实验三ARIMA模型的建立.doc

上传人:牧羊曲112 文档编号:4156877 上传时间:2023-04-07 格式:DOC 页数:8 大小:1.20MB
返回 下载 相关 举报
实验三ARIMA模型的建立.doc_第1页
第1页 / 共8页
实验三ARIMA模型的建立.doc_第2页
第2页 / 共8页
实验三ARIMA模型的建立.doc_第3页
第3页 / 共8页
实验三ARIMA模型的建立.doc_第4页
第4页 / 共8页
实验三ARIMA模型的建立.doc_第5页
第5页 / 共8页
点击查看更多>>
资源描述

《实验三ARIMA模型的建立.doc》由会员分享,可在线阅读,更多相关《实验三ARIMA模型的建立.doc(8页珍藏版)》请在三一办公上搜索。

1、实验三 ARIMA模型的建立一、实验目的了解ARIMA模型的特点和建模过程,了解AR,MA和ARIMA模型三者之间的区别与联系,掌握如何利用自相关系数和偏自相关系数对ARIMA模型进行识别,利用最小二乘法等方法对ARIMA模型进行估计,利用信息准则对估计的ARIMA模型进行诊断,以及如何利用ARIMA模型进行预测。掌握在实证研究如何运用Eviews软件进行ARIMA模型的识别、诊断、估计和预测。二、基本概念所谓ARIMA模型,是指将非平稳时间序列转化为平稳时间序列,然后将平稳的时间序列建立ARMA模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同,包括移动平均过程(MA)、自回归过

2、程(AR)、自回归移动平均过程(ARMA)以及ARIMA过程。在ARIMA模型的识别过程中,我们主要用到两个工具:自相关函数ACF,偏自相关函数PACF以及它们各自的相关图。对于一个序列而言,它的第阶自相关系数为它的阶自协方差除以方差,即 ,它是关于滞后期的函数,因此我们也称之为自相关函数,通常记ACF()。偏自相关函数PACF()度量了消除中间滞后项影响后两滞后变量之间的相关关系。三、实验内容及要求1、实验内容:(1)根据时序图的形状,采用相应的方法把非平稳序列平稳化; (2)对经过平稳化后的1950年到2007年中国进出口贸易总额数据运用经典B-J方法论建立合适的ARIMA()模型,并能够

3、利用此模型进行进出口贸易总额的预测。2、实验要求:(1)深刻理解非平稳时间序列的概念和ARIMA模型的建模思想;(2)如何通过观察自相关,偏自相关系数及其图形,利用最小二乘法,以及信息准则建立合适的ARIMA模型;如何利用ARIMA模型进行预测;(3)熟练掌握相关Eviews操作,读懂模型参数估计结果。四、实验指导1、模型识别(1)数据录入打开Eviews软件,选择“File”菜单中的“New-Workfile”选项,在“Workfile structure type”栏选择“Dated regular frequency”,在“Date specification”栏中分别选择“Annual

4、”(年数据) ,分别在起始年输入1950,终止年输入2007,点击ok,见图3-1,这样就建立了一个工作文件。点击File/Import,找到相应的Excel数据集,导入即可。图3-1 建立工作文件窗口(2)时序图判断平稳性 做出该序列的时序图3-2,看出该序列呈指数上升趋势,直观来看,显著非平稳。图3-2 中国进出口总额时序图(3)原始数据的对数处理 因为数据有指数上升趋势,为了减小波动,对其对数化,在Eviews命令框中输入相应的命令“series y=log(ex)”就得到对数序列,其时序图见图3-3,对数化后的序列远没有原始序列波动剧烈:图3-3 对数进出口总额时序图从图上仍然直观看出

5、序列不平稳,进一步考察其自相关图和偏自相关图3-4:图3-4 对数序列y自相关图从自相关系数可以看出,衰减到零的速度非常缓慢,所以断定y 序列非平稳。为了证实这个结论,进一步对其做ADF检验,结果见图3-5,可以看出在显著性水平0.05下,接受存在一个单位根的原假设,进一步验证了原序列不平稳。为了找出其非平稳的阶数,需要对其一阶差分序列和二阶差分序列等进行ADF检验。图3-5 序列y的ADF检验结果(4)差分次数d的确定 y序列显著非平稳,现对其一阶差分序列进行ADF检验,在图3-6中的对话框中选择“1st difference”,检验结果见图3-7,可以看出在显著性水平0.05下显著拒绝存在

