【精编】时间序列模型分析的各种stata命令.pdf

《【精编】时间序列模型分析的各种stata命令.pdf》由会员分享，可在线阅读，更多相关《【精编】时间序列模型分析的各种stata命令.pdf（38页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精品文档时间序列模型结构模型虽然有助于人们理解变量之间的影响关系，但模型的预测精度比较低。在一些大规模的联立方程中，情况更是如此。而早期的单变量时间序列模型有较少的参数却可以得到非常精确的预测，因此随着Box and Jenkins(1984)等奠基性的研究，时间序列方法得到迅速发展。从单变量时间序列到多元时间序列模型，从平稳过程到非平稳过程，时间序列分析方法被广泛应用于经济、气象和过程控制等领域。本章将介绍如下时间序列分析方法，ARIMA 模型、ARCH 族模型、VAR模型、VEC模型、单位根检验及协整检验等。一、基本命令1.1 时间序列数据的处理1)声明时间序列：tsset 命令 use

2、gnp96.dta,clear list in 1/20 gen Lgnp=L.gnp tsset date list in 1/20 gen Lgnp=L.gnp 2)检查是否有断点：tsreport,report use gnp96.dta,clear tsset date tsreport,report drop in 10/10 list in 1/12 tsreport,report tsreport,report list /*列出存在断点的样本信息*/3)填充缺漏值：tsfill tsfill tsreport,report list list in 1/12 4)追加样本：ts

3、append use gnp96.dta,clear tsset date list in-10/-1 sum tsappend ,add(5)/*追加 5 个观察值*/list in-10/-1 sum 精品文档5)应用：样本外预测:predict reg gnp96 L.gnp96 predict gnp_hat list in-10/-1 6)清除时间标识:tsset,clear tsset,clear 1.2 变量的生成与处理1)滞后项、超前项和差分项 help tsvarlist use gnp96.dta,clear tsset date gen Lgnp =L.gnp96 /*一

4、阶滞后*/gen L2gnp=L2.gnp96 gen Fgnp =F.gnp96 /*一阶超前*/gen F2gnp=F2.gnp96 gen Dgnp =D.gnp96 /*一阶差分*/gen D2gnp=D2.gnp96 list in 1/10 list in-10/-1 2)产生增长率变量:对数差分 gen lngnp=ln(gnp96)gen growth=D.lngnp gen growth2=(gnp96-L.gnp96)/L.gnp96 gen diff=growth-growth2 /*表明对数差分和变量的增长率差别很小*/list date gnp96 lngnp gro

5、wth*diff in 1/10 1.3 日期的处理日期的格式 help tsfmt 基本时点：整数数值，如 -3,-2,-1,0,1,2,3.1960年 1 月 1 日，取值为 0；显示格式：定义含义默认格式精品文档%td 日%tdDlCY%tw 周%twCY!ww%tm 月%tmCY!mn%tq 季度%tqCY!qq%th 半年%thCY!hh%ty 年%tyCY 1）使用 tsset 命令指定显示格式 use B6_tsset.dta,clear tsset t,daily list use B6_tsset.dta,clear tsset t,weekly list 2)指定起始时点

6、cap drop month generate month=m(1990-1)+_n-1 format month%tm list t month in 1/20 cap drop year gen year=y(1952)+_n-1 format year%ty list t year in 1/20 3）自己设定不同的显示格式日期的显示格式%d(%td)定义如下：%-td 具体项目释义：“”中可包含如下字母或字符 c y m l n d j h q w _.,:-/!c C Y M L N D J W 定义如下：c and C 世纪值(个位数不附加/附加 0)y and Y 不含世纪值的年

