开启辅助访问
 找回密码
 立即注册

【Stata时间序列】ARIMA 模型中如何定阶?

lostrun 回答数2 浏览数16085
关于 Stata 时间序列的处理,我前面写过两篇文章分享了一些基础知识和概念。
(1)盲区行者王:【Stata时间序列】时间序列定义 - Defining Time-Series in Stata
(2) 盲区行者王:【Stata时间序列】AR/MA/ARIMA模型及定阶问题
接下来,我们将使用真实的数据建立ARIMA模型,并基于该模型进行预测和评估。
<hr/>1. ARIMA(p, d, q)模型简介


  • AR(p),变量的自回归部分,即用变量的p个滞后期对当期进行建模
  • I(d),d阶差分
  • MA(q),残差的q个滞后期加入模型(当期的残差也保留在模型)
  • 以上3个都是平稳过程。所以MA(q) 残差序列是个白噪声序列
  • 所谓平稳:单位根的值全部在单位圆之外
  • p和q定阶:可通过AIC/BIC。且通常p+q <= 5
  • 模型估计后,若残差不是白噪声,应考虑增加阶数
<hr/>2. 导入数据和数据探索

该数据是美国1960q1~1990q1的批发价格指数的时间序列。
**A导入数据
use "D:\Stata\wpi.dta", clear

*数据整理
tsset t
gen lnwpi = ln(wpi)
tsline wpi lnwpi


tsline wpi lnwpi

从图中可以看出,对数化后的lnwpi已经比较平稳,适合用来建模。
<hr/>3. ARIMA定阶

ac lnwpi, xline(10)
pac lnwpi


ac lnwpi, xline(10)

从图中可以看出,AC拖尾。所以q我们可以定在2,最终的阶数换成AIC/BIC来界定。



pac lnwpi

PAC:从PAC图中可以看出,我们可以p把定在2阶。
<hr/>4. ARIMA建模

我们可以先尝试ARIMA(2, 0, 2),然后再对比更低阶的组合。
. arima lnwpi, arima(2, 0, 2)

(setting optimization to BHHH)
Iteration 0:   log likelihood = -1283.2761  
Iteration 1:   log likelihood = -103.11292  
Iteration 2:   log likelihood =  341.39364  
Iteration 3:   log likelihood =  358.77798  
Iteration 4:   log likelihood =   367.6482  
(switching optimization to BFGS)
Iteration 5:   log likelihood =  369.83366  
Iteration 6:   log likelihood =  372.04944  
Iteration 7:   log likelihood =  373.17791  
Iteration 8:   log likelihood =   377.9509  
Iteration 9:   log likelihood =  379.67962  
Iteration 10:  log likelihood =  379.81083  
Iteration 11:  log likelihood =  379.82898  
Iteration 12:  log likelihood =  379.83179  
Iteration 13:  log likelihood =  379.83388  
Iteration 14:  log likelihood =  379.83542  
(switching optimization to BHHH)
Iteration 15:  log likelihood =  379.83566  
Iteration 16:  log likelihood =  379.83572  
Iteration 17:  log likelihood =  379.83573  
Iteration 18:  log likelihood =  379.83573  
Iteration 19:  log likelihood =  379.83574  
(switching optimization to BFGS)
Iteration 20:  log likelihood =  379.83574  
Iteration 21:  log likelihood =  379.83574  
Iteration 22:  log likelihood =  379.83574  
Iteration 23:  log likelihood =  379.83574  
Iteration 24:  log likelihood =  379.83574  
Iteration 25:  log likelihood =  379.83574  

ARIMA regression

Sample:  1960q1 - 1990q4                        Number of obs     =        124
                                                Wald chi2(4)      =  700423.10
Log likelihood =  379.8357                      Prob > chi2       =     0.0000

------------------------------------------------------------------------------
             |                 OPG
       lnwpi |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
lnwpi        |
       _cons |   4.155654   .5365695     7.74   0.000     3.103998    5.207311
-------------+----------------------------------------------------------------
ARMA         |
          ar |
         L1. |   1.948445   .0453341    42.98   0.000     1.859592    2.037298
         L2. |  -.9490278   .0453945   -20.91   0.000       -1.038   -.8600562
             |
          ma |
         L1. |  -.5230613   .0867427    -6.03   0.000    -.6930739   -.3530488
         L2. |  -.0215154   .0940398    -0.23   0.819    -.2058301    .1627992
-------------+----------------------------------------------------------------
      /sigma |   .0108905   .0004617    23.59   0.000     .0099855    .0117955
------------------------------------------------------------------------------
Note: The test of the variance against zero is one sided, and the two-sided
      confidence interval is truncated at zero.

