time-series

用途：为实证经济学的时间序列分析提供流程指导，覆盖单变量与多变量建模。主要能力：平稳性检验（ADF、KPSS、Zivot-Andrews 断点检验）、ARIMA(p,d,q) 建模与预测、VAR/VECM 系统、协整、格兰杰因果、脉冲响应、残差白噪声与稳定性诊断（Ljung-Box、CUSUM）、ARCH/GARCH 波动率建模。工作流分为五步：探索性检查（水平/一阶差分/对数作图，ACF 与 PACF）、平稳性检验、模型选择（I(0) 用水平 VAR；全为 I(1) 且无协整用差分 VAR；存在协整用 VECM；混合阶数用 ARDL 边界检验）、估计与诊断、预测（报告 RMSE、MAE、预测期与置信区间）。使用方式：提供 Python、R、Stata 三套代码模板，例如 Python 中 from statsmodels.tsa.stattools import adfuller, kpss；R 中 adf.test(series) 与 kpss.test(series, null = "Level")；Stata 中 dfuller series, lags(4) regress。常用命令还包括 ARIMA、VAR、causality(var_model, cause = "y2")、wntestq residuals, lags(10) 等。限制与注意：ADF 与 KPSS 结论冲突时需检查结构断点，可用 Zivot-Andrews 检验，存疑时倾向差分以避免伪回归；非平稳序列直接回归会产生伪回归；VAR 滞后阶数不当会导致残差自相关或过拟合；格兰杰因果仅反映预测信息，不是真实因果机制。协整检验（Johansen、Engle-Granger）、VECM 设定与结构断点检验的更多内容见 references/time-series-reference.md。未提供收费、平台或效果信息。