty 3 将字符串变量转换为时间变量在 tsexmp dta 中 time1为字符串格式的变量 如果我们要将其变为时间变量 可以通过如下的命令实现 gendoublenewc clock time1 MDYhms 注意 我们这里将产生的新变量设为 双精度 double 格式 这是因为以毫秒为单位的时间非常大 如果使用默认的 float 格式 新变量newc将被四舍五入 造成结果的不精确甚至是错误 因为变量time1是按照 月 日 年小时 分 秒 的格式呈现的 所以我们在clock 命令中使用选项 MDYhms 告诉stata数据的书写格式 与clock命令对应 当数据的单位为日 周 月 季度 半年 年 我们有命令date weekly monthly quarterly halfyearly yearly 选项的格式依数据的具体书写格式而定 在此之后 可以通过如下命令将newc设为时间变量 tssetnewc clocktime其中 选项clocktime表明 我们设定时间序列数据的单位为毫秒 但事实上 数据是每隔20分钟记录一次的 这样 我们有必要将其周期变为20分 以方便滞后算子L 差分算子D等运算符号的使用 选项delta 可以做到这一点 命令为 tssetnewc delta 1000 60 20 其中 选项delta 中的表达式 1000 60 20 表明 我们设定数据的周期为1000 60 20个单位 这里即1000 60 20毫秒 即20分钟 2扩展时间区间扩展时间区间的基本命令格式为 tsappend add last date clock tsfmt string 其中 选项add 指定要增加的观测值的个数 如果不设定选项add 就必须同时设定last date clock 和tsfmt string last 指定我们要将时间扩展到的日期 tsfmt 用于将last 选项中的日期转化成stata默认时间所对应的整数 可用的string包括tc td tw tm tq th和ty 需要注意的一点是 在使用tsappend命令之前必须先用tsset设置时间变量 例如 对于 tsexmp dta 的数据 我们先按照前面所讲 设定时间变量 generatenewm tm 2003m6 time 1tssetnewm monthly这时 时间变量的区间为2003年6月到2005年11月 如果我们想增加12个观测值 可键入命令 tsappend add 12 这样 时间变量被扩展到2006年11月 当然 我们也可以使用另一种方式 tsappend last 2006m11 tsfmt tm 这里 选项last 2006m11 用于指定扩展后时间变量的最后一个观测值为2006年11月 tsfmt tm 指定变量格式为月数据 如果时间变量有间隔 gaps 例如 在上面的例子中03年6月和03年9月之间缺失了两个月 tsappend命令也会自动补齐 当然 对于有间隔 gaps 的时间变量 我们也可以通过专门的命令tsfill将其补齐 命令格式为 tsfill在使用命令tsfill之前 也需要先用tsset定义时间序列 3时间序列算子在进行时间序列分析时 我们经常要用到某变量的滞后值或差分值等 这可以通过时间序列算子实现 常用的算子及其含义列于表12 4中 实验12 2 相关图绘制与白噪声检验 实验基本原理 实验内容及数据来源本书附带光盘data文件夹下的 wpi1 dta 工作文件包括了1960年第1季度到1990年第4季度的美国批发价格指数的数据 主要的变量包括 t 时间 wpi 批发价格指数 ln wpi wpi的对数 利用这些数据 我们将讲解自相关函数和偏自相关函数的绘图以及白噪声的检验 实验操作指导1计算并绘制自相关函数与偏自相关函数图计算自相关函数 偏自相关函数以及Q统计量的命令为 corrgramvarname if in corrgram options 其中 corrgram代表 计算自相关与偏自相关函数以及Q统计量 的基本命令语句 varname代表要分析的变量的名称 if代表条件语句 in代表范围语句 corrgram options代表其他选项 表12 6列示了各主要选项 此外 我们还可以对自相关和偏自相关图分别进行绘制 绘制带置信区间的自相关函数的命令为 acvarname if in ac options 绘制带置信区间的偏自相关函数的命令为 pacvarname if in pac options 表12 7给出了这两个命令的选项 下面 我们对数据文件 wpi1 dta 中的变量ln wpi计算自相关与偏自相关函数以及Q统计量的值 输入命令 corrgramln wpi lags 20 其中 选项lags 20 表明设置滞后期为20 当然 我们也可以在变量名上加上滞后算子 例如 我们要对ln wpi的一阶差分值绘制带置信区间的自相关函数值和偏自相关函数值 可输入命令 acD ln wpipacD ln wpi 2白噪声检验corrgram命令可以同时汇报Q统计量 用于白噪声检验 此外 我们还有专门的命令来进行白噪声检验 用Q统计量进行白噪声检验的基本命令为 wntestqvarname if in lags 其中 wntestq代表 Q统计量白噪声检验 的基本命令语句 varname代表要分析的变量的名称 if代表条件语句 in代表范围语句 选项lags 用于设定滞后期为 通过Bartlett检验来判断序列是否为白噪声的基本命令为 wntestbvarname if in tablelevel 其中 wntestb代表 Bartlett白噪声检验 的基本命令语句 选项table表示用列表而非图形来展示结果 level 用于设置置信度 下面 我们分别使用Q统计量和Bartlett检验来对序列D ln wpi进行白噪声的检验 用Q统计量检验的命令为 wntestqD ln wpi用Bartlett检验的命令为 wntestbD ln wpi 实验12 3 移动平均滤波与指数平滑法 实验基本原理 实验内容及数据来源本书附带光盘data文件夹下的 sales dta 工作文件给出了某50个月的图书销售数据 变量主要包括 t 时间 sales 销售额 对于这些销售数据 我们想分析其随时间的变化趋势 并希望通过模型对其进行拟合及预测 这样 利用 sales dta 的数据 我们来讲解移动平均滤波 单指数平滑法 双指数平滑法以及Holt Winters平滑法的操作和相关的预测 实验操作指导1移动平均滤波 对于 sales dta 的销售数据 我们想把其分解成两部分 信号和噪声 通过移动平均滤波 我们可以消除噪声 输入命令 tssmoothmasm sales window 212 其中 生成的平滑变量被命名为sm 选项window 212 说明我们利用两期滞后值 当期值和两期领先值来做移动平均 且各个值的权重相同 在进行移动平均滤波分析的时候 我们通常希望噪声中没有自相关 下面 我们对其进行检验 gennoise sales smacnoise这里 第一步生成一个新变量noise 其值为原序列与平滑序列之差 也就是噪声 第二步绘制变量noise的自相关图 考虑重新指定权重 进行移动平均 tssmoothmasm2 sales weights 1221 这里 选项weight设置各个值的权重 可以验证 这种形式的平滑之后 噪声没有自相关 我们可以将变量sm2和sales绘制到一个图上进行比较 linesm2salest这里 y轴变量为sm2和sales x轴变量为t 2单指数平滑法 下面 我们对变量sales用单指数平滑法进行平滑 并进行三期的预测 tssmoothexponentialse sales forecast 3 这里 生成的新变量被命名为se 选项forecast 3 表明我们要进行3期的预测 通过作图 我们可以对单指数平滑法的拟合程度有更为直观的认识 linesesalest 3双指数平滑法双指数平滑法的基本命令格式与单指数平滑法相似 为 tssmoothdexponential type newvar exp if in options 其中 tssmoothdexponential代表 双指数平滑法 的基本命令语句 可用的options选项与单指数平滑法也基本相同 详见表12 9 只是选项s0 要设定两个参数为初始值 形式为s0 1 2 虽然单指数平滑法已经可以对变量sales较好地拟合 但这里我们再用双指数平滑法拟合一下 并比较其与两次单指数模型的拟合结果 输入命令 tssmoothexponentialdoublese1 sales p 0 5 s0 1031 tssmoothexponentialdoublese2 se1 p 0 5 s0 1031 tssmoothdexponentialdoublesd sales p 0 5 s0 10311031 其中 第一步对变量sales用单指数平滑法进行平滑 并生成平滑变量se1 选项p 0 5 用于指定平滑参数 s0 1031 用于设定初始值 这里 设定这两个选项是为了方便比较两种平滑方法的结果 此外 double指定生成的新变量se1的类型为双精度 命令的第二行是对变量se1用单指数平滑法进行平滑 并生成新变量se2 第三步是用双指数平滑法对变量sales进行平滑 因为单指数平滑法将起始值视为时间零点 time zero 值 所以 在对单指数平滑序列再进行平滑时 我们共失去了两个观测值 这样 我们生成变量se2的两期领先变量并与双指数平滑变量进行比较 输入命令 generatedoublefse2 f2 se2listfse2sdin1 