7、份(个位数不附加/附加 0)m 三个英文字母的月份简写(第一个字母大写)M 英文字母拼写的月份(第一个字母大写)n and N 数字月份(个位数不附加/附加 0)精品文档 d and D 一个月中的第几日(个位数不附加/附加 0)j and J 一年中的第几日(个位数不附加/附加 0)h 一年中的第几半年 (1 or 2)q 一年中的第几季度 (1,2,3,or 4)w and W 一年中的第几周(个位数不附加/附加 0)_ display a blank(空格).display a period(句号),display a comma(逗号):display a colon(冒号)-disp

8、lay a dash(短线)/display a slash(斜线)display a close single quote(右引号)!c display character c(code!to display an exclamation point)样式 1：Format Sample date in format -%td 07jul1948%tdM_d,_CY July 7,1948%tdY/M/D 48/07/11%tdM-D-CY 07-11-1948%tqCY.q 1999.2%tqCY:q 1992:2%twCY,_w 2010,48 -样式 2：Format Sample d

9、ate in format -%d 11jul1948%dDlCY 11jul1948%dDlY 11jul48%dM_d,_CY July 11,1948%dd_M_CY 11 July 1948%dN/D/Y 07/11/48%dD/N/Y 11/07/48%dY/N/D 48/07/11%dN-D-CY 07-11-1948 -clear set obs 100 gen t=_n+d(13feb1978)list t in 1/5 精品文档 format t%dCY-N-D /*1978-02-14*/list t in 1/5 format t%dcy_n_d /*1978 2 14*

10、/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

11、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 thanks/3470 25dec20

12、02 x-mas,orient(vert)3）例 3：增加两条纵向的标示线 sysuse tsline2,clear tsset day 精品文档 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(Date(2002)tsline calories,tlabel(,for

13、mat(%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：ttttyy112.1 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

14、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。3)根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。4)进行参数估计，检验是否具有统计意义。5)进行假设检验，诊断残差序列是否为白噪声。6)利用已通过检验的模型进行预测分析。2.2 ARIMA 模型中 AR和 MA阶数的确定方法：clear sim_arma y_a

15、r,ar(0.9)nobs(300)line y_ar _t,yline(0)ac y_ar /*AR过程的 ACF 具有“拖尾”特征，长期记忆*/pac y_ar /*AR过程的 PACF 具有“截尾”特征*/sim_arma y_ma,ma(0.8)精品文档 line y_ma _t,yline(0)ac y_ma /*MA过程的 ACF 具有“截尾”特征，短期记忆*/pac y_ma /*MA过程的 PACF 具有锯齿型“拖尾”特征*/2.3 ARIMA 模型中涉及的检验：use http:/www.stata- tsset t gen d_wpi=D.wpi dfuller wpi/*

16、单位根检验*/dfuller d_wpi wntestq wpi/*白噪声检验：Q检验*/wntestq d_wpi wntestb wpi,table/*累积统计Q检验并以列表显示*/wntestb d_wpi,table wntestb wpi /*画出累积统计量Q*/wntestb d_wpi /*画出累积统计量Q*/corrgram wpi,lag(24)/*自相关、偏相关、Q统计量*/corrgram d_wpi,lag(24)2.4 ARIMA 模型和 SARIMA 模型的估计ARIMA 模型：use http:/www.stata- gen d_wpi=D.wpi arima w

17、pi,arima(1,1,1)/*没有漂移项即常数项的命令是noconstant*/*或者下面的这种形式也行arima D.wpi,ar(1)ma(1)SARIMA 模型：use http:/www.stata- line air t generate lnair=ln(air)arima lnair,arima(0,1,1)sarima(0,1,1,12)noconstant 2.5 ARIMA 模型的一个真实应用美国批发物价指数use http:/www.stata- dfuller wpi/*单位根检验*/gen d_wpi=D.wpi dfuller d_wpi arima wpi,a