. estat ic //AIC/BIC

Akaike's information criterion and Bayesian information criterion

-----------------------------------------------------------------------------
       Model |          N   ll(null)  ll(model)      df        AIC        BIC
-------------+---------------------------------------------------------------
           . |        124          .   379.8357       6  -747.6715  -730.7498
-----------------------------------------------------------------------------其中ma的二阶项不显著。
我们转向(2,0,1)。
. arima lnwpi, arima(2, 0, 1)

(setting optimization to BHHH)
Iteration 0:   log likelihood = -527.79871  
Iteration 1:   log likelihood =   55.48948  
Iteration 2:   log likelihood =  304.69711  
Iteration 3:   log likelihood =   359.9311  
Iteration 4:   log likelihood =  369.31001  
(switching optimization to BFGS)
Iteration 5:   log likelihood =  369.50296  
Iteration 6:   log likelihood =  376.48981  
Iteration 7:   log likelihood =  378.49434  
Iteration 8:   log likelihood =  379.46257  
Iteration 9:   log likelihood =  379.75527  
Iteration 10:  log likelihood =  379.78866  
Iteration 11:  log likelihood =  379.79723  
Iteration 12:  log likelihood =  379.80608  
Iteration 13:  log likelihood =  379.80917  
Iteration 14:  log likelihood =  379.80949  
(switching optimization to BHHH)
Iteration 15:  log likelihood =  379.80954  
Iteration 16:  log likelihood =  379.80954  
Iteration 17:  log likelihood =  379.80954  
Iteration 18:  log likelihood =  379.80954  
Iteration 19:  log likelihood =  379.80955  
(switching optimization to BFGS)
Iteration 20:  log likelihood =  379.80955  
Iteration 21:  log likelihood =  379.80955  
Iteration 22:  log likelihood =  379.80955  

ARIMA regression

Sample:  1960q1 - 1990q4                        Number of obs     =        124
                                                Wald chi2(3)      =  668241.19
Log likelihood =  379.8095                      Prob > chi2       =     0.0000

------------------------------------------------------------------------------
             |                 OPG
       lnwpi |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
lnwpi        |
       _cons |   4.155434   .5353873     7.76   0.000     3.106094    5.204774
-------------+----------------------------------------------------------------
ARMA         |
          ar |
         L1. |   1.946284   .0246227    79.04   0.000     1.898024    1.994544
         L2. |  -.9468694   .0243307   -38.92   0.000    -.9945568   -.8991821
             |
          ma |
         L1. |  -.5325685   .0817276    -6.52   0.000    -.6927516   -.3723853
-------------+----------------------------------------------------------------
      /sigma |   .0108925   .0004577    23.80   0.000     .0099954    .0117895
------------------------------------------------------------------------------
Note: The test of the variance against zero is one sided, and the two-sided
      confidence interval is truncated at zero.

. estat ic

Akaike's information criterion and Bayesian information criterion

-----------------------------------------------------------------------------
       Model |          N   ll(null)  ll(model)      df        AIC        BIC
-------------+---------------------------------------------------------------
           . |        124          .   379.8095       5  -749.6191  -735.5177
-----------------------------------------------------------------------------
Note: BIC uses N = number of observations. See [R] BIC note.AIC和BIC都变小了。模型更优。
接下来尝试(1,0,1)。
. arima lnwpi, arima(1, 0, 1)