5其中 第一步为生成se2的两期领先变量 并将其命名为fse2 注意 这里 变量类型double必不可少 否则 四舍五入会使变量值不精确 从而可能导致显示的结果不同 第二步列出了变量fse2和sd的前5个值 与单指数平滑法不同一点的是 双指数平滑法的预测值与其平滑值不相同 在实际的运用中 我们可以不必设定初始值和平滑参数 直接用默认的方法进行平滑或预测即可 下面 我们用默认值进行平滑及预测 并作图比较 输入命令 tssmoothdexponentialdoublesd1 salestssmoothdexponentialdoublefsd1 sales forecast 4 linesd1fsd1salest 4Holt Winters平滑法下面 我们对变量sales用Holt Winters平滑法进行拟合及预测 tssmoothhwintershw sales forecast 4 linesaleshwt其中 第一步是用Holt Winters法平滑 并生成新变量hw 选项forecast 4 表明我们要进行4步预测 第二步为作图 y轴为sales和hw x轴为t 我们在前面讲过 对于双指数平滑法 是否加forecast 选项会影响生成的序列值 而对于Holt Winters平滑法 是否有forecast 选项并不影响平滑值 此外 虽然多种方法都可以得到单变量时间序列的预测值 但在实际运用当中 Holt Winters法还是使用得最多的 5Holt Winters季节平滑法 其中 如果不设定选项period 季节效应的周期会从tsset命令的选项daily weekly yearly中获得 如果之前的tsset命令没有设定这类选项 则必须使用选项period 例如 数据为月度数据 而tsset命令没有设定选项monthly 那么 这里就必须使用选项period 12 此外 选项sn0 0 varname 和sn0 v newvar 不可同时使用 因为销售数据sales并没有呈现季节效应 我们这里就不再举例说明了 实验12 4 ARIMA模型 实验基本原理 实验内容及数据来源本书附带光盘data文件夹下的 wpi1 dta 工作文件给出了批发价格指数的季度数据 主要的变量包括 t 时间 wpi 批发价格指数 ln wpi wpi的对数 我们考虑用模型对批发价格指数的变动进行拟合 并对其未来值进行预测 利用 wpi1 dta 的数据 我们将讲解arima模型的拟合及预测 实验操作指导1作图观察时间序列的趋势通常情况下 我们可以通过观察时间序列的趋势线对序列是否平稳有一个大致的认识 键入命令 linewpit yline 0 其中 yline 0 表示在y 0处做一条水平线作为参照 对其一阶差分作图 lined wpit yline 0 观察变量的自相关图和偏自相关图可以帮我们确定模型的阶数 输入命令 acD wpipacD wpi其中 第一步是绘制wpi一阶差分的自相关图 第二步绘制wpi一阶差分的偏自相关图 2ARIMA回归的操作ARIMA模型的基本命令为 arimavarname ar numlist ma numlist 或arimavarname arima p d q 完全的命令格式为 arimavarname if in weight options 其中 arima代表 拟合ARIMA模型 的基本命令语句 varname代表要分析的变量的名称 if代表条件语句 in代表范围语句 weight代表权重语句 options代表其他选项 主要的选项列于表12 11中 其中 选项arima p d q 意味着 将变量进行d阶差分 并包括1到p阶自回归项以及1到q阶移动平均项 对于序列wpi 我们判断应使用ARIMA p 1 q 模型 而p q阶数的判断则可以通过信息准则 首先假定模型为ARIMA 1 1 1 键入命令 arimawpi arima 1 1 1 为了列示该模型的信息准则值 我们键入命令 estatic 下面 我们依次对wpi拟合ARIMA 2 1 1 ARIMA 1 1 2 ARIMA 2 1 2 并计算其信息准则 得到如表12 12所示的结果 可以看到 对于AIC准则和BIC准则 ARIMA 1 1 1 的值都是最小的 从而应该选择模型ARIMA 1 1 1 在拟合完模型之后 我们要检验残差是否为白噪声 输入命令 predictr residualwntestqr其中 第一步是对残差进行预测 并将其命名为r 第二步检验变量r是否为白噪声 3模型的改进ARIMA 1 1 1 对模型的拟合已经不错 但鉴于wpi一阶差分的方差比较大 见图12 21 我们考虑对wpi取对数重新进行拟合 因为wpi为季度数据 考虑到本年的某一季度对下一年同一季度有一定影响 我们在ar 1 ma 