18、rima(1,1,1)/*没有漂移项即常数项的命令是noconstant*/*或者下面的这种形式也行arima D.wpi,ar(1)ma(1)精品文档ac D.ln_wpi,ylabels(-.4(.2).6)pac D.ln_wpi,ylabels(-.4(.2).6)arima D.ln_wpi,ar(1)ma(1/4)estat ic/*LL 越大越好,AIC 和 BIC 越小越好*/arima D.ln_wpi,ar(1)ma(1 4)/*季节效应 */estat ic*残差检验predict r,res wntestq r/*白噪声检验：Q检验*/wntestb r,table/*

19、累积统计Q检验并以列表显示*/wntestb r /*画出累积统计量Q*/corrgram r,lag(24)/*自相关、偏相关、Q统计量*/*样本内预测predict y_hat0 /*y的拟合值 */*样本外预测list in-15/-1 tsappend,add(8)list in-15/-1 predict y_hat1 /*y 的样本外一步预测值*/list in-15/-1 gen Dln_wpi=D.ln_wpi sum predict y_hat_dy0,dynamic(124)/*动态预测*/predict y,y /*对未差分变量的预测*/predict fy,y dyna

20、mic(124)gen fwpi=exp(fy)/*实际 wpi 的预测值*/gen ywpi=exp(y)line wpi fwpi ywpi t in-20/-1 三、ARCH 模型传统的计量经济学对时间序列变量的第二个假设：假定时间序列变量的波动幅度（方差）是固定的，不符合实际，比如，人们早就发现股票收益的波动幅度是随时间而变化的，并非常数。这使得传统的时间序列分析对实际问题并不有效。但是 ARCH 模型能准确地模拟时间序列变量的波动性的变化，它在金融工程学的精品文档实证研究中应用广泛，使人们能更加准确地把握风险（波动性），尤其是应用在风险价值（VALUE AT RISK）理论中，在华尔

21、街是人尽皆知的工具。所谓 ARCH 模型，按照英文直译是自回归条件异方差模型。粗略地说，该模型将当前一切可利用信息作为条件，并采用某种自回归形式来刻划方差的变异，对于一个时间序列而言，在不同时刻可利用的信息不同，而相应的条件方差也不同，利用 ARCH 模型，可以刻划出随时间而变异的条件方差。ARCH(m)模型：（条件方差）（条件平均值）222221102mtmttttttxy其中，2是残差平方和（波动率）i是 ARCH 模型的系数GARCH(m,k)模型：2222211222221102ktkttmtmttttttxy其中，i是 ARCH 模型的系数；i是 GARCH 系数3.1 ARCH模型

22、应用例子：.use http:/www.stata- D.ln_wpi Source|SS df MS Number of obs=123-+-F(0,122)=0.00 Model|0 0 .Prob F =.Residual|.02521709 122 .000206697 R-squared =0.0000-+-Adj R-squared=0.0000 Total|.02521709 122 .000206697 Root MSE =.01438-D.ln_wpi|Coef.Std.Err.t P|t|95%Conf.Interval-+-_cons|.0108215 .0012963

23、8.35 0.000 .0082553 .0133878-.estat archlm,lags(1)LM test for autoregressive conditional heteroskedasticity(ARCH)-lags(p)|chi2 df Prob chi2-+-1|8.366 1 0.0038 精品文档-H0:no ARCH effects vs.H1:ARCH(p)disturbance 通过对 WPI的对数差分进行常数回归，接着用 LM检验来判断 ARCH(1)效应,在该例子中，检验的结果PROB CHI2 0.0038 chi2 =.-|OPG D.ln_wpi|C

24、oef.Std.Err.z P|z|95%Conf.Interval-+-ln_wpi|_cons|.0061167 .0010616 5.76 0.000 .0040361 .0081974-+-ARCH|arch|L1.|.4364123 .2437428 1.79 0.073 -.0413147 .9141394|garch|L1.|.4544606 .1866605 2.43 0.015 .0886126 .8203085|_cons|.0000269 .0000122 2.20 0.028 2.97e-06 .0000508-这样，我们就可以估计出了ARCH(1)的系数是0.436,

25、GARCH(1)的系数是0.454,所以我们可以拟合出GARCH(1,1)模型：21212454.0436.00061.0ttttty)ln()ln(1tttwpiwpiy其中，接下来我们可以对变量的进行预测：predict xb,xb /*对差分变量的预测*/predict y,y /*对未差分变量的预测*/predict variance,var/*对条件方差的预测*/predict res,residuals/*对差分变量残差的预测*/predict yres,yresiduals /*对未差分变量残差的预测*/3.2 ARCH模型的确定以及检验精品文档例子：use http:/www.