(setting optimization to BHHH)
Iteration 0:   log likelihood =  260.46185  
Iteration 1:   log likelihood =  335.28097  
Iteration 2:   log likelihood =  338.35393  
Iteration 3:   log likelihood =  342.81478  
Iteration 4:   log likelihood =  343.05124  
(switching optimization to BFGS)
Iteration 5:   log likelihood =   343.1412  
Iteration 6:   log likelihood =  344.24394  
Iteration 7:   log likelihood =  344.40456  
Iteration 8:   log likelihood =   344.4141  
Iteration 9:   log likelihood =  344.42378  
Iteration 10:  log likelihood =  344.42747  
Iteration 11:  log likelihood =  344.42763  
Iteration 12:  log likelihood =  344.42763  
Iteration 13:  log likelihood =  344.42763  

ARIMA regression

Sample:  1960q1 - 1990q4                        Number of obs     =        124
                                                Wald chi2(2)      =   29666.47
Log likelihood =  344.4276                      Prob > chi2       =     0.0000

------------------------------------------------------------------------------
             |                 OPG
       lnwpi |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
lnwpi        |
       _cons |   4.091086   .6539676     6.26   0.000     2.809333    5.372838
-------------+----------------------------------------------------------------
ARMA         |
          ar |
         L1. |   .9994616   .0059189   168.86   0.000     .9878607    1.011062
             |
          ma |
         L1. |   .4902354   .0855512     5.73   0.000     .3225582    .6579126
-------------+----------------------------------------------------------------
      /sigma |   .0145748   .0006139    23.74   0.000     .0133716     .015778
------------------------------------------------------------------------------
Note: The test of the variance against zero is one sided, and the two-sided
      confidence interval is truncated at zero.

. estat ic

Akaike's information criterion and Bayesian information criterion

-----------------------------------------------------------------------------
       Model |          N   ll(null)  ll(model)      df        AIC        BIC
-------------+---------------------------------------------------------------
           . |        124          .   344.4276       4  -680.8553  -669.5741
-----------------------------------------------------------------------------
Note: BIC uses N = number of observations. See [R] BIC note.综合3个模型的AIC和BIC,可以看出ARIMA(1, 0, 1)的模型最优,且其中p+q<=5。
<hr/>5. 模型预测

. **predict
. predict lnwpi_hat, xb

. predict r, residual

. list lnwpi lnwpi_hat r in 1/10

     +---------------------------------+
     |    lnwpi   lnwpi_hat           r |
     |---------------------------------|
  1. | 3.424263   4.091085   -.6668228 |
  2. | 3.427515   3.424463    .0030513 |
  3. | 3.424263   3.429078   -.0048152 |
  4. | 3.424263   3.422366    .0018966 |
  5. | 3.427515   3.425542    .0019728 |
     |---------------------------------|
  6. | 3.417727   3.428837   -.0111098 |
  7. | 3.417727   3.412646    .0050805 |
  8. |    3.421    3.42058    .0004204 |
  9. | 3.424263   3.421567    .0026959 |
10. |    3.421   3.425943   -.0049434 |
     +---------------------------------+最终,要对模型的残差进行检验,看是否已经是白噪声。
. wntestq r

Portmanteau test for white noise
---------------------------------------
Portmanteau (Q) statistic =     1.0207
Prob > chi2(40)           =     1.0000

. wntestb r


wntestb r

wntestq和wntestb检验的p值都非常大,所以我们不能拒绝残差是平稳序列的原假设。
因此,原模型ARIMA(1, 0, 1)拟合效果非常好。
<hr/>6. 进一步探索


  • 考虑到wpi是季节数据,我们可以在MA中加入四阶的之后项。
对应命令:arima lnwpi, ar(1) ma(1 4)


  • 或者,对lnwpi进一步检验,如果它不平稳考虑进行一阶差分
对应命令:arima lnwpi, ar(1) d(1) ma(1 4)
<hr/>References


  • 陈强,2015,《计量经济学和Stata应用》
  • 杨维忠,2020,《Stata统计分析与实验指导》
<hr/>更多Stata/R语言和Python的数据分析经验分享,可移步我的个人资深主页:
-----全文结束-----
当贝投影