1 项之外 再加入ma 4 项来拟合剩余的季度效应 键入命令 arimaD ln wpi ar 1 ma 14 为了确认模型的改进 我们来看一下信息准则值 键入 estatic 4模型的预测对模型进行预测的基本命令为 predict type newvar if in statisticoptions 其中 predict代表 预测 的基本命令 type代表新变量的类型 newvar代表生成的新变量的名称 if代表条件语句 in代表范围语句 statistic代表可用的统计量 options代表其他选项 主要的statistic统计量被列示在表12 13中 为了得到对预测结果的直观认识 键入命令 listD ln wpixbsxbln wpiysyin1 10 实验12 5 SARIMA模型 实验基本原理 实验内容及数据来源Box Jenkins andReinsel 1994 给出了一个乘积SARIMA的例子 主要变量包括 air 1949年1月到1960年12月的国际航线乘客数量 t 时间 为该数据文件的时间变量 time 另一种格式的时间 全部数据见本书附带光盘data文件夹下的 airpsn dta 工作文件 利用 airpsn dta 的数据 我们讲解SARIMA模型的拟合及预测 实验操作指导1模型定阶为了使数据更平稳 我们对变量air取对数 genlnair ln air 做lnair的时间趋势图 linelnairt对lnair进行1阶差分和12阶季节差分 并作出差分后的序列的时间趋势图 lineDS12 lnairt yline 0 其中 DS12 lnair表示对lnair进行1阶差分和12阶季节差分后的变量 做出差分后序列的自相关图和偏自相关图 acDS12 lnairpacDS12 lnair 2SARIMA回归的操作SARIMA模型的基本命令为 arimavarname arima p d q sarima P D Q s 完全的命令格式为 arimavarname if in weight options 其中 arima代表 ARIMA模型 的基本命令语句 varname代表要分析的变量的名称 if代表条件语句 in代表范围语句 weight代表权重语句 options代表其他选项 可用的options选项包括表12 11的所有选项以及表12 16的选项 下面 我们对变量lnair拟合SARIMA模型 因为DS12 lnair的时间趋势图显示 序列在0附近波动 所以我们设定模型没有常数项 键入命令 arimalnair arima 0 1 1 sarima 0 1 1 12 noconstant其中 选项noconstant表明模型没有常数项 对于上面的模型 使用如下命令可以得到相同的结果 arimaDS12 lnair ma 1 mma 1 12 noconstant进行拟合之后 我们也可以通过信息准则来选择最为合适的模型 estatic 3模型的预测对SARIMA模型进行预测的基本命令与ARIMA模型相同 为 predict type newvar if in statisticoptions 可用的统计量和选项也与ARIMA模型相同 详见表12 13和表12 14 我们对拟合的差分序列进行预测 可采用命令 predictxb xb对水平序列进行预测 命令为 predicty y为了对预测值有一个直观的认识 我们键入命令 listDS12 lnairxblnairyin16 20 实验12 6 ARIMAX模型 实验基本原理 实验内容及数据来源本书附带光盘data文件夹下的 cams dta 工作文件给出了美国的消费支出和货币供给数据 主要变量包括 time 时间 consump 个人消费支出 m1 货币供给M1 m2 货币供给M2 利用这些数据 我们研究个人消费支出和货币供给的关系 对货币数量说进行实证检验 因为美联储从1980s后期对货币供给进行了更多地控制以控制通货膨胀 消费支出和货币供给的关系更为复杂 所以 我们利用1982年之前的数据进行分析 这样 本实验中 我们使用 cams dta 的数据 来讲解ARIMAX模型的拟合以及动态预测等 实验操作指导1模型的确定我们首先使用普通最小二乘对模型进行拟合 命令为 regressconsumpm2iftime tq 1982q1 为了检验模型我们是否充分提取了残差中的信息 我们计算出残差 并在我们所使用的样本区间作出残差的时间趋势图 predicte residuallineetiftime tq 1982q1 yline 0 其中 第一步是对残差进行预测 并将其命名为e 第二步做出1982年第1季度之前的残差的时间趋势图 并作出y 0的水平线 考察残差的自相关图与偏自相关图 aceiftime tq 1982q1 