【STATA】ARIMA模型（含代码） |
您所在的位置：网站首页 › stata的代码 › 【STATA】ARIMA模型（含代码） |
|
0. 缘起
一个被数学建模折磨的苦命人，在CSDN上找不到STATA相关的教程，没办法只有自己借了两本书，找了些相关资料进行学习。想到可能有同样苦命的人存在，将自己的理解上传，希望能提供一些帮助。 PS：其实原来会用SPSS跑ARIMA模型，但是这次需要对几十个国家的数据跑（也就是几十个模型），想寻找一种自动确定模型参数的方法【但是现在并没有找到】。觉得如果可能有的话，应该是通过STATA实现，若有好心人知道且愿意告知，将会非常感谢！ 1. ARIMA模型介绍就使用而言，ARIMA(p, d, q)模型有现成的程序，需要人工做的仅仅只有： 通过观察结果得到确定三个待定参数的值 d：差分阶数，通过看检验结果确定p、q：自回归和移动平均阶数，看AC和 PAC图像确定 对模型进行检验，查看模型结果在此以某国人口数据为例，介绍自己对刚学的ARIMA模型的理解。 最近事情有点多，先占个坑，忙过了就更新前边的相关内容。在后边的代码中， 先检验稳定性，确定d的取值（即稳定时候的值）再做AC和PAC的图像，确定p和q的值相关的检验看法已经使用【】标出按照此思路看代码其实应该很容易能看得懂，所以就先发了出来。若仅仅只是为了使用，只需要导入文件和变量名即可使用。 2. STATA代码 /* Purpose ：ARIMA模型学习 Author ：CZY - CQU Date Created ：2020年12月1日20:00:13 */ /* AR(p)：p阶自回归（针对变量）【ACF衰减趋于0，PACF在P阶后截尾】 I(d)：d阶差分 MA(q)：q阶移动平均（针对误差）【ACF在q阶截尾，PACF衰减趋于0】 */ * 清除数据 cls clear all * 路径查询和切换 pwd //查询当前工作路径 cd "C:/Users/10400/Desktop/计量经济学/ARIMA" //切换工作路径【这里需要改成自己的路径（即文件所在位置）】 * Log文件 capture log close //关闭现有的Log文件 log using ARIMA.log, replace //创建新的Log文件 ************************数据导入************************** * 导入文件 import excel "人口数据.xlsx", sheet("Sheet1") firstrow clear tsset YEAR //设置时间变量 * 数据信息：计量经济基础[张晓峒（第三版）]：第十二章时间序列数据 /* > YEAR: 年份 > PEOPLE 年份对应人口数 */ ************************平稳性检验【定d】************************ //1. 【看Test Statistic的绝对值与临界值（Critical Value）的大小，越大越好】 //2. 【看P值，越小说明越平稳】 * DF检验 dfuller PEOPLE //先检验PEOPLE是否平稳，不平稳则检验差分项 dfuller d.PEOPLE //d.PEOPLE：PEOPLE的一阶差分 * GLS扩展的DF检验【通常采用】 dfgls d.PEOPLE, notrend //notrend不含趋势项 // Ng-P、SC、MAIC三种方法投票确定查看的阶数 * PP检验 pperron d.PEOPLE * 三种检验说明做一阶差分后平稳，故确定d = 1 ************************相关性分析【定p，q】************************ corrgram d.PEOPLE //绘制人口数据的自相关相关图和偏自相相关图【Table格式】 * 图形绘制与保存 ac d.PEOPLE, lags(20) level(95) generate(New_ac) //PEOPLE滞后绘制1-8阶的自相关图【Graph格式】 graph save Graph Fig01_AC.gph, replace graph export Fig01_AC.png, as(png) replace pac d.PEOPLE, lags(20) level(95) generate(New_pac) //偏自相关图【Graph格式】 graph save Graph Fig01_PAC.gph, replace graph export Fig01_PAC.png, as(png) replace /* lags(n)：n阶滞后项 level(alpha)：显著性水平alpha generate(name)：将自相关命名为name并保存 */ graph combine ///图片并排 Fig01_AC.gph ///导入AC图片 Fig01_PAC.gph ///导入PAC图片 , rows(2) altshrink ///排列成两行 title("AC and PAC of D.PEOPLE", size(medium)) * 根据图像选择p = 1, q = 0 ************************ARIMA模型************************ arima PEOPLE, arima(1,1,0) //建立ARIMA(1,1,0)模型 * 模型检验和评价 predict PEOPLE_RES, resid //回归残差序列 corrgram PEOPLE_RES //残差序列的AC和PAC图 wntestq PEOPLE_RES, lag(20) //白噪声零假设-Q检验【P大于0.05即可】 ********* * 保存预测值 predict PEOPLE_HAT label variable PEOPLE_HAT "predicted PEOPLE" tsline D.PEOPLE PEOPLE_HAT, lcolor(blue red) lwidth(medium medithic) xtitle("") xlabel(, grid gmax gmin) ytitle("PEOPLE") ylabel(, grid gmax gmin) ylabel(0. lcolor(gs12)) |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |