内容发布更新时间 : 2025/5/29 12:51:09星期一 下面是文章的全部内容请认真阅读。
format t üY-N-D /*1978-02-14*/ list t in 1/5
format t üy_n_d /*1978 2 14*/ list t in 1/5
use B6_tsset, clear list
tsset t, format(%twCY-m) list
4）一个实例：生成连续的时间变量 use e1920.dta, clear list year month in 1/30 sort year month gen time = _n tsset time
list year month time in 1/30
generate newmonth = m(1920-1) + time - 1 tsset newmonth, monthly
list year month time newmonth in 1/30
1.4图解时间序列 1）例1： clear
set seed 13579113
sim_arma ar2, ar(0.7 0.2) nobs(200) sim_arma ma2, ma(0.7 0.2) tsset _t
tsline ar2 ma2
* 亦可采用 twoway line 命令绘制，但较为繁琐 twoway line ar2 ma2 _t
2）例2：增加文字标注 sysuse tsline2, clear tsset day
tsline calories, ttick(28nov2002 25dec2002, tpos(in)) /// ttext(3470 28nov2002 \
3470 25dec2002 \3）例3：增加两条纵向的标示线 sysuse tsline2, clear tsset day
tsline calories, tline(28nov2002 25dec2002) * 或采用 twoway line 命令 local d1 = d(28nov2002) local d2 = d(25dec2002)
line calories day, xline(`d1' `d2')
4）例4：改变标签
tsline calories, tlabel(, format(%tdmd)) ttitle(\ tsline calories, tlabel(, format(%td))
二、ARIMA 模型和SARMIA模型
ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。
ARIMA(1,1)模型：yt????yt?1???t?1??t
2.1 ARIMA模型预测的基本程序:
1) 根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其
方差、趋势及其季节性变化规律，对序列的平稳性进行识别。一般来讲，经济运行的时间序列都不是平稳序列。
2) 对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增
长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。
<