paceiftime tq 1982q1 2ARIMAX回归的操作 对 cams dta 的数据拟合ARIMAX模型 我们键入命令 arimaconsumpm2iftin 1981q4 ar 1 ma 1 命令中 选项tin 限制了时间范围 其中 之前没有设定时间 表示使用到1981年第4季度为止的所有可得数据 如果我们担心扰动项还存在异方差问题 则可以在回归中使用异方差稳健标准差 即使用命令 arimaconsumpm2iftin 1981q4 ar 1 ma 1 vce r 其中 选项vce r 表示我们使用异方差稳健标准差 3ARIMAX模型的预测对ARIMAX模型进行预测的命令与ARIMA模型相同 为 predict type newvar if in statisticoptions 可用的统计量及选项也与ARIMA模型相同 详见表12 13和表12 14 下面 我们利用 cams dta 的数据 对一步预测和动态预测做进一步的讲解 因为1981年第4季度之后的数据不是我们所关心的 所以先将这些数据删掉 我们利用1977年第4季度之前的数据对模型重新拟合 然后进行预测 键入命令 dropiftime tq 1981q4 quietlyarimaconsumpm2iftin 1977q4 ar 1 ma 1 其中 第一步删掉了1981年第4季度之后的数据 第二步用1977年第4季度之前的数据拟合ARIMAX模型 quietly表明不显示该步命令的结果 我们可以通过如下命令进行一步预测 predictonestep y这里 我们将一步预测值命名为onestep 因为在拟合的ARIMAX模型中 被解释变量没有做差分处理 所以这里使用选项y和选项xb没有什么差别 下面 我们对1977年第4季度之后的观测值进行动态预测 键入命令 predictdynam dynamic tq 1977q4 y在选项dynamic 中 我们使用函数tq 将1977q4转化为stata默认的时间数据 为了对预测值有更为直观的认识 我们将观测值 一步预测值以及动态预测值展示于一幅图中 键入命令 graphtwowayscatterconsumptime lineonesteptime lpattern dash linedynamtime lpattern shortdash iftime tq 1976q4 这里 我们对观测值采用散点图 对预测值采用了了线图 其中选项lpattern设定了线的形状 我们设定了一步预测值采用虚线 dash 动态预测值采用短划线 shortdash 最后的if选项设定了作图的区间 注意选项if在双竖线 之后 对预测误差作图 我们有 predicte yresidualpredictdyne dynamic tq 1977q4 yresidualgraphtwowaylineetime linedynetime lpattern dash iftime tq 1976q4 这里 我们将一步预测的误差命名为e 将动态预测的误差命名为dyne 第三步的作图中 我们指定一步预测误差为实线 动态预测误差为虚线 作图的时间区间为1976年第4季度之后 实验12 7 单位根检验 实验基本原理 实验内容及数据来源我们要进行时间序列分析 应首先检验序列是否平稳 我们以实验12 5中对国际航线乘客数量的分析为例 即利用本书附带光盘data文件夹下的 airpsn dta 工作文件 利用这些数据 我们来讲解各种单位根检验的操作及相关选项的含义 实验操作指导1AugmentedDickey Fuller单位根检验的操作 利用 airpsn dta 的数据 我们来检验乘客数量的对数是否存在单位根 输入命令 genlnair ln air dfullerlnair lags 3 trendregress其中 第一步为生成变量lnair 其值为air的对数 第二步对lnair进行单位根检验 设定滞后期为3 在检验方程中包括时间趋势项 并显示回归结果 2Phillips Perron单位根检验的操作对变量lnair进行Phillips Perron单位根检验 命令为 pperronlnair trendregress 3DF GLS单位根检验的操作对变量lnair进行DF GLS单位根检验 命令为 dfglslnair maxlag 6 这里 我们设定最大滞后期为6 实验12 8 向量自回归模型 实验基本原理 实验内容及数据来源我们知道 收入 投资和消费相互影响 我们想要对这三个变量同时进行预测 可以采用VAR模型进行拟合 本书附带光盘的data文件夹的 iic 工作文件给出了1960年到1984年的一些宏观经济数据 主要变量包括 inv 投资 inc 收入 consump 消费 qtr 季度 ln inv 投资的对数 dln inv