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