『壹』 在stata中一時間序列數據的問題
這個我也不是很確定。結果貌似是有關滯後一期的LM卡方檢驗，chi2是卡方值，df是自由度，最後一列代表著滯後一期存在ARCH效應的顯著性檢驗，其結果大於0.1，說明滯後一期不存在ARCH效應。
表底部有假設檢驗的兩個假設H0和H1：若P>α，結論為按α所取水準不顯著，不拒絕H0；如果P≤α,結論為按所取α水準顯著，拒絕H0，接受H1。
LZ可以看看下面的資料不知道有沒有用。
stata的arch相關命令：http://www.stata.com/features/arch-garch/arch.pdf
有關ARCH的LM test：http://bbs.cenet.org.cn/html/board33751/topic50777.htm
有關滯後期的解釋：http://bbs.pinggu.org/thread-1298254-1-1.html
『貳』 stata怎麼做時間序列門檻模型
這三個變數依次為y, x1, x2, x3
reg y x1 x2 x3
『叄』 stata怎麼生成當天的日期
比如生成年代變數：tsset year, yearly
比如從1995年開始產生時間序列gen time=m(1995m7)+_n-1
細節可以看tsset幫助
『肆』 季度數據,日期形式為2002-03/2002-06/2002-09/2002-12,在stata中如何對其進行時間序列設置
這是季度數據，按照季度數據設置，tsset即可
『伍』 如何用Stata定義一組數據(變數名x）為時間序列數據
http://wenku..com/link?url=_cbcO7Bsj7-Id0sEwMZ4HKK-nLw3EySNtGQsliUiTiGHYYPcWp7ie
『陸』 請教達人Stata中如何根據id生成對應的年，月變數
這種有固定形式的代碼，想生成新變數，最簡單方法的就是(以50301為例，變成531)
. scalar a=50301
. scalar b=int(a/10000)
. scalar c=int((a-b*10000)/100)
. display c
3
. scalar d=a-b*10000-c*100
. display d
1
. scalar e=b*100+c*10+d
. display e
531
『柒』 stata回歸怎麼控制時間
建議查看reghdfe的help文檔獲得更多的設定方式！那個永遠是最好的學習資料 。
STATA採用最具親和力的窗口介面，使用者自行建立程序時，軟體能提供具有直接命令式的語法。Stata提供完整的使用手冊，包含統計樣本建立、解釋、模型與語法、文獻等超過一萬余頁的出版品。Stata的統計功能很強，也具有很強的程序語言功能，這給用戶提供了一個廣闊的開發應用的天地，用戶可以充分發揮自己的聰明才智，熟練應用各種技巧，真正做到隨心所欲。
『捌』 STATA里處理時間的問題
gen year1=substr(v1,1,4)
gen month1=substr(v1,6,2)
以上兩條命令是將時間的年份和月份的字元提取出來
之後用real 函數將其轉換為 數字。。
比如 gen year=real(year1)
gen month=real(month1)
在之後
gen time=year*100+month
即可！
仔細琢磨一下，很簡單的~~
『玖』 面板模型引入固定時間效應stata怎麼操作
短面板處理面板數據是指既有截面數據又有時間序列的數據，因此其存在截面數據沒有的優勢，在用stata進行面板數據的估計時，一般選擇xtreg命令進行擬合。本節主要論述短面板的stata實現，即時間維度T相對於截面數n較小的數據。在那種情況下，由於T較小，每個個體的信息較少，故無從討論擾動項是否存在自相關，我們一般假設其獨立同分布。面板數據維度的確定在面板數據進行模型估計前，要進行面板數據的維度確定。由於面板數據既有截面數據又有時間序列，而stata不能自動識別，因此，必須使得stata得知哪一部分是截面數據，而哪一部分是時間序列。設置面板數據維度的基本命令為：xtsetpanelvartimvar[,tsoptions]其中panelvar代表截面數據變數，timvar代表時間序列變數。選取某一面板數據進行維度設定：xtsetfcodeyear
stata中處理面板數據如何選擇模型
方法的選擇一般基於因變數類型。對面板數據而言，當因變數為連續變數時，可在混合ols回歸、固定效應模型和隨機效應模型間選擇，有相應的檢驗統計量；當因變數為類別變數時，有面板logit模型，又可分為二分類，無序多分類和有序多分類面板logit。
先用xtset設定面板數據然後用xtreg，fe操作就可以做面板數據固定效應啦面板數據回歸分析我很熟悉的
面板數據之固定效應模型 當您只對分析的影響感興趣時，使用固定效果(FE)隨時間變化的變數。 FE探討預測因子和結果變數之間的關系(國家、個人、公司等)，每個實體都有自己的特點是否會影響預測變數(例如，是男性還是女性?能夠影響對某一問題的看法;或者一個特定的政治體系國家可以對貿易或GDP產生一些影響;或公司的商業慣例可能影響其股價)。
當使用FE時，我們假設個人內部的某些東西可能會影響預測或結果變數，我們需要控制這些。這就是背後的基本原理：實體誤差項與預測變數之間的相關性假設。FE模型去掉這些時不變特性的影響，這樣我們就可以評估結果變數上的預測因子。 FE模型的另一個重要假設是這些time-invariant特徵是獨一無二的個體，不應該與其他個體相關特徵。每個實體是不同的，因此實體的誤差項和常數(捕捉個體特徵)不應該與其他特徵相關聯。如果誤差項是相關的，那麼FE是不合適的，因為推論可能是不正確的，你需要建立這種關系的模型(可能使用隨機效應)，需要使用豪斯曼檢驗，