ln inv的一阶差分 ln inc 收入的对数 dln inc ln inc的一阶差分 ln consump 消费的对数 dln consump ln consump的一阶差分 利用这些数据 我们来讲解VAR模型阶数的确定 VAR模型的拟合 模型的平稳性检验 残差的自相关和正态性检验 脉冲响应与方差分解的作图以及模型的预测 实验操作指导1模型定阶 对于 iic 的数据 因为我们要拟合投资 收入 消费的对数差分变量的VAR模型 所以 我们可以通过如下命令来确定模型阶数 varsocdln invdln incdln consump命令中 varsoc表示进行确定模型阶数的操作 dln inv dln inc dln consump为待拟合的VAR模型的内生变量名 表示系统选择的项 2VAR回归的操作 利用 iic 的数据 我们进行VAR模型的拟合 键入命令 vardln invdln incdln consump命令中 var表示进行VAR模型的拟合 dln inv dln inc dln consump为各内生变量名 这里 我们没有设定滞后阶数 即使用默认的设置 在模型行中使用各变量的1阶滞后和2阶滞后值 vardln invdln incdln consump 在估计完模型之后 可以对回归结果进行保存 输入命令 eststorevar1其中 eststore 是对结果进行保存的基本命令 这里 我们将保存是结果命名为var1 之后 如果要进行模型阶数选择或平稳性检验等 就可以用这个结果 例如 我们要在回归之后再对模型的滞后阶数重新估计 可输入命令 varsoc estimates var1 这里 选项estimates var1 表示对之前存储的拟合结果var1进行滞后阶数选择 事实上 因为我们刚刚进行完VAR模型的拟合 不加选项我们也可以得到相同的结果 eststorevar1 3格兰杰因果关系检验 事实上 对于vargranger所做的检验 我们可以通过test命令来实现 只不过稍微麻烦些 对于本例中 我们要检验第1个方程中dln inc是否为dln inv的格兰杰因 可通过如下命令实现 test dln inv L dln inc dln inv L2 dln inc其中 dln inv L dln inc表示方程dln inv中dln inc的1期滞后值的系数 dln inv L2 dln inc表示方程dln inv中dln inc的2期滞后值的系数 该命令即检验这两个系数是否联合为0 test gdpcpi L govcpi gdpcpi L2 govcpi 4VAR模型的平稳性检验要检验先前拟合的VAR模型的平稳性 我们可以键入命令 varstable graph其中 选项graph表明 我们会同时得到伴随矩阵特征值的作图 5模型的残差自相关性检验对前面拟合的VAR模型进行残差自相关检验 我们输入命令 varlmar mlag 5 其中 mlag 5 表示最大滞后期为5 6模型残差的正态性检验 7带外生变量的VAR模型在前面的VAR模型中我们看到 dln inv方程各变量的系数联合不显著 考虑一个dln inc和dln consump的两变量VAR模型 并将dln inv作为外生变量来处理 输入命令 vardln incdln consump exog dln inv 其中 选项exog dln inv 表示将dln inv作为外生变量加入模型中 8带约束的VAR模型在我们前面对dln inv dln inc和dln consump做的VAR 3 模型中 方程dln inv的系数联合不显著 这样 观察各系数的p值 我们考虑约束方程dln inv中L2 dln inc的系数和方程dln inc中L2 dln consump的系数为0 定义约束的命令为 constraint1 dln inv L2 dln inc 0constraint2 dln inc L2 dln consump 0这里 引用系数的格式为 方程名 变量名 其中 方程名为结果最左侧的一列黑体所显示的 下面 我们进行带约束的VAR模型拟合 命令为 vardln invdln incdln consump lutstatsdfkconstraints 12 这里 我们选择汇报Lutkepohl的滞后阶数选择统计量 并对自由度进行小样本的调整 选项dfk 9脉冲响应与方差分解我们在拟合模型 vardln invdln incdln consump 之后 要进行irf系列分析 需要先激活irf文件 可键入命令 irfsetresults1 我们要对前面拟合的VAR模型的irf系列函数进行估计 并将其用名称var1来标识 输入命令 irfcreatevar1这样 irf系列结果就被保存到文件 results1 irf 中 其中 如果不设定选项irf