26、stata- *-检验 ARCH 效应是否存在：archlm 命令 regress D.ln_wpi archlm,lag(1/20)regress D.ln_wpi L(1/3).D.ln_wpi archlm,lag(1/20)*图形法自相关函数图(ac)reg D.ln_wpi predict e,res gen e2=e2 ac e2,lag(40)gen dlnwpi=D.ln_wpi gen dlnwpi2=dlnwpi2 ac dlnwpi2,lag(40)*精简模型：ARCH(1)*保守模型：ARCH(4)*-预测值 arch D.ln_wpi,arch(1/4)predict

27、 ht,variance /*条件方差*/*ht=c+a_1*e2_t-1+a_2*e2_t-2+.+a_5*e2_t-5 line ht t predict et,residual /*均值方程的残差*/*-模型的评估 *基本思想：*若模型设定是合适的，那么标准化残差 *z_t=e_t/sqrt(h_t)*应为一个 i.i.d 的随机序列，即不存在序列相关和ARCH 效应；gen zt=et/sqrt(ht)/*标准化残差*/gen zt2=zt2 /*标准化残差的平方*/*序列相关检验 pac zt corrgram zt /*Ljung-Box 统计量*/pac zt2 corrgram

28、 zt2 精品文档 *正态分布检验 histogram zt,normal wntestb zt wntestb zt2 *评论：均值方程的设定可能需要改进，因为 zt 仍然表现出明显的序列相关。*条件方差方程的设定基本满足要求，zt2 不存在明显的序列相关。3.3 ARIMA 过程的 ARCH 模型我们可以对条件方差模型保持ARCH(1,1)模型而均值模型采用ARMA 过程的自回归一阶和移动平均一阶农以及移动平均四阶来控制季节影响：.use http:/www.stata- D.ln_wpi,ar(1)ma(1 4)arch(1)garch(1)ARCH family regression-

29、ARMA disturbances Sample:1960q2-1990q4 Number of obs =123 Distribution:Gaussian Wald chi2(3)=153.56 Log likelihood=399.5144 Prob chi2 =0.0000-|OPG D.ln_wpi|Coef.Std.Err.z P|z|95%Conf.Interval-+-ln_wpi|_cons|.0069541 .0039517 1.76 0.078 -.000791 .0146992-+-ARMA|ar|L1.|.7922673 .1072225 7.39 0.000 .58

30、2115 1.002419|ma|L1.|-.3417738 .1499944 -2.28 0.023 -.6357574 -.0477902 L4.|.2451725 .1251131 1.96 0.050 -.0000446 .4903896-+-ARCH|arch|L1.|.2040451 .1244992 1.64 0.101 -.039969 .4480591|garch|L1.|.694968 .189218 3.67 0.000 .3241075 1.065829|精品文档 _cons|.0000119 .0000104 1.14 0.253 -8.52e-06 .0000324

31、-为使上述的模型估计变得清楚明了，我们可以将模型表示为：虽然 arch 系数 0.204 是不显著，但是 ARCH(1)和 GARCH(1)系数整体是显著的。我们可以通过下面来进行检验：.test ARCHL1.arch ARCHL1.garch (1)ARCHL.arch=0 (2)ARCHL.garch=0 chi2(2)=84.92 Prob chi2=0.0000 3.4 非对称效应的 EGARCH 模型还是以美国的 WPI数据为例，我们可能认为整个经济对于整体物价的异常上涨产生的波动要比异常的下降大。可能异常的上涨导致影响存货的现金流问题从而导致更大的波动。数据中存在这种不对称效应，

