stata构建ARIMA模型并作预测,命令及过程
1、模型介绍
ARIMA模型(差分整合移动平均自回归模型)有AR和MA模型,分别是自回归和滑动平均,I是差分的意思一般根据AC和PC(自相关和偏自相关图)的拖尾截尾特性选择。针对的是时间平稳序列
图表 模型选择指引-可自行总结列出
模型 |
AR(q) |
MA(q) |
ARMA(p,q) |
ρ(k) |
拖尾 |
截尾 |
拖尾 |
截尾 |
拖尾 |
拖尾 |
ARIMA(p, d, q)模型中,p和q是自回归和平均移动阶数,d为差分阶数。
2、选取数据
- 变量及解释说明
- 模型变量描述性统计 stata命令: summarize
3、模型过程
- 由于是时间序列变量,所以设置时间 一般stata数据会识别不了word的日期,我当初设置了很多次时间序列,包括季度、月度、年度,所以基本上用其中一个就行
- 指令:
- gen time2=_n;tsset time2
- gen timen = date(time,"YM");‘format timen %td;gen ti = mofd(timen) ;format ti %tm
- 平稳性检验-ADF检验 stata命令:dfuller blr,trend
变量 |
ADF统计量 |
1%临界值 |
5%临界值 |
10%临界值 |
检验结果 |
BLR |
-4.156 |
-4.104 |
-3.479 |
-3.167 |
平稳 |
由上表的检验结果,BLR的t值小于1%临界值,拒绝存在单位根的原假设,序列平稳。假设1正确。
有的时候原变量不平稳,可对其差分后再对差分后变量ADF检验 stata命令:gen blr1=d.blr dfuller blr1,trend
还可进行二阶差分,但一阶不平稳得做二阶,经济意义不大stata命令:gen blr2=d2.blr dfuller blr2,trend
- 使用偏自相关图,确认阶数
- Stata命令:
predict blr1_RES, resid
corrgram blr1_RES
ac blr1
pac blr1
分析:由BLR一阶差分自相关图和偏自相关图,自相关图的短期(阶数为5期),自相关系数衰减快,具有短期自相关性,表现为拖尾。除了延迟4期和14期跳出阴影图,其余均落在2倍标准误范围内,绕零值做上下不超过0.2的波动。偏自相关图的短期(阶数为5期),自相关系数衰减快,具有短期自相关性,表现为拖尾。除了延迟4期、14期和18期跳出阴影图,其余均落在2倍标准误范围内,绕零值做上下不超过0.1的波动。
- ARIMA模型估计
arima blr1,arima(1,1,1)
参数 |
估计值 |
标准误 |
z |
P值 |
AR |
||||
MA |
||||
Cons |
- 残差自相关和偏自相关图,主要看p值
分析:由上图残差自相关和偏自相关图,原假设为序列不相关,上图中除了4、5、6、7阶的p值小于0.05,接收原假设不存在自相关,其他的阶数存在自相关。
- 残差序列白噪声检验,主要看p值
wntestq blr1_RES,lag(15)
分析:由上图残差序列的统计量P值大于显著性检验水平0.05,可认为残差序列即为白噪声序列,构建不良贷款率一阶残差序列ARIMA模型成功。
Lag |
Q statistic |
Prob |
3 |
4.9045 |
0.1789 |
10 |
15.3126 |
0.1211 |
15 |
23.1175 |
0.0817 |
30 |
32,6544 |
0.3377 |
4、可做预测图
Stata的命令是:predict predict_blr
label variable predict_blr"predicted blr"
tsline blr1 predict_blr, lcolor(blue red) lwidth(medium medithic)
xtitle("time") xlabel(, grid gmax gmin) ytitle("compare")
ylabel(, grid gmax gmin) ylabel(0. lcolor(gs12))
stata构建ARIMA模型并作预测,命令及过程相关推荐
- 时序预测构建ARIMA模型时报错:NotImplementedError: statsmodels.tsa.arima_model.ARMA and statsmodels.tsa.arima_
在我时序预测构建ARIMA模型时出现报错: NotImplementedError: statsmodels.tsa.arima_model.ARMA and statsmodels.tsa.arim ...
