的模型。
窗口：Statistics——Time-series——TEST——ADF 单位根检验（第一个）在里面你也可以选择滞后期数，常数项等等。 如何看结果：
原假设为：至少存在一个单位根；备选假设为：序列不存在单位根。 如果统计量小于后面的显着性水平给出的值且P 值很大——有单位； 如果统计量大于后面的显着性水平给出的值且 P 值很小——无单位根 ADF 检验需要注意的地方：
（1）必须为回归定义合理的滞后阶数，通常采用AIC 准则来确定给定时间序列模型的滞后阶数。在实际应用中，还需要兼顾其他的因素，如系统的稳定性、模型的拟合优度等。
（2）可以选择常数和线性时间趋势，选择哪种形式很重要，因为检验显着性水平的 t 统计量在原假设下的渐进分布依赖于关于这些项的定义。 ① 如果在检验回归中含有常数，意味着所检验的序列的均值不为 0，一个简单易行的办法是画出检验序列的曲线图，通过图形观察原序列是否在一个偏离 0 的位臵随机变动，进而决定是否在检验时添加常数项；
② 如果在检验回归中含线性趋势项，意味着原序列具有时间趋势。同样，决定是否在检验中添加时间趋势项，也可以通过画出原序列的曲线图来观察。如果图形中大致显示了被检验序列的波动趋势随时间变化而变化，那么便可以添加时间趋势项。 2、Phillips-Perron 检验
命令：pperron var , (,lags(#)/trend/noconstant/regress/)对变量做 PP
检验可以加滞后期或趋势项或不含常数项等等这些取决于你的模型。 窗口操作：Statistics——Time-series——TEST——PP 单位根检验(第三个) 如何看结果：
同ADF 一样 原假设为：至少存在一个单位根；备选假设为：序列不存在单位根。
P 值越小（统计量大于各显着性水平值）——不存在单位根 P 值越大（统计量小于各显着性水平值）——存在单位根
向量自相关回归VAR 模型
向量自回归（VAR）模型是AR 模型的多元扩展，用以反映在一个系统中的多个变量之间的动态影像，格兰杰因果检验、脉冲响应、方差分解都是 VAR 模型中重要的分析工具。
与VAR 模型相关的STATA 命令与解析
1、
VAR 模型的估计 STATA 命令：
var 解释变量 （，无常数项noconstant/滞后期lags(n)/ 外生变量exog(varlist)/constraints(numlist)线性约束的个数
{注意：使用线性约束要提前定义，详情见建模中的各种小问题}/LIKEPOHL 滞后阶数选择的统计量lutstats）
窗口操作：Statistics——Multivariate time series——VAR(第二项) 如何看结果：
保存估计结果的命令：est store 名称
2． VAR 模型平稳性
STATA 命令：varstable(，graph 表示画出图形)
如何看结果：特征值都在圆内，即都小于1，表示VAR 模型稳定
窗口操作：Statistics ——Multivariate time series ——VAR diagnostics and tests——check stability condition of VAR estimates 3． VAR 阶数的选择——滞后阶数的确定
在VAR 模型中，正确的选择模型的滞后阶数，对于模型的估计和协整检验都产生一定的影响，小样本情况更是如此。 （1）STATA 命令：用于VAR 模型估计之前
varsoc 解释变量（，没有常数项noconstant/最高滞后 期 maxlag(#)/ 外 生 变 量 exog(varlist)/ 线 性 约 束 条 件 constraints(numlist)） （2）命令：用于模型估计之后
解释变量（，estimates(estname)） 其中，estname 表示已经估计的VAR 模型的名字。
（1）（2）如何看结果：找最显着的阶数作为其滞后项（一般会标有 ※） （3）命令：用于模型估计之后（Wald 滞后排除约束检验） Varwle 窗口操作：Statistics——Multivariate time series——VAR diagnostics and tests——第一第二项 如何看结果：看不同阶数上的联合显着性，看P 值，越小越显着，表示存在该阶滞后项。 4． 残差的正态性与自相关检验 STATA 命令：
1. 先进行var 回归 2. varnorm 如何看结果：
原假设是服从正态分布
P 值越小越显着拒绝原假设——不服从正态分布 P 值越大越不显着拒绝，原假设成立——服从正态分布
自相关：窗口操作：Statistics——Multivariate time series—— VAR diagnostics and tests——LM Test
正态分布：窗口操作：Statistics——Multivariate time series ——VAR diagnostics and tests——Test for normally(倒数第三项) 5． Granger 因果关系检验
格兰杰因果关系不同于我们平常意义上的因果关系，它是指一个变量对于另外一个变量具有延期影响。
格兰杰因果关系检验有助于表明变量间的动态影响，有助于提高模型的预测效果。 命令格式： 1. 先进行var
2. 再进行格兰杰因果检验vargranger
如何看结果：看P 值的显着性，越小说明存在越强的因果关系，相反 P 值越大说明两者的因果关系不明显。
窗口操作：Statistics——Multivariate time series——Granger causality test
相关推荐：
loading