32、就需要对原先的ARCH 模型加以修正，EGARCH模型就是修正的结果。.use http:/www.stata- D.ln_wpi,ar(1)ma(1 4)earch(1)egarch(1)ARCH family regression-ARMA disturbances Sample:1960q2-1990q4 Number of obs =123 Distribution:Gaussian Wald chi2(3)=156.04 Log likelihood=405.3145 Prob chi2 =0.0000-|OPG D.ln_wpi|Coef.Std.Err.z P|z|95%Conf

33、.Interval-+-ln_wpi|_cons|.0087355 .0034008 2.57 0.010 .0020702 .0154009-+-ARMA|ar|L1.|.76923 .0968298 7.94 0.000 .579447 .959013|精品文档 ma|L1.|-.3554615 .1265657 -2.81 0.005 -.6035258 -.1073972 L4.|.2414685 .0863807 2.80 0.005 .0721655 .4107715-+-ARCH|earch|L1.|.4064263 .1163501 3.49 0.000 .1783842 .6

34、344684|earch_a|L1.|.2467514 .1233374 2.00 0.045 .0050145 .4884883|egarch|L1.|.8417241 .0704075 11.96 0.000 .7037279 .9797204|_cons|-1.488437 .6604335 -2.25 0.024 -2.782863 -.194011-方差模型的结果如下：3.4 限制条件的 ARCH 模型条件方差模型可以设定为：在 stata里，运行出来的模型是：例子：.use http:/www.stata- 1(3/4)*ARCHl1.arch=ARCHl2.arch.constr

35、aint 2(2/4)*ARCHl1.arch=ARCHl3.arch.constraint 3(1/4)*ARCHl1.arch=ARCHl4.arch.arch D.ln_wpi,ar(1)ma(1 4)arch(1/4)constraints(1/3)ARCH family regression-ARMA disturbances Sample:1960q2-1990q4 Number of obs =123 Distribution:Gaussian Wald chi2(3)=123.32 Log likelihood=399.4624 Prob chi2 =0.0000 精品文档(1

36、).75*ARCHL.arch-ARCHL2.arch=0 (2).5*ARCHL.arch-ARCHL3.arch=0 (3).25*ARCHL.arch-ARCHL4.arch=0-|OPG D.ln_wpi|Coef.Std.Err.z P|z|95%Conf.Interval-+-ln_wpi|_cons|.0077204 .0034531 2.24 0.025 .0009525 .0144883-+-ARMA|ar|L1.|.7388168 .1126811 6.56 0.000 .517966 .9596676|ma|L1.|-.2559691 .1442861 -1.77 0.0

37、76 -.5387646 .0268264 L4.|.2528922 .1140185 2.22 0.027 .02942 .4763644-+-ARCH|arch|L1.|.2180138 .0737787 2.95 0.003 .0734101 .3626174 L2.|.1635103 .055334 2.95 0.003 .0550576 .2719631 L3.|.1090069 .0368894 2.95 0.003 .0367051 .1813087 L4.|.0545034 .0184447 2.95 0.003 .0183525 .0906544|_cons|.0000483

38、 7.66e-06 6.30 0.000 .0000333 .0000633-四、VAR 模型向量自回归介绍：当我们对变量是否真是外生变量的情况不自信时，传递函数分析的自然扩展就是均等地对待每一个变量。在双变量情况下，我们可以令 yt 的时间路径受序列zt 的当期或过去的实际值的影响，考虑如下简单的双变量体系式（5.17）和（5.18）并非是诱导型方程，因为yt 对 zt 有一个同时期的影响，而 zt 对 yt 也有一个同时期的影响。所幸的是，可将方程转化为更实用的形式，使用矩阵性代数，我们可将系统写成紧凑形式：精品文档其中也等价于：在实际的应用估计中，我们并不能够直接估计出结构性VAR方程，