- 如何用ARIMA模型做预测?
1.作用 ARIMA模型的全称叫做自回归移动平均模型,是统计模型中最常见的一种用来进行时间序列预测的模型. 2.输入输出描述 输入:特征序列为1个时间序列数据定量变量 输出:未来N天的预测值 3.学习 ...
- R语言构建xgboost模型、预测推理:输出预测概率、预测标签
R语言构建xgboost模型.预测推理:输出预测概率.预测标签 目录 R
- R语言使用lm函数构建带交互项的多元回归模型、使用step函数构建逐步回归模型筛选预测变量的最佳子集(step regression)
R语言使用lm函数构建带交互项的多元回归模型.使用step函数构建逐步回归模型筛选预测变量的最佳子集(step regression) 目录
- 构建ARIMA模型对数据进行预测的案例(尺度5min)
需求: 构建ARIMA(p,d,q)模型首先根据时间序列的折线图对序列进行初步的平稳性判断,并采用ADF单位根对序列的平稳性进行检验,对非平稳的时间序列,进行差分处理,直至成为平稳序列,差分的次数即为 ...
- arima 预测模型_预测未来:学习使用Arima模型进行预测
arima 预测模型 XTS对象 (XTS Objects) If you're not using XTS objects to perform your forecasting in R, the ...
- AR、MA、ARMA和ARIMA模型------时间序列预测
ARMA模型的全称是自回归移动平均模型,它是目前最常用的拟合平稳序列的模型.它又可以细分为AR模型.MA模型和ARMA三大类.都可以看做是多元线性回归模型. AR模型 具有如下结构的模型称为阶自回归模 ...
- ARIMA模型来预测股票数据
本篇博文主要介绍如何用ARIMA模型来对股票数据做时序预测的. 文章目录 获取数据 数据预处理 模型识别 假设检验 模型预测 获取数据 这里用的是tushare库,得到万科股票半年的数据. impor ...
- 问一下matlab里ARIMA模型咋预测
n1这个是数据 dylog_h_adf = adftest(n1) dylog_h_kpss = kpsstest(n1)%稳定性判断 %结果是1 1 不稳定 data=diff(data) dylo ...
- Python3实现基于ARIMA模型来预测茅台股票价格趋势
最新文章
- boost::unorder_map如何插入元素_「React」如何在React中优雅的实现动画
- 离开一线互联网大厂的年轻人在想什么?
- Docker Machine 简介
- 科大星云诗社动态20210318
- Ucenter社区服务搭建
- Android典型界面设计(3)——访网易新闻实现双导航tab切换
- acwing2041. 干草堆(差分数组)
- (转)Caffe搭建:常见问题解决办法和ubuntu使用中遇到问题(持续更新)
- 优化MySQL的数据库性能的八种方法
- join和子查询效率_SparkSQL连接查询中的谓词下推处理(上)
- MediaInfo源代码分析 1:整体结构
- mysql基础2-数据库的相关操作
- JavaScript 带给学习者的意外和深入认识
- c语言 api接口测试工具,Restlet Client插件
- bootice安装grub2-00 到硬盘或者U盘mbr
- 第6章 索引和数据完整性
- Android:系统日历同步日程
- sudo: no valid sudoers sources found,quitting sudo sudoers改坏后无法使用sudo的解决办法
- 如何解决移动端300ms延迟
- C IN ARM64 汇编基础-变量与表达式-基于The C Programming Language - Second Edition
热门文章
- linux格式化硬盘fat32,linux格式化硬盘教程 linux格式化硬盘教程是什么
- android发送语音动画,Android仿微信发送语音消息的功能及示例代码
- 如何写出一份让面试官刮目相看的高质量简历
- Hbase、elasticsearch整合中jar包冲突
- 嵌入式系统开发笔记33:关于“人生苦短,我学Python”这句话的由来
- 联想G460刷slic2.1激活Win7旗舰版
- 自媒体平台数据统计分析爬虫之【一点号】模拟登陆分析详解及数据统计接口详解
- springMVC注解的意思
- 重点分析!转型中的好莱坞发生了哪些变局?
- pentaho mysql_pentaho移植到MySQL