6、单位根的原假设,说明一阶差分序列是平稳的,因此d=1。图3-6图3-7 一阶差分序列平稳性检验(5)建立一阶差分序列 在Eviews对话框中输入“series x=y-y(-1)”,并点击“回车”,如图3-8,便得到了经过一阶差分处理后的新序列x,其时序图见图3-9,从直观上来看,序列x也是平稳的,这就可以对x序列进行ARMA模型分析了。图3-8图3-9 x序列时序图(6)模型的识别做平稳序列x的自相关图3-10:图3-10 x的自相关-偏自相关图 从x的自相关函数图和偏自相关函数图中我们可以看到,偏自相关系数是明显截尾的,而自相关系数在滞后6阶和7阶的时候落在2倍标准差的边缘,有待于进行模型

7、选择。2、模型的参数估计 点击“Quick”“Estimate Equation”,会弹出如图311所示的窗口,在“Equation Specification”空白栏中键入“ x C MA(1) MA(2) MA(3) MA(4) MA(5) AR(1) AR(2)”等,在“Estimation Settings”中选择“LS-Least Squares(NLS and ARMA)”,然后“OK”。或者在命令窗口直接输入ls x C MA(1) MA(2) MA(3) MA(4) MA(5) AR(1) AR(2) 等。针对序列x我们尝试几种不同的模型拟合,比如ARMA(1,1),ARMA(

8、1,2),ARMA(1,3)等。各种模型的参数估计结果和相关的检验统计量见表3-1经过不断的尝试,我们最终选择了ARMA(1,7)模型,并且该模型中移动平均部分的部分系数不显著,最终得到的模型见图3-12:图3-11 方程设定窗口图3-12 ARMA(1,7)估计结果可以看到,模型所有解释变量的参数估计值在0.01的显著性水平下都是显著的。3、模型的诊断检验DW统计量在2附近,残差不存在一阶自相关,但需要对残差做进一步分析:点击“View”“Residual test”“Correlogram-Q-statistics”,在弹出的窗口中选择滞后阶数为默认24,点击“Ok”,见图3-13,从图上

9、钢可以看出,残差不再存在自相关,说明模型拟合很好,模型拟合图见图3-14。图3-13 残差的自相关-偏自相关图图3-14 ARMA(1,7)拟合效果图4、模型的预测点击“Forecast”,会弹出如图315所示的窗口。在Eviews中有两种预测方式:“Dynamic”和“Static”,前者是根据所选择的一定的估计区间,进行多步向前预测;后者是只滚动的进行向前一步预测,即每预测一次,用真实值代替预测值,加入到估计区间,再进行向前一步预测。点击Dynamic forecast,“Forecast sample”中输入1950 2007,结果见图3-16:图3-15图3-16 模型动态预测图图中实

10、线代表的是x的预测值,两条虚线则提供了2倍标准差的置信区间。可以看到,随着预测时间的增长,预测值很快趋向于序列的均值(接近0)。图的右边列出的是评价预测的一些标准,如平均预测误差平方和的平方根(RMSE),Theil不相等系数及其分解。可以看到,Theil不相等系数为0.4295,表明模型的预测能力不太好,而对它的分解表明偏误比例很小,方差比例较大,说明实际序列的波动较大,而模拟序列的波动较小,这可能是由于预测时间过长。下面我们再利用“Static”方法来预测,得到如图317所示的结果。从图中可以看到,“Static”方法得到的预测值波动性要大;同时,方差比例的下降也表明较好的模拟了实际序列的波动 ,Theil不相等系数为0.306,其中协方差比例为0.79,表明模型的预测结果较理想。图317 模型静态预测图 综合上述分析过程,实际上我们是针对原序列(EX):1950年2007年我国进出口贸易总额数据序列,建立了一个ARIMA(1,1,7)模型进行拟合,模型形式如下:

展开阅读全文
相关资源
猜你喜欢
相关搜索
资源标签

当前位置:首页 > 生活休闲 > 在线阅读


备案号:宁ICP备20000045号-2

经营许可证:宁B2-20210002

宁公网安备 64010402000987号