39、因为在VAR过程中所固有的反馈，直接进行估计的话，则zt 与误差项yt相关，yt 与误差项zt相关，但是标准估计要求回归变量与误差项不相关。精品文档因为在识别结构 VAR方程时，需要对估计变量进行约束，这样子也就造成了在进行标准 VAR估计后，求正交化的脉冲响应函数时，进行估计的变量排列序列会造成脉冲响应函数有些区别。因为在求正交化的脉冲响应函数时，是要得到变量的独立冲击，是要求出各自的yt和zt以及其滞后 n 项。脉冲响应函数 用于衡量来自随机扰动项的冲击对内生变量当前和未来值的影响。精品文档方差分解 是将系统的预测均方误差分解成为系统中各变量冲击所做的贡献，把系统中任意一个内生变量的波动按

40、其成因分解为与各方程新息相关联的若干个组成部分，从而了解各新息对模型内生变量的相对重要性，即变量的贡献占总贡献的比例。Granger 非因果性检验：（1）滞后期 k 的选取以 VAR 为依据。实际中是一个判断性问题。以 xt和 yt 为例，如果 xt-1 对 yt存在显著性影响，则不必再做滞后期更长的检验。如果 xt-1对 yt不存在显著性影响，则应该再做滞后期更长的检验。一般来说要试检验若干个不同滞后期 k的格兰杰因果关系检验，且结论相同时，才可以最终下结论。（2）格兰杰非因果性。（3）通常总是把 xt-1 对 yt 存在非因果关系表述为 xt（去掉下标-1）对yt 存在非因果关系（严格讲，

41、这种表述是不正确的）。（4）Granger 非因果性检验只在平稳变量之间进行。不存在协整关系的非平稳变量之间不能进行格兰杰因果关系检验。（5）格兰杰因果关系不是哲学概念上的因果关系。一则他表示的是 xt-1对 yt 的影响。二则它只是说明 xt可以作为 yt 变化的预测因子。VAR 模型的特点是：（1）不以严格的经济理论为依据。在建模过程中只需明确两件事：共有哪些变量是相互有关系的，把有关系的变量包括在 VAR 模型中；确定滞后期k。使模型能反映出变量间相互影响的绝大部分。（2）VAR 模型对参数不施加零约束。（对无显着性的参数估计值并不从模型中剔除，不分析回归参数的经济意义。）（3）VAR模

42、型的解释变量中不包括任何当期变量，所有与联立方程模型有关的问题在 VAR 模型中都不存在（主要是参数估计量的非一致性问题）。（4）VAR 模型的另一个特点是有相当多的参数需要估计。比如一个 VAR 模型含有三个变量，最大滞后期 k=3，则有 kN2=332=27 个参数需要估计。当样本容量较小时，多数参数的估计量误差较大。（5）无约束 VAR 模型的应用之一是预测。由于在 VAR 模型中每个方程的右侧都不含有当期变量，这种模型用于样本外一期预测的优点是不必对解释变量在预测期内的取值做任何预测。（6）用 VAR模型做样本外近期预测非常准确。做样本外长期预测时，则只能预测出变动的趋势，而对短期波动

43、预测不理想。（7）VAR模型中每一个变量都必须具有平稳性。如果是非平稳的，则必须具有协整关系。西姆斯（Sims）认为 VAR模型中的全部变量都是内生变量。近年来也有学者认为具有单向因果关系的变量，也可以作为外生变量加入VAR 模型。4.1 滞后阶数的选择在 VAR模型中，正确选择模型的滞后阶数对于模型估计和协整检验都产生一定的影响，在小样本中情况更是如此。Stata 中 varsoc 命令给出了滞后阶数选精品文档择的几种标准，包括最终预测误差（Final Prediction Error,FPE）、施瓦茨信息准则（Schwarzs Bayesian Information Criterion,