irfnames stata将对活动的irf文件中所有保存的irf结果作图 如果不设定选项impulse 和response stata将对脉冲变量和响应变量的所有组合作图 此外 选项iname 和isaving 只有在设定选项individual后才可用 如果我们想看一下dln consump如何对dln inv dln inc和dln consump的冲击做出反应 我们可以通过如下命令实现 irfgraphoirf irf var1 response dln consump 其中 oirf表明我们要绘制正交的脉冲响应函数 选项irf var1 表明我们对var1标识的结果进行绘图 response 设定响应变量为dln consump 4 irf作表要用表格的方式展示IRF 动态乘子函数以及FEVD等 可以通过如下命令实现 irftable stat options 其中 可用的统计量stat与irfgraph相同 如果不设定stat 则所有的统计量都将被汇报 可用的选项包括与irfgraph相同的set filename irf irfnames impulse impulsevar response endogvars individual level noci 此外 还可以使用选项title text 为表格设定标题 如果我们想要对Cholesky分解中内生变量不同排序时的irf系列函数值列表比较 可以通过如下命令实现 irfcreateordera order dln incdln invdln consump irftableoirffevd irf var1ordera impulse dln inc response dln consump nocistdtitle Orderaversusvar1 其中 第一句命令为对irf结果重新估计 设定Cholesky分解中内生变量的顺序为dln incdln invdln consump 而在之前估计的结果var1中 内生变量的顺序即为默认的估计VAR模型时内生变量的顺序 第二句命令对两次结果进行做表 表中将给出正交的脉冲响应函数 oirf 和Cholesky预测误差方差分解 fevd 脉冲变量为dln inc 响应变量为dln consump 选项irf var1ordera 表示对var1和ordera标识的估计结果进行做表 noci表示不显示置信区间 std表明显示标准差 title Orderaversusvar1 为表格命名为 Orderaversusvar1 对于前面irf和fevd的做表 我们还可以通过如下命令实现 irfctable var1dln incdln consumpoirffevd orderadln incdln consumpoirffevd nocistdtitle Orderaversusvar1 这样 我们可以得到与前面相同的结果 如果我们想将两种Cholesky排序下的脉冲响应放到一个图中 可以通过如下命令实现 irfograph var1dln incdln consumpoirf orderadln incdln consumpoirf 10基本VAR模型的拟合与绘图 11VAR模型的预测 对于 iic dta 的数据 我们先拟合模型 vardln invdln incdln consumpifqtr tq 1979q1 这里 我们用条件语句 ifqtr tq 1979q1 对样本区间做了限定 这是为了方便后面对动态预测值和样本观测值进行对比 此外 我们没有设定模型的滞后期 这里使用了默认的设置 滞后期为1到2期 下面 我们进行动态预测并作图 输入命令 fcastcomputef1 step 8 fcastgraphf1 dln invf1 dln incf1 dln consump observed其中 第一步为计算动态预测值 并将各预测变量命名为前缀 f1 内生变量名 step 8 设定预测的步长为8 因为我们在拟合模型时使用的样本为1979年第1季度之前的 这样 我们的动态预测值会从1979年第1季度开始 并持续8个区间 也就是说 预测到1980年第4季度为止 第二步对各预测值作图 选项observed表明我们会同时画出各变量的实际观测值 有时 我们希望将不同模型的预测结果放到一幅图中进行比较 stata可以很容易实现这一点 例如 我们还拟合了如下VAR模型并进行了预测 vardln invdln incdln consumpifqtr tq 1979q1 lags 1 4 fcastcomputef2 step 8 其中 第一步拟合了滞后期为1到4期的VAR模型 第二步进行了动态预测 并将预测值的前缀设为f2 下面 我们将这次和前一次对dln inv的预测结果放到一幅图中 