第67步 时间序列建模实战：ARIMA建模（Stata）_stata做arima

基于WIN10的64位系统演示

一、写在前面

这一期，我们使用Stata进行SARIMA模型的构建。

同样，使用某省2005年1月至2016年12月AIDS死亡率的时间序列数据。

二、Stata建立SARIMA实战

（1）问GPT怎么用

咒语：我有一批{数据}：2005年1月至2016年12月AIDS死亡率的时间序列数据。用2005年1月至2015年12月的数据为训练集训练SARIMA模型，用2015年1月至2015年12月的数据为验证集进行验证，然后计算SARIMA模型的R方、BIC值和AIC值，同时分别计算训练集和验证集的MAE、MAPE、MSE和RMSE值。请用Stata 13.1版本进行构建。

部分数据格式如下：{XXX}

进过一番学习，我大概学会了。

GPT对Stata语句的学习估计不多，还得配合Stata帮助文档才行。

（2）导入数据

打开Stata，如下图操作，输入数据，改列名：

点击保存数据，将数据命名为“data.dta”。另，Stata面板功能如下：

（3）设置为时间序列格式

跟SPSS一样，需要做时间序列数据的转换：

 *修改工作路劲，把数据放入工作路径中，建议全英文路径
cd "C:\Users\YourName\Documents"
*导入名为"data.dta"的数据集，并清除当前内存中的所有数据
use "data.dta", clear  
*使用monthly函数将"time"变量转换为月份格式。"YM"表示输入的日期格式为年月
gen date = monthly(time, "YM")  
*将"date"变量的格式设置为时间序列格式
format date %tm
*声明数据为时间序列数据，其中时间变量为"date"
tsset date

然后翻车了，因为：

你的时间数据是以月-年（例如Jan-05）的格式存在的，这就是为什么monthly()函数无法正确解析它的原因。在Stata中，monthly()函数期望的输入格式是"2005m1"，而不是"Jan-05"。

那就改吧：

（4）差分、单位根检验和相关图

（4.1）单位根（ADF）检验：

dfuller death_rate, lags(12)  

解读：dfuller death_rate, lags(12)是Stata中执行Dickey-Fuller单位根检验的命令，用于检查时间序列数据是否平稳。这个命令的各个参数的含义如下：

dfuller: 这是Stata的命令，表示要进行Dickey-Fuller单位根检验。

death_rate: 这是你要检查的变量名，即你想要测试是否平稳的时间序列数据。

, lags(12): 这是一个选项，表示在进行Dickey-Fuller检验时，要包括的滞后阶数。在这个例子中，滞后阶数设置为12，意味着在进行检验时，会考虑到过去12期的数据。如果不指定lags()选项，会自动选择一个合适的滞后阶数。

P值大于0.05，说明数据不平稳。

（4.2）一般差分和季节性差分：

*一阶差分
gen death_rate_diff = D.death_rate
*季节性拆分
gen death_rate_seasonal_diff = DS12.death_rate 

注意：这个DS12.death_rate是指做了1次一般拆分，然后再做1次周期为12的季节性拆分！！也就是d和D都等于1，所以少了13个数据！！

然后，可以做个ADF检验：

dfuller death_rate_diff, lags(12)
dfuller death_rate_seasonal_diff, lags(12)

显示都可以可通过ADF检验。

（4.3）相关图：

*生成自相关图(ACF)
corrgram death_rate_diff, lags(20) 

偏自相关图(PACF)还得装包，算了。

（5）建模

（5.1）建立SARIMA模型

看代码，自行体会：

案例1：SARIMA(0,1,1)(0,1,1)12：

arima death_rate, arima(0,1,1) sarima(0,1,1,12) noconstant

案例2：SARIMA(1,1,1)(1,1,2)12：

arima death_rate, arima(1,1,1) sarima(1,1,1,12) noconstant

应该看得懂吧，最后一个是是否要常数项。

看看SARIMA(1,1,1)(1,1,1)12的结果：

一个参数没有统计学意义，换下一个模型SARIMA(1,1,1)(0,1,1)12：

arima death_rate, arima(1,1,1) sarima(0,1,1,12) noconstant

（5）查看拟合性能

使用

estat ic

命令来查看ARIMA模型的AIC和BIC值。似乎没有提供R方，不过筛选模型不用也行吧。

（6）拟合和预测

（6.1）进行静态预测（也就是拟合）：使用predict命令进行静态预测。以下代码会创建一个新的变量yhat_static，其中包含静态预测的值：

predict yhat_static, y

（6.2）进行动态预测（也就是预测）：

从2015年12月开始进行动态预测：

tsappend, add(12)
tsset date, monthly
predict yhat1, dynamic(tm(2015m12)) y

结果：

好了收工！！！

三、总结

Stata挺好用的，就是下次不用了！！！

四、数据

链接：https://pan.baidu.com/s/1vZqgwcLP3hSrpLpHMttTCA?pwd=i2wb

提取码：i2wb