44、SBIC）、汉南昆（Hannan and Quinn Information Criterion,HQIC）。对于这些检验，相对于默认的算法，还有另一种算法是lutstats，其运行出来的结果有差别，但对于判断没有多大的影响。例子：.use http:/www.stata- SA West German macro data,Bil DM,from Lutkepohl 1993 Table E.1).varsoc dln_inv dln_inc dln_consump if qtr=tq(1978q4),lutstats Selection-order criteria(lutstats)Sa

45、mple:1961q2-1978q4 Number of obs =71 +-+|lag|LL LR df p FPE AIC HQIC SBIC|-+-|0|564.784 2.7e-11 -24.423 -24.423*-24.423*|1|576.409 23.249 9 0.006 2.5e-11 -24.497 -24.3829 -24.2102|2|588.859 24.901*9 0.003 2.3e-11*-24.5942*-24.3661 -24.0205|3|591.237 4.7566 9 0.855 2.7e-11 -24.4076 -24.0655 -23.5472|

46、4|598.457 14.438 9 0.108 2.9e-11 -24.3575 -23.9012 -23.2102|+-+Endogenous:dln_inv dln_inc dln_consump Exogenous:_cons 对于给定的一个 p 阶，LR检验将比较 p 阶的 VAR 和 p-1 阶的 VAR。其检验的虚无假设是内生变量的第p 阶系数为零。通过这一连串的LR检验来筛选阶数，我们一般从模型的最大阶数检验的结果开始，也即是表格的底部。第一个拒绝虚无假设的检验的阶数就是这个过程所选择的阶数。对于其余的统计检验，最小阶数的确定是根据一定的判断准则来选择的，带“*”表示最适阶数。

47、严格来讲，FPE 不是一个信息判断准则，尽管我们把它加到判断中来，这是因为根据信息判断准则，我们选择的滞后长度要对应最小的值；自然，我们也想要最小化它的预测误差。AIC 准则是测量设定模型和实际模型的差异，这也是我们要尽可能小的。SBIC和 HQIC准则的解释与 AIC 很相似，但 SBIC和 HQIC比 AIC 和 FPE有理论上的优势。在实际判断中，我们要根据上述的这些检验结果，尽可能的选择满足较多的检验的滞后阶数。4.2 模型的估计VAR 模型在 stata 里的命令为 var。其中默认的是 2 阶滞后。命令格式：var depvarlist if in,optionsoptions包括

48、：noconstant 没有常数项lags(numlist)滞后阶数exog(varlist)外生变量dfk 自由度调整small 小样本 t、F 统计量lutstats Lutkepohl滞后阶数选择统计量精品文档例子 1：.use http:/www.stata- SA West German macro data,Bil DM,from Lutkepohl 1993 Table E.1).var dln_inv dln_inc dln_consump if qtrchi2-dln_inv 7 .046148 0.1286 9.736909 0.1362 dln_inc 7 .011719

49、 0.1142 8.508289 0.2032 dln_consump 7 .009445 0.2513 22.15096 0.0011-|Coef.Std.Err.z P|z|95%Conf.Interval-+-dln_inv|dln_inv|L1.|-.3196318 .1254564 -2.55 0.011 -.5655218 -.0737419 L2.|-.1605508 .1249066 -1.29 0.199 -.4053633 .0842616|dln_inc|L1.|.1459851 .5456664 0.27 0.789 -.9235013 1.215472 L2.|.11

50、46009 .5345709 0.21 0.830 -.9331388 1.162341|dln_consump|L1.|.9612288 .6643086 1.45 0.148 -.3407922 2.26325 L2.|.9344001 .6650949 1.40 0.160 -.369162 2.237962|_cons|-.0167221 .0172264 -0.97 0.332 -.0504852 .0170409-+-dln_inc|dln_inv|L1.|.0439309 .0318592 1.38 0.168 -.018512 .1063739 L2.|.0500302 .03