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—— Autocorrelations&Partial 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