graphtwowaylinef1 dln invf2 dln invdln invqtriff1 dln inv 其中 graphtwowayline表明我们要做线图 y轴的变量有f1 dln inv f2 dln inv和dln inv x轴的变量为qtr 条件语句iff1 dln inv 表明 我们要对f1 dln inv不为 的观测值作图 因为动态预测的步长为8期 事实上 我们只有8个预测数据 实验12 9 协整与向量误差修正模型 实验基本原理 实验内容及数据来源本书附带光盘的data文件夹的 regincom dta 工作文件给出了美国八个地区1948 2002年的人均可支配收入数据 主要变量包括 year 年度 new england 新英格兰地区的人均可支配收入 mideast 中东部地区的人均可支配收入 southeast 东南部地区的人均可支配收入 ln ne 新英格兰地区人均可支配收入的对数 ln me 中东部地区人均可支配收入的对数 ln se 东南部地区人均可支配收入的对数 对于这些数据 我们想要分析东南部地区和中东部地区人均可支配收入的长期均衡关系以及短期变动情况 对各变量进行单位根检验 我们不能拒绝各个地区人均可支配收入的对数存在单位根 又因为资本和劳动可以在各个地区自由流动 因而 我们可以期待 没有一个地区的数据会与其他地区的序列有大的偏离 也就是说各个地区的数据间应该存在协整关系 我们考虑拟合一个VEC模型 利用 regincom dta 的数据 我们将讲解VEC模型阶数的确定 协整关系的检验 模型的拟合 协整方程平稳性的检验 残差自相关检验和正态性检验 irf系列函数的估计与作图以及模型的预测等内容 实验操作指导1确定模型阶数要确定VEC模型的滞后阶数 可以通过varsoc命令 在拟合模型之前或之后均可 命令格式与VAR模型完全相同 这里 我们通过如下命令确定模型阶数 varsocln meln se 对ln me和ln se进行作图 我们有 lineln meln seyear命令中 y轴变量为ln me和ln se x轴变量为year 下面 我们通过命令来检验ln me和ln se之间是否存在协整关系 输入命令 vecrankln meln se lags 1 我们也可以使用最大特征值统计量来判断协整关系的个数 命令为 vecrankln meln se lags 1 maxnotrace其中 选项max表明汇报最大特征值统计量 notrace表明不汇报迹统计量 2拟合VEC模型 下面 我们对数据拟合VEC模型 输入命令 vecln meln se lags 1 因为我们前面检验协整关系的个数为1 所以我们就不必再使用选项rank 进行协整方程个数的设置 因为其默认值就是1 3协整方程的平稳性检验在拟合完VEC模型之后 如果要进行种种推断 就要求协整方程平稳 且协整方程的个数被正确设定 尽管vecrank提供了判断平稳的协整方程个数的办法 但该命令假定各个变量都是一阶单整 因此 我们有必要在拟合完模型之后 再对协整方程的平稳性进行判断 其命令格式为 vecstable options 其中 vecstable代表 VEC模型平稳性检验 的基本命令语句 options代表其他选项 可用的选项与命令 varstable 相同 详见表12 24 下面 我们对前面拟合的模型中协整方程的平稳性进行检验 输入命令 vecstable graph其中 选项graph表明 我们会同时得到伴随矩阵特征值的作图 4模型的残差自相关性检验对VEC模型的估计 推断和预测等都假定残差没有自相关 因而 我们有必要对残差的自相关性进行检验 其基本命令格式为 veclmar options 其中 veclmar代表 对残差自相关进行拉格朗日乘子检验 LMtest 的基本命令语句 options代表其他选项 可用的选项与命令 varlmar 相同 详见表12 25 要检验前面拟合的模型残差是否自相关 我们输入命令 veclmar 5模型残差的正态性检验对VEC模型进行的最大似然估计建立在残差为独立同分布且服从正态分布的假设之上 尽管很多渐近性质不依赖于残差的正态性假设 但很多研究者仍倾向于进行残差的正态性检验 对残差的正态性进行检验的基本命令为 vecnorm options 其中 vecnorm代表 对残差的正态性进行检验 的基本命令语句 options代表其他选项 options包括varnorm命令的所有选项 见表12 26 以及dfk选项 在计算扰动项的方差协方差矩阵时 选项dfk可以对其进行小样本调整 对我们前面拟合的模型进行残差的正态性检验 可以输入命令 vecnorm jbera其中 选项jbera表示只汇报Jarque Bera统计量 6脉冲响应与方差分解对VEC模型的脉冲响应和方差分解等分析和VAR模