详细介绍了与时间序列相关的stata命令,
比我昨天发的那个更加详细,可以互作补充。
昨天的那个文档:
https://bbs.pinggu.org/thread-2384962-1-1.html
今天的这个我费了些精力才下载下来并且自己编辑整理,所以收少少费用。
![](https://bbs-cdn.datacourse.cn/static/image/filetype/msoffice.gif)
最后,我发现很多人对时间序列的平稳与协整等问题存在理解上的混淆,我自己曾经也是,
所以再推荐一篇文献,个人觉得很有用。
![](https://bbs-cdn.datacourse.cn/static/image/filetype/pdf.gif)
下面是从文中摘录而来的部分内容,更多的可以下载pdf文档,里面是可以复制的:
我们以两个变量X和Y为例, 分三种情况讨论Granger 因果检验的具体使用:
(1) X和Y均平稳;
(2) X和Y均非平稳但协整;
(3) X和Y均非平稳且不协整。
实际中, 不正确地使用Granger因果概念的情况也时有发生, 本文分析了两个关键问题: 平稳性与滞后阶。
对于平稳性, 我们给出如下结论:
(1) 在变量均为平稳的情况下, 直接建立VAR模型来研究变量之间的因果关系, 由于变量以水平值出现, 因此实际检验的是长期意义上的因果关系;
(2) 在变量均非平稳但协整的情况下, 我们建立VEC模型。由于误差修正项的出现, 我们可以同时研究短期与长期的因果关系;
(3) 在变量均非平稳且不协整的情况下, 我们在差分的基础上建立VAR模型。但由于差分消除了变量长期意义上的信息, 因此只可以
检验短期的因果关系。
对于滞后阶的选取, 我们给出两种不同的方法。
“从一般到具体”的方法是从一个预先设定的最大滞后阶Pmax开始进行估计, 依次丢掉不显著的回归元, 直到得到一个所有系数均显著的相对简洁的模型。
信息准则的方法则是以最小化信息准则为目的来确定具体的滞后阶, 但是三种信息准则选择的滞后阶可能不同。
考虑到Granger因果检验的结论对滞后阶很敏感, 实际中最好从一个尽可能大的滞后阶开始, 我们才能得到更可靠的结论。
补充内容 (2014-4-9 14:26):
不能编辑了么?本来想把售价调低点呢