邮箱:econometrics666@126.com 关于时间序列方法,1.时间序列分析的各种程序, 38页集结整理成文档,2.ARDL, ARIMA, VAR, (G)ARCH时间数据模型讲解及软件操作,3.R软件中的时间序列分析程序包纵览,4.时间序列分析的各种程序, 38页集结整理成文档,5.时间序列数据分析的思维导图一览, 金融经济学者必备工具,6.送书: 应用时间序列分析(经典),7.为啥时间序列模型比较难学?时间序列的正名路,8.面板数据单位根检验软件操作和解读全在这里,9.动态面板回归和软件操作,单位根和协整检验(Dynamic Panel Data),10.疫情期计量课程免费开放!面板数据, 因果推断, 时间序列分析与Stata应用,11.送书: 应用时间序列分析(经典),12.时间序列模型分解,季节调整分析基础,13.动态因子模型是什么, 又怎么去实现? 14.动态面板分位数估计怎么做?15.动态面板门槛回归程序公布, 使用方法介绍,16.把动态面板命令讲清楚了,对Stata的ado详尽解释,17.时间序列分析概览(今天的重点1),18.全面比较和概述运用机器学习模型进行时间序列预测的方法优劣!19.一文读懂“非平稳时间序列计量经济学分析”, 包括单位根检验, 结构突变检验等,20.中断时间序列分析ITSA是什么? 很流行的政策评估新范式! 一、ARIMA 模型预测的基本程序:二、ARIMA 模型中AR 和MA 阶数的确定方法:sim_arma y_ar, ar(0.9) nobs(300) line y_ar _t, yline(0) ac y_ar //AR 过程的ACF 具有“拖尾”特征,长期记忆 pac y_ar //AR 过程的PACF 具有“截尾”特征 sim_arma y_ma, ma(0.8) line y_ma _t, yline(0) ac y_ma //MA 过程的ACF 具有“截尾”特征,短期记忆 pac y_ma //MA 过程的PACF 具有锯齿型“拖尾”特征 三、ARIMA 模型中涉及的检验:tsset t gen d_wpi = D.wpi dfuller wpi //单位根检验 dfuller d_wpi wntestq wpi //白噪声检验:Q 检验 wntestq d_wpi wntestb wpi,table //累积统计Q 检验并以列表显示 wntestb d_wpi,table wntestb wpi //画出累积统计量Q wntestb d_wpi //画出累积统计量Q corrgram wpi ,lag(24) //自相关、偏相关、Q 统计量 corrgram d_wpi ,lag(24) 四、ARIMA 模型和SARIMA 模型的估计use http://www./data/r11/wpi1 ,clear gen d_wpi = D.wpi arima wpi,arima(1,1,1) //没有漂移项即常数项的命令是noconstant arima D.wpi,ar(1) ma(1) //或者这种形式也行 SARIMA 模型(Seasonal Autoregressive Integrated Moving Average): use http://www./data/r11/air2,clear line air t generate lnair=ln(air) arima lnair,arima(0,1,1) sarima(0,1,1,12) noconstant 五、ARIMA 模型的一个真实应用——美国批发物价指数dfuller wpi //单位根检验 gen d_wpi = D.wpi dfuller d_wpi arima wpi,arima(1,1,1) //没有漂移项即常数项的命令是noconstant arima D.wpi,ar(1) ma(1) //或者这种形式也行 ac D.ln_wpi,ylabels(-.4(.2).6) pac D.ln_wpi,ylabels(-.4(.2).6) arima D.ln_wpi,ar(1) ma(1/4) estat ic //LL 越大越好, AIC 和BIC 越小越好 arima D.ln_wpi,ar(1) ma(1 4) //季节效应 estat ic **残差检验** predict r,res wntestq r //白噪声检验:Q 检验 wntestb r,table //累积统计Q 检验并以列表显示 wntestb r //画出累积统计量Q corrgram r ,lag(24) //自相关、偏相关、Q 统计量 **样本内预测** predict y_hat0 //y 的拟合值 **样本外预测** list in -15/-1 tsappend, add(8) list in -15/-1 predict y_hat1 //y 的样本外一步预测值 list in -15/-1 gen Dln_wpi = D.ln_wpi sum predict y_hat_dy0, dynamic(124) //动态预测 predict y,y //对未差分变量的预测 predict fy,y dynamic(124) gen fwpi=exp(fy) //实际wpi 的预测值 gen ywpi=exp(y) line wpi fwpi ywpi t in -20/-1 下面这些短链接文章属于合集,可以收藏起来阅读,不然以后都找不到了。 2.5年,计量经济圈近1000篇不重类计量文章, 可直接在公众号菜单栏搜索任何计量相关问题, Econometrics Circle |
|