平稳性检验及 Stata 具体操作步骤

于 2024-06-28 19:05:08 发布
阅读量863 收藏 25
点赞数 12
分类专栏： Stata实证操作 文章标签： 回归 人工智能 线性回归 回归算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/a519573917/article/details/140051395
版权

目录

一、平稳性的概念

二、平稳性检验的方法

三、数据准备

四、可视化检查

五、ADF 检验

1.基本的 ADF 检验

2. 考虑趋势和截距项的 ADF 检验

3. 考虑季节性的 ADF 检验

六、PP 检验

七、代码解释

八、代码运行结果解读

代码附录

在时间序列分析中，平稳性是一个非常重要的概念。平稳性检验是判断时间序列数据是否具有稳定的统计特性，这对于后续的建模和预测至关重要。本文将详细介绍平稳性检验的方法及在 Stata 中的具体操作步骤，并结合实际数据进行演示。

一、平稳性的概念


平稳性分为严平稳和宽平稳。严平稳要求序列的联合分布在时间平移时保持不变；宽平稳则要求序列的均值、方差为常数，自协方差仅与时间间隔有关。

时间序列的平稳性具有以下重要意义：

  1. 平稳时间序列在不同时间段上的表现具有相似性，使得基于历史数据的分析和预测更具可靠性。
  2. 平稳性简化了模型的构建和参数估计，提高了模型的准确性和稳定性。

二、平稳性检验的方法

  1. 可视化检查
    通过绘制时间序列图观察数据的趋势和季节性。这是一种直观但较为初步的方法，能帮助我们对数据的大致特征有一个直观的认识。
  2. 单位根检验
    常见的单位根检验方法有 ADF 检验（Augmented Dickey-Fuller Test）和 PP 检验（Phillips-Perron Test）。

ADF 检验的原理：ADF 检验基于自回归模型，通过检验单位根的存在来判断序列的平稳性。其基本思想是，如果时间序列存在单位根（即非平稳），那么其差分序列应该是平稳的。

PP 检验的原理：PP 检验对 ADF 检验进行了改进，考虑了序列中的异方差性，在检验统计量的构造上更加稳健。

三、数据准备


为了进行平稳性检验，我们从雅虎财经获取了苹果公司（AAPL）从 2015 年 1 月 1 日到 2024 年 6 月 28 日的每日收盘价数据，并将其保存为 aapl.dta 数据集。

use aapl.dta, clear

四、可视化检查

tsline close_price

通过绘制时间序列图，我们可以初步观察数据的走势，判断是否存在明显的趋势或季节性。

五、ADF 检验

1.基本的 ADF 检验

dfuller close_price

检验结果中会给出 t 统计量、p 值等信息。


2. 考虑趋势和截距项的 ADF 检验

dfuller close_price, trend

若数据可能存在趋势，添加 trend 选项进行检验。


3. 考虑季节性的 ADF 检验


由于股票价格数据通常不存在明显的季节性，此处不进行季节性的检验。

六、PP 检验

pperron close_price

七、代码解释

  • dfuller 和 pperron 命令后的变量名 close_price 指定了要检验的时间序列。
  • 各种选项如 trend 用于根据数据特点调整检验的设定。

八、代码运行结果解读


以基本的 ADF 检验为例，假设得到的 t 统计量为 -1.8，p 值为 0.12。由于 p 值大于 0.05 的显著性水平，我们不能拒绝原假设，认为该序列可能是非平稳的。

对于考虑趋势的 ADF 检验，若得到 t 统计量为 -3.5，p 值为 0.01。由于 p 值小于 0.05，我们拒绝原假设，认为在考虑趋势的情况下，序列是平稳的。

PP 检验结果类似，同样根据 p 值与显著性水平的比较来判断序列的平稳性。

代码附录

以下是完整的代码：

// 假设已经准备好数据并保存为 aapl.dta
use aapl.dta, clear

// 可视化检查
tsline close_price

// 基本的 ADF 检验
dfuller close_price

// 考虑趋势的 ADF 检验
dfuller close_price, trend

// PP 检验
pperron close_price

 

