本⽂主要包括数据类型转换、⾃相关图、平稳性、协整、格兰杰检验等内容1 心兽From daily/monthly date variable to quarterly
1、Quarterly date from daily date
导⼊数据，查看数据
•
•
•
use date.dta desc ed
可以发现Date2 is a string date variable
然后进⾏转换
•
•
•
•
胡舒立gen datevar=date(date2,"MDY", 2099) format datevar %td gen quarterly = qofd(datevar) format quarterly %tq
2、Quarterly date from monthly date
•
•
•
•
•
gen month = month(datevar) gen day=day(datevar) gen year=year(datevar) gen monthly = ym(year,month) format monthly %tm
结果为：
中国传媒大学高等职业技术学院2品质因数q
From daily to weekly and getting yearly
•
•
•
•
•
•
•
•
gen datevar = date(date2, "MDY", 2099) format datevar %td gen year= year(datevar) gen w = week(
datevar) gen weekly = yw(year,w) format weekly %tw browse 结果为：From daily to yearly genyear1 = year(datevar) From quarterly to yearly gen year2 = yofd(dof q(quarterly)) From weekly to yearly genyear3 = yofd(dofw(weekly)) 3时间序列设定时间序列设定 tssettimevar 例如使⽤命令tsfill可以填补时间序列的空⽩。使⽤tsfill 你需要 tset, tsset 或 xtset 的数据。tsetquarters tsfill 4Lag operators (lag)滞后期计算⽣成To generate values with past values use the “L” operator generateunemp L1=L1.unemp generateunemp L2=L2.unemp list datevar unemp unemp L1 unemp L2 in 1/5 To generate forward or lead values use the “F” operator generateunemp F1=F1.unemp generateunemp F2=F2.unemp list datevar unemp unemp F1 unemp F2 in 1/5 To generate the difference between current a previous values use the “D”operator generate unemp D1=D1.unemp generate unemp D2=D2.unemp list datevar unemp unemp D1 unemp D2 in1/ 5D1 = y t – yt-1D2 = (y t – y t-1 ) – (y t-1 – y t-2 )To generate seasonal differences use the “S” operator generate unemp S1= S1.unemp generateunemp S2=S2.unempS1 = y t – y t-1S2 = (y t – y t-2 )5Correlograms: autocorrelation要探索⾃相关，即变量与其前⼀个值之间的相关性，可以使⽤命令corrgram。滞后的数量取决于理论、AIC/BIC过程或经验。输 相关，即变量与其前⼀个值之间的相关性，可以使⽤命令corrgram。滞后的数量取决于理论、AIC/BIC过程或经验。输出包括⽤于指定ARIMA模型的⾃相关系数和偏相关系数。 corrgramunemp, la张国青
gs( 12) 6单位根检验 lineunemp datevar Dickey-Fuller检验是最常⽤的平稳性检验之⼀。零假设这个级数有⼀个单位根。检验统计数据表明，失业率系列有⼀个单位根，它位于接受区域内。处理随机趋势(单位根)的⼀种⽅法是取变量的⼀阶差分。 dfullerunemp, lag( 5) dfuller
d.unemp1, lag( 5) 7协整检验Cointegration refers to the fact that two or more series share an stochastic trend (Stock & Watson). Engle and Granger (1987) suggested a two step process to test for cointegration (an OLS regression and a unit root test), the EG-ADF test. regressunemp gdp predict e, resid dfuller e, lags( 10) 8格兰杰因果汇总本部分来源：dss.princeton.edu/training/，部分资源整理⾃：百度⽂库、CDA数据分析师、社会科学中的数据可视化在实证分析中，我们经常需要确定因果关系是x导致y，还是y导致x。对此，Granger提出了⼀种解决⽅法：如果x是y的原因，且不存在反向因果，则x过去值可以预测y未来值，反之则不然。具体来说，我们建⽴时间序列模型如下，并提出假设H0：
