ARIMA时间序列模型的步骤, 程序和各种检验, 附上代码并通过示例进行解读！
邮箱：econometrics666@126.com
关于时间序列方法，1.时间序列分析的各种程序, 38页集结整理成文档，2.ARDL, ARIMA, VAR, (G)ARCH时间数据模型讲解及软件操作，3.R软件中的时间序列分析程序包纵览，4.时间序列分析的各种程序, 38页集结整理成文档，5.时间序列数据分析的思维导图一览, 金融经济学者必备工具，6.送书: 应用时间序列分析(经典)，7.为啥时间序列模型比较难学？时间序列的正名路，8.面板数据单位根检验软件操作和解读全在这里，9.动态面板回归和软件操作，单位根和协整检验（Dynamic Panel Data），10.疫情期计量课程免费开放！面板数据, 因果推断, 时间序列分析与Stata应用，11.送书: 应用时间序列分析(经典)，12.时间序列模型分解，季节调整分析基础，13.动态因子模型是什么, 又怎么去实现？ 14.动态面板分位数估计怎么做？15.动态面板门槛回归程序公布, 使用方法介绍，16.把动态面板命令讲清楚了，对Stata的ado详尽解释，17.时间序列分析概览(今天的重点1)，18.全面比较和概述运用机器学习模型进行时间序列预测的方法优劣！19.一文读懂“非平稳时间序列计量经济学分析”, 包括单位根检验, 结构突变检验等，20.中断时间序列分析ITSA是什么? 很流行的政策评估新范式！
一、ARIMA 模型预测的基本程序:
二、ARIMA 模型中AR 和MA 阶数的确定方法：
sim_arma y_ar, ar(0.9) nobs(300)
line y_ar _t, yline(0)
ac y_ar //AR 过程的ACF 具有“拖尾”特征，长期记忆
pac y_ar //AR 过程的PACF 具有“截尾”特征
sim_arma y_ma, ma(0.8)
line y_ma _t, yline(0)
ac y_ma //MA 过程的ACF 具有“截尾”特征，短期记忆
pac y_ma //MA 过程的PACF 具有锯齿型“拖尾”特征
三、ARIMA 模型中涉及的检验：
tsset t
gen d_wpi = D.wpi
dfuller wpi //单位根检验
dfuller d_wpi
wntestq wpi //白噪声检验：Q 检验
wntestq d_wpi
wntestb wpi,table //累积统计Q 检验并以列表显示
wntestb d_wpi,table
wntestb wpi //画出累积统计量Q
wntestb d_wpi //画出累积统计量Q
corrgram wpi ,lag(24) //自相关、偏相关、Q 统计量
corrgram d_wpi ,lag(24)
四、ARIMA 模型和SARIMA 模型的估计
use http://www.stata-press.com/data/r11/wpi1 ,clear
gen d_wpi = D.wpi
arima wpi,arima(1,1,1) //没有漂移项即常数项的命令是noconstant
arima D.wpi,ar(1) ma(1) //或者这种形式也行
SARIMA 模型（Seasonal Autoregressive Integrated Moving Average）：
use http://www.stata-press.com/data/r11/air2,clear
line air t
generate lnair=ln(air)
arima lnair,arima(0,1,1) sarima(0,1,1,12) noconstant
五、ARIMA 模型的一个真实应用——美国批发物价指数
dfuller wpi //单位根检验
gen d_wpi = D.wpi
dfuller d_wpi
arima wpi,arima(1,1,1) //没有漂移项即常数项的命令是noconstant
arima D.wpi,ar(1) ma(1) //或者这种形式也行
ac D.ln_wpi,ylabels(-.4(.2).6)
pac D.ln_wpi,ylabels(-.4(.2).6)
arima D.ln_wpi,ar(1) ma(1/4)
estat ic //LL 越大越好, AIC 和BIC 越小越好
arima D.ln_wpi,ar(1) ma(1 4) //季节效应
estat ic
**残差检验**
predict r,res
wntestq r //白噪声检验：Q 检验
wntestb r,table //累积统计Q 检验并以列表显示
wntestb r //画出累积统计量Q
corrgram r ,lag(24) //自相关、偏相关、Q 统计量
**样本内预测**
predict y_hat0 //y 的拟合值
**样本外预测**
list in -15/-1
tsappend, add(8)
list in -15/-1
predict y_hat1 //y 的样本外一步预测值
list in -15/-1
gen Dln_wpi = D.ln_wpi
sum
predict y_hat_dy0, dynamic(124) //动态预测
predict y,y //对未差分变量的预测
predict fy,y dynamic(124)
gen fwpi=exp(fy) //实际wpi 的预测值
gen ywpi=exp(y)
line wpi fwpi ywpi t in -20/-1
下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。
2.5年，计量经济圈近1000篇不重类计量文章，
可直接在公众号菜单栏搜索任何计量相关问题,
Econometrics Circle