【免费】2007-2021年36家上市银行绿色信贷余额、绿色信贷占比、资产收益率、不良贷款率等数据资源-CSDN文库

【免费】1996-2019年各省废水污染、治理数据资源-CSDN文库

时间序列--平稳性介绍及检验方法_平稳性检验-CSDN博客

数据博士
关注
  • 12
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
stata面板数据单位根检验llc_STATA计量研究/面板单位根检验分析（含代码）
weixin_39625258的博客
12-22 1万+
整理人：郑铿城在stata建模过程中，严格上来说，在面板数据处理好后，建模步骤的第一步应该就是面板单位根检验，因为平稳数据与非平稳数据建模步骤差异较大，若直接对非平稳数据建模，易出现伪回归现象。面板数据单位根检验的种类图如下：我们按面板数据的长度，可以分为长面板数据和短面板数据，长面板数据的单位根检验方法为：• LLC检验、Breitung检验、IPS检验、Fisher式检验、HadriLM检验。...
wald检验_Stata: 面板 Granger 因果检验
weixin_39963096的博客
12-01 7431
连享会—内生性专题—现场班随着面板数据库规模的扩大，围绕面板数据因果关系的理论也迅速发展。面板数据正从具有大样本量( N )和较短时间维度( T )的微观面板数据转变为到具有大样本量( N )和长的时间维度(T)的宏观面板数据。在这种情况下，就需要注意时间序列计量经济学的经典问题，即(非)平稳性和(非)因果关系。在本文中，我们介绍了社区贡献的外部命令 xtgcause ，它实现了 Du...
自回归条件异方差模型及 Stata 具体操作步骤
最新发布
a519573917的博客
06-28 898
自回归条件异方差（Autoregressive Conditional Heteroskedasticity，ARCH）模型在金融时间序列分析中具有重要地位，用于捕捉波动率的聚类和时变特征。
平稳性检验（描述性）与纯随机性检验
Data Time
04-19 3万+
这篇博客主要记录人大出版《应用时间序列分析》第二章的笔记。本章主要介绍进行时序分析前的预处理，即平稳性检验与纯随机性检验。 平稳性检验（描述性） 平稳性检验的方法分为描述性方法与计量性方法。前者主要指时序图检验、ACF 图检验，后者主要指 DF 检验、ADF 检验与PP检验。由于计量性方法需要 ARMA 模型的相关知识，这篇博客仅仅介绍描述性方法。 时序图检验 时序图检验即是通过观察时序图...
VAR模型Stata实例操作
weixin_47760527的博客
05-09 3万+
一.步骤 1.序列平稳性检验 2.确定滞后阶数 3.模型平稳性检验 4.格兰杰因果关系检验 上述检验都通过后再进行以下步骤 5.脉冲响应分析 6.方差分解 二.各步骤的具体解释 1.序列平稳性检验 主要两种方法：单位根检验、看ACF、PACF图的截尾拖尾情况 ACF PACF 模型 截尾 拖尾 MA 拖尾 截尾 AR 拖尾 拖尾 ARMA 像cosθ或者sinθ这种既没有截尾也没有拖尾的函数图像，就是不平稳序列；需要经过.
时间序列平稳性检验（ADF）和白噪声检验（Ljung-Box）
立志成为炼丹师？
02-09 3万+
在对时间序列做预测前，我们要对数据进行一系列检验，主要是检验数据的稳定性和随机性（白噪声检验），本文主要介绍ADF检验和Ljung-Box检验 ADF检验 ADF检验即单位根检验是指检验序列中是否存在单位根，因为存在单位根就是非平稳时间序列了。单位根就是指单位根过程，可以证明，序列中存在单位根过程就不平稳，会使回归分析中存在伪回归。 下面给出ADF检验的python代码 from statsmodels.tsa.stattools import adfuller import pandas as pd .
序列平稳性和纯随机性检验
一条不停翻滚的咸鱼的博客
06-22 7311
对平稳性以及纯随机性检验进行了简单介绍。
Stata:单位根检验就这么轻松
Stata连享会
08-07 6570
原文链接：https://www.lianxh.cn/news/e414c434dcb21.html Source:Ashish Rajbhandari[1]→Unit-root tests in Stata 目录 1. 随机趋势 1.1 随机游走 1.2 带漂移项的随机游走 2. 确定趋势 3. 非平稳过程绘图 4. 单位根检验 4.1 ADF 检验 4.2 Phillips–Perron 检验 4.3 GLS 去势的 ADF 检验 5. 结论 6...
Stata中的单位根检验
热门推荐
Notetaking
11-07 6万+
检验序列的平稳性是时间序列分析的关键步骤。时间序列中很多估计量的统计特性都依赖于数据是否平稳。一般意义上，一个(弱)平稳过程的期望、方差和自相关系数应不随时间变化。 然而在大多可观测的时间序列中，趋势项的存在总会使得序列不具有平稳性。趋势项包括确定趋势项和随机趋势项，趋势项的类型决定了我们需要使用什么方法将时间序列转换成平稳序列。比如，含有随机趋势项的单位根过程可以通过差分变得平稳。然而，对实际上...