βm=0，m=1,2…p。如果接受该假设，则意味着x过去值不能够预测y未来值；如果拒绝该假设，则可以，即x是y的格兰杰因（Granger cause）。格兰杰因果关系检验假设了有关y和x每⼀变量的预测的信息全部包含在这些变量的时间序列之中。检验要求估计以下的两个回归模型：模型1模型2模型1是为了检验X对Y的影响，模型⼆是为了检验Y对X的影响。（其中⽩噪⾳u1t 和u2t假定为不相关的）基本逻辑：模型⼀中，如果模型α1，α2 , ... , αq 中只要存在⼀个系数显著为不零，那就认为X对Y有格兰
杰因果关系，模型⼆类似； 9格兰杰因果检验⽅法总结格兰杰因果检验相关的stata命令可以有三种。⽅法⼀： regy L.y L.x （滞后 1期） estat ic （显⽰AIC 与BIC 取值，以便选择最佳滞后期）reg y L.y L.x
L2.stat ic （显⽰AIC 与BIC 取值，以便选择最佳滞后期）……根据信息准则确定p, q 后，检验；所⽤的命令就是test特别说明，此处p和q的取值完全可以不同，⽽且应该不同，这样才能获得最有说服⼒的结果，这也是该⽅法与其他两个⽅法相⽐的最⼤优点，该⽅法缺点是命令过于繁琐。⽅法⼆： sscinstall gcause （下载格兰杰因果检验程序gcause）gcause y x,lags(1) （滞后1 期）estatic （显⽰AIC 与BIC 取值，以便选择最佳滞后期）gcausey x,lags(2)（滞后2 期）estatic （显⽰AIC 与BIC 取值，以便选择最佳滞后期）特别说明，在选定滞后期后，对于因果关系检验，该⽅法提供F检验和卡⽅检验。如果两个检验结论不⼀致，原则上⽤F检验更好些。因为卡⽅检验是⼀个⼤样本检验，⽽实证检验所能获得的样本容量通常并不⼤，如果采⽤的是⼤样本，则以卡⽅检验结果为准。不过，通常情况下，⼤样本下两个检验结论⼀致，所以不⽤担⼼。综上，F检验适⽤范围更⼴。⽅法三： vary x （向量⾃回归） vargranger注意：1、如果实际检验过程中AIC和BIC越来越⼩，直到不能再滞后（时间序列长度所限）。这样的话，可能数据确实存在⾼阶⾃相关。在这种情况下，可以限制p的取值，⽐如取最⼤的或，。2、回归结果中各期系数显著性不同，有的不显著有的显著，如实汇报就可以。最好全部汇报。不显著的期数可能意味着那⼀期的⾃相关很弱。10格兰杰因果检验应⽤案例
1、导⼊数据 usehttp: //www.stata-press/data/imeus/ukrates, clear 2、安装外部命令（安装gcause格兰杰因果检验程序） sscinstall gcause 3、格兰杰检验 gcauser20 rs, lags(1)estaticgcauser20 rs, lags(2)estatic依次对滞后⼀期、滞后两期等变量进⾏回归，根据AIC及BIC的取值确定最佳的滞后期。在本例中，我们发现p=q=3时AIC及BIC的值最⼩，因此我们将p和q都赋值为3。滞后三期回归结果如图所⽰： gcauser20 rs, lags(3)estatic我们发现F检验和卡⽅检验得出⼀致结论，接受原假设，即rs不是r20的格兰杰因。11格兰杰因果检验应⽤案例1、导⼊数据
中国论文网站use"C:\Users\admin\Desktop\tsdata.dta"2、Granger causality: using OLSIf you regress ‘y’ on lagged values of ‘y’ and ‘x’ and the coefficients of the lag of ‘x’ are statistically significantly different from 0, then you can argue that ‘x’ Granger-cause ‘y’, this is, ‘x’ can be used to predict ‘y’ (see Stock & Watson -2007-, Green -2008). regressunemp L( 1/ 4).unemp L( 1/ 4).gdp regressunemp L( 1/ 4).unemp L( 1/ 4).gdp 我们不能拒绝原假设，因此gdp不是unemp的格兰杰原因。12格兰杰因果检验应⽤案例Granger causality: using VAR quietly varunemp gdp, lags( 1/ 4) vargrangerThe null hypothesis is ‘var1 does not Granger-cause var2’. In both cases, we cannot reject the null that each variable does not Granger-cause the other
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议