資源描述：
《eviews時間序列分析實驗.doc》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、實驗一ARMA模型建模一、實驗?zāi)康膶W(xué)會檢驗序列平穩(wěn)性、隨機性。學(xué)會分析時序圖與自相關(guān)圖。學(xué)會利用最小二乘法等方法對ARMA模型進行估計，以及掌握利用ARMA模型進行預(yù)測的方法。學(xué)會運用Eviews軟件進行ARMA模型的識別、診斷、估計和預(yù)測和相關(guān)具體操作。二、基本概念1平穩(wěn)時間序列：定義：時間序列{zt}是平穩(wěn)的。如果{zt}有有窮的二階中心矩，而且滿足：（a）ut=Ezt=c;（b）r(t,s)=E[(zt-c)(zs-c)]=r(t-s,0)則稱{zt}是平穩(wěn)的。2AR模型：AR模型也稱為自回歸模型。它的預(yù)測方式是通
2、過過去的觀測值和現(xiàn)在的干擾值的線性組合預(yù)測。具有如下結(jié)構(gòu)的模型稱為P階自回歸模型，簡記為AR(P)。3MA模型：MA模型也稱為滑動平均模型。它的預(yù)測方式是通過過去的干擾值和現(xiàn)在的干擾值的線性組合預(yù)測。具有如下結(jié)構(gòu)的模型稱為Q階移動平均回歸模型，簡記為MA(q)。4ARMA模型：ARMA模型：自回歸模型和滑動平均模型的組合，便構(gòu)成了用于描述平穩(wěn)隨機過程的自回歸滑動平均模型ARMA。具有如下結(jié)構(gòu)的模型稱為自回歸移動平均回歸模型，簡記為ARMA(p,q)。三、實驗內(nèi)容及要求1實驗內(nèi)容：（1）根據(jù)時序圖判斷序列的平穩(wěn)性；（2）觀
3、察相關(guān)圖，初步確定移動平均階數(shù)q和自回歸階數(shù)p；2實驗要求：（1）深刻理解平穩(wěn)性的要求以及ARMA模型的建模思想；（2）如何通過觀察自相關(guān)，偏自相關(guān)系數(shù)及其圖形，利用最小二乘法，以及信息準則建立合適的ARMA模型；如何利用ARMA模型進行預(yù)測；（3）熟練掌握相關(guān)Eviews操作，讀懂模型參數(shù)估計結(jié)果。四、實驗指導(dǎo)1數(shù)據(jù)錄入首先用命令seriesx=nrnd生成一個500個白噪聲序列。然后利用excel生成一個平穩(wěn)序列如圖1所示，其中設(shè)定方程為X(t)=-0.5*X(t-1)+0.4*X(t-2)+ε(t)。圖12繪制序列
4、時序圖雙擊打開seriesy。選擇View—Graph—Line&Symbol。得到的時序圖如下所示：圖2從圖2中可以看出序列為平穩(wěn)序列，但是仍需進一步驗證。3模型定階及參數(shù)估計：對于ARMA(p，q)模型，可以利用其樣本的自相關(guān)函數(shù)和樣本的偏自相關(guān)函數(shù)的截尾性判定模型的階數(shù)。若平穩(wěn)時間序列的偏相關(guān)函數(shù)是截尾的，而自相關(guān)函數(shù)是拖尾的，則可斷定此序列適合AR模型;若平穩(wěn)時間序列的偏相關(guān)函數(shù)是拖尾的，而自相關(guān)函數(shù)是截尾的，則可斷定此序列適合MA模型；若平穩(wěn)時間序列的偏相關(guān)函數(shù)和自相關(guān)函數(shù)均是拖尾的，則此序列適合ARMA模型。
5、（1）繪制時序相關(guān)圖首先繪制y的相關(guān)圖如圖3所示。從圖3中可以看出，自相關(guān)明顯拖尾，偏自相關(guān)明顯截尾，故考慮使用AR模型。圖3（2）ADF檢驗序列的平穩(wěn)性圖4由圖4表明拒絕存在一個單位根的原假設(shè)，序列平穩(wěn)。（3）模型定階：在序列工作文件窗口點擊View/DescriptiveStatistics/HistogramandStates對原序列做描述統(tǒng)計分析見圖5。圖5（3）模型參數(shù)估計：根據(jù)偏自相關(guān)的截尾性，首先嘗試AR模型。在主菜單選擇Quick/EstimateEquation，出現(xiàn)圖2-10的方程定義對話框，在方程定
6、義空白區(qū)鍵入xar(1)ar(2)ar(3)。模型估計結(jié)果和相關(guān)診斷統(tǒng)計量見圖6。圖6根據(jù)圖6中的模型估計結(jié)果和相關(guān)診斷統(tǒng)計量，可以明顯的看出AR(1),AR(2)高度顯著，AR(3)不顯著。切AIC,SC,DW等指標均表明模型擬合度很好。所以得到的自相關(guān)回歸模型如下：X(t)=-0.51*X(t-1)+0.38*X(t-2)+ε(t)