多元线性回归模型检验及stata软件应用.ppt
11-16
该模型的检验是统计分析中的一个重要步骤，涉及到拟合优度检验、方程的显著性检验和变量的显著性检验。 拟合优度检验是指对模型的拟合程度进行评估，常用的指标有可决系数（R²）和调整后的可决系数（Adjusted R²...
如何用stata做倾向性得分匹配(PSM)的命令以及详细步骤 案例解释.rar
05-26
有关如何用stata做倾向性得分匹配的命令以及详细步骤，还有案例解释 基本上看完这些资料就可以自己做了
Stata收敛性分析（含详细代码说明和样例数据）
01-31
Stata收敛性分析（含详细代码说明和样例数据） 收敛性分析是管理科学和运筹学中重要的概念，是一种解决决策者对他们的管理策略的反馈的方式和手段。它的最终目的是帮助管理者从复杂的环境中筛选最优的解决方案。收敛...
stata命令：PVAR模型的STATA操作步骤
06-02
stata命令：PVAR模型的STATA操作步骤
第三讲多元线性回归模型检验及stata软件应用ppt课件.ppt
11-15
第三讲多元线性回归模型检验及Stata软件应用ppt课件 本节课主要讲述了多元线性回归模型的检验方法，包括拟合优度检验、方程的显著性检验和变量的显著性检验等内容。下面是该节课的详细知识点： 一、拟合优度检验 ...
【反者道之动，弱者道之用】统计学中的哲理——回归均值 Regression to the mean
amyniez的博客，欢迎交流讨论
06-26 434
回归均值(Regression toward the Mean/Regression to the Mean)指的是如果变量在其第一次测量时是极端的，则在第二次测量时会趋向于接近平均值的现象。 在金融学中， 回归均值是指股票价格无论高于或低于价值中枢(或均值)都会以很高的概率向价值中枢回归的趋势。 根据这个理论，股票价格总是围绕其平均值上下波动的。
clion调试opencv程序时，查看内存中图像的方法
yangpan011的博客
06-25 389
clion调试opencv程序时，查看内存中图像的方法
SOBEL图像边缘检测器的设计
zzhao2580的博客
06-27 1052
在过去的20年里产生了许多边缘检测器，而Sobel算法只涉及加法操作，但却可以得到很好的划分效果，因而是图像处理系统中最常用的边缘检测算法。（3）如果使用CPLD/FPGA进行自行设计，通过采用并行流水线技术假设使用50M的系统时钟，处理完一个像素点的时间为 4×1/(50M)=80ns，处理完一帧图像的时间为 800×600×80ns＝38.4ms，结果处理速度比DSP高了大约两个数量级，从上可以看出，使用CPLD/FPGA进行自行设计有关图像处理模块，对整个系统速度的改善是很非常明显的。
mindspore打卡第几天 DDPM 之Unet 网络解析
qq_39306047的博客
06-27 470
网络获取了一批`(batch_size, num_channels, height, width)`形状的噪声图像和一批`(batch_size, 1)`形状的噪音水平作为输入，并返回`(batch_size, num_channels, height, width)`形状的张量。- `ops.concat((x, h[len_h]), 1)`：这是关键的跳跃连接步骤，将当前解码器层的输出`x`与对应编码器层的特征图`h[len_h]`沿通道维度（维度1）拼接，从而传递并合并局部细节信息。
非平稳时间序列建模步骤以及对应的stata命令
08-08
非平稳时间序列建模的步骤包括：数据预处理、模型识别、参数估计和模型诊断。 首先，进行数据预处理，主要是为了将非平稳的时间序列转化为平稳序列。可以采用差分方法进行平稳性处理，即对原始序列进行一阶差分，直到得到平稳序列。 其次，进行模型识别，根据平稳序列的自相关图(ACF)和偏自相关图(PACF)来选择合适的自回归移动平均模型(ARMA)的阶数。ACF图描述了序列与其滞后值之间的相关性，PACF图则描述了序列与其滞后值之间的部分相关性。 然后，利用识别出来的模型阶数，使用stata命令进行参数估计。对于ARMA模型的参数估计，可以使用ARMA命令，语法为arma depvar lag1 lag2 , ar(lag1) ma(lag2)。其中depvar为应变量，lag1为自回归项的阶数，lag2为移动平均项的阶数。此命令可以根据输入的模型阶数进行参数估计。 最后，进行模型诊断，主要是对模型的残差进行检验。检验残差是否为白噪声是模型诊断的重要环节。可以使用estat arma命令对残差序列的自相关进行检验，进而评估模型的拟合程度。同时，还可以使用dwstat命令进行Durbin-Watson检验，检验残差是否存在自相关性。 总之，非平稳时间序列建模的步骤包括数据预处理、模型识别、参数估计和模型诊断。在stata中，可以使用arma命令进行参数估计，estat arma命令进行模型拟合评估，以及dwstat命令进行自相关检验。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值