发布时间 : 星期一 文章时间序列Stata操作 题4-7更新完毕开始阅读
去掉截距项再试 （Stata语句） arima Dp,noconstant arima(0,0,1) Ps.结果同arima price, noconstant arima(0,1,1)得到结果 白噪声检验 （Stata语句） Cumulative periodogram for ehat11.00 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 Cumulative Periodogram White-Noise Test. predict ehat1,residual . wntestq ehat1 Portmanteau test for white noise --------------------------------------- Portmanteau (Q)statistic = 45.3466 Prob > chi2(40) = 0.2589 Ps. 0.800.000.00.wntestq ehat1,lags(2) .wntestq ehat1,lags(6) .wntestq ehat1,lags(12) 都通过了 . wntestb ehat1 => . estat ic 0.200.400.600.100.200.30Frequency0.400.50Bartlett's (B) statistic = 0.70 Prob > B = 0.7145 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： => ⅱ认为AR（1） 拖尾，1阶截尾，尝试 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） 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 .wntestq ehat2 Portmanteau test for white noise --------------------------------------- Portmanteau(Q) statistic= 40.3516 Prob > chi2(40) = 0.4547 Ps. Cumulative periodogram for ehat2.wntestq ehat2,lags(6) .wntestq ehat2,lags(12) 都通过了 0.000.20.wntestq ehat2,lags(2) 0.400.600.801.00. predict ehat2,residual Cumulative Periodogram White-Noise Test0.000.100.200.30Frequency0.400.50Bartlett's (B) statistic = 0.67 Prob > B = 0.7551 .wntestb ehat2 => . estat ic => ②疏系数模型
因为前十二期（一年）内
和
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) 明显跳出了2倍标准误范围，所以确定ma(1)，ar(1) ，与上面①ⅰ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。
0.40
（Stata语句）
Autocorrelations of S12Dp1期 . generate S12Dp=S12.Dp
. label variable S12Dp \steps of the difference\
. ac S12Dp =>
. pac S12Dp =>
-0.60-0.40-0.200.000.2001210期 20Lag3040Bartlett's formula for MA(q) 95% confidence bands {S12Dp}的自相关图
1期 0.4013期 Partial autocorrelations of S12Dp-0.200.000.2024期 36期 -0.40-0.6012010期 20Lag304095% Confidence bands [se = 1/sqrt(n)] {S12Dp}的偏自相关图
①加法季节模型 ⅰⅱ1阶12阶截尾拖尾拖尾，结合疏系数模型，对序列{S12Dp}拟合MA(1，12)模型 1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 和几阶截尾的性质（哪几期延迟期数对应的相关系数特别明显），对序列{S12Dp}拟合ⅲ综合考虑ARIMA((1,12)(1,12))模型 ⅰ对序列{S12Dp}拟合MA(1，12)模型 或者 （Stata语句） . arima S12Dp, ma(1,12) =>