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
