eviews時(shí)間序列分析實(shí)驗(yàn).docx

《eviews時(shí)間序列分析實(shí)驗(yàn).docx》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。

1、實(shí)驗(yàn)二ARIMA模型的建立一、實(shí)驗(yàn)?zāi)康氖煜RIMA模型，掌握利用ARIMA模型建模過(guò)程，學(xué)會(huì)利用自相關(guān)系數(shù)和偏自相關(guān)系數(shù)對(duì)ARIMA模型進(jìn)行識(shí)別，利用最小二乘法等方法對(duì)ARIMA模型進(jìn)行估計(jì)，利用信息準(zhǔn)則對(duì)估計(jì)的ARIMA模型進(jìn)行診斷，以及學(xué)會(huì)利用ARIMA模型進(jìn)行預(yù)測(cè)。掌握在實(shí)證研究如何運(yùn)用Eviews軟件進(jìn)行ARIMA模型的識(shí)別、診斷、估計(jì)和預(yù)測(cè)。二、基本概念所謂ARIMA模型，是指將非平穩(wěn)時(shí)間序列轉(zhuǎn)化為平穩(wěn)時(shí)間序列，然后將平穩(wěn)的時(shí)間序列建立ARMA模型。ARIMA模型根據(jù)原序列是否平穩(wěn)以及回歸中所含部分的不同，包括移動(dòng)平均過(guò)程（MA）、自回歸過(guò)程（A

2、R）、自回歸移動(dòng)平均過(guò)程（ARMA）以及ARIMA過(guò)程。在ARIMA模型的識(shí)別過(guò)程中，我們主要用到兩個(gè)工具：自相關(guān)函數(shù)ACF，偏自相關(guān)函數(shù)PACF以及它們各自的相關(guān)圖。對(duì)于一個(gè)序列而言，它的第階自相關(guān)系數(shù)為它的階自協(xié)方差除以方差，即＝，它是關(guān)于滯后期的函數(shù)，因此我們也稱之為自相關(guān)函數(shù)，通常記ACF()。偏自相關(guān)函數(shù)PACF()度量了消除中間滯后項(xiàng)影響后兩滯后變量之間的相關(guān)關(guān)系。三、實(shí)驗(yàn)內(nèi)容及要求1、實(shí)驗(yàn)內(nèi)容：（1）根據(jù)時(shí)序圖的形狀，采用相應(yīng)的方法把非平穩(wěn)序列平穩(wěn)化；（2）對(duì)經(jīng)過(guò)平穩(wěn)化后的1952年2010年中國(guó)GDP總量數(shù)據(jù)建立ARIMA（）模型，并利用此模

3、型進(jìn)行中國(guó)GDP總量的預(yù)測(cè)。2、實(shí)驗(yàn)要求：（1）深刻理解非平穩(wěn)時(shí)間序列的概念和ARIMA模型的建模思想；（2）如何通過(guò)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(zhǔn)則建立合適的ARIMA模型；如何利用ARIMA模型進(jìn)行預(yù)測(cè)；（3）熟練掌握相關(guān)Eviews操作，讀懂模型參數(shù)估計(jì)結(jié)果。四、實(shí)驗(yàn)步驟1、模型識(shí)別（1）數(shù)據(jù)錄入打開Eviews軟件，選擇“File”菜單中的“New--Workfile”選項(xiàng)，在“Workfilestructuretype”欄中選擇“Dated-regularfrequency”，在“Frequency”欄中選擇“Annu

4、al”，分別在起始年輸入1952，終止年輸入2010，點(diǎn)擊ok，見(jiàn)圖1。這樣就建立了一個(gè)工作文件。點(diǎn)擊File/Import，找到相應(yīng)的Excel數(shù)據(jù)集，導(dǎo)入即可。圖1（2）時(shí)序圖判斷平穩(wěn)性進(jìn)行時(shí)序平穩(wěn)性判斷，(操作步驟:view—graphic—Lin&Symbol)。結(jié)果如圖2所示：圖2從圖中可以很明顯看出圖形稱指數(shù)增長(zhǎng)趨勢(shì)，顯然不平穩(wěn)。（3）對(duì)gdp數(shù)據(jù)的進(jìn)行取對(duì)數(shù)為了減少波動(dòng)，對(duì)每年的gdp數(shù)據(jù)進(jìn)行取對(duì)數(shù)。及在命令框中輸入如圖3所示命令：圖3取對(duì)數(shù)后的時(shí)序圖如圖4所示圖4從圖4中看出序列仍然不平穩(wěn)，觀察x的自相關(guān)和偏自相關(guān)圖，如圖5所示：圖5通過(guò)自相

5、關(guān)圖可以看出序列明顯不平穩(wěn)，需要進(jìn)行查分。（4）差分次數(shù)d的確定對(duì)序列x進(jìn)行一階差分，并進(jìn)行ADF檢驗(yàn)，結(jié)構(gòu)如圖6所示：圖6在途中可以看出在1%，5%，10%的顯著性水平下，顯著拒絕存在單位根的原假設(shè)，說(shuō)明一階差分平穩(wěn)，因此d為1。（5）建立一階差分序列根據(jù)第四部，建立序列w=x-x(-1)。其時(shí)序圖如圖7所示圖7（6）模型的識(shí)別直觀看來(lái)，序列式平穩(wěn)白噪聲序列。再次檢查序列的自相關(guān)和偏自相關(guān)圖，如圖8所示，也可以看出偏西相關(guān)明顯結(jié)尾，而自相關(guān)在5、6、7階時(shí)接近2倍標(biāo)準(zhǔn)差邊緣，需要改進(jìn)。圖82、模型的參數(shù)估計(jì)點(diǎn)擊“Quick”－“EstimateEquati

6、on”，會(huì)彈出如圖3－11所示的窗口，在“EquationSpecification”空白欄中鍵入“xCMA(1)MA(2)MA(3)MA(4)MA(5)AR(1)AR(2)”等，在“EstimationSettings”中選擇“LS-LeastSquares(NLSandARMA)”，然后“OK”?；蛘咴诿畲翱谥苯虞斎雔sxCMA(1)MA(2)MA(3)MA(4)MA(5)AR(1)AR(2)等。各種模型的參數(shù)估計(jì)結(jié)果和相關(guān)的檢驗(yàn)統(tǒng)計(jì)量見(jiàn)圖9。圖9根據(jù)此結(jié)果，我們選擇ARMA(1，6)模型。3、模型的診斷檢驗(yàn)點(diǎn)擊“View”—“Residualtest

7、”—“Correlogram-Q-statistics”，在彈出的窗口中選擇滯后階數(shù)為默認(rèn)24，點(diǎn)擊“Ok”，見(jiàn)圖10，從圖上可以看出，殘差不再存在自相關(guān)，說(shuō)明模型擬合很好。圖104、模型的預(yù)測(cè)（1）Dynamic預(yù)測(cè)Dynamic預(yù)測(cè)根據(jù)所選擇的一定的估計(jì)區(qū)間，進(jìn)行多步向前預(yù)測(cè)。利用eviews預(yù)測(cè)1960~2020年的gdp總量如圖11所示：圖11從圖11中的均方根誤差、泰爾不等悉數(shù)可以看出預(yù)測(cè)效果較好。（2）Static預(yù)測(cè)Static預(yù)測(cè)是只滾動(dòng)的進(jìn)行向前一步預(yù)測(cè)，即每預(yù)測(cè)一次，用真實(shí)值代替預(yù)測(cè)值，加入到估計(jì)區(qū)間，再進(jìn)行向前一步預(yù)測(cè)。從圖12中可以看

8、出static預(yù)測(cè)結(jié)果比dynamic預(yù)測(cè)要好。圖1