时间序列分析教材2.ppt

第八章 时间序列分析 第一节 随机时间序列的特性分析 一、时序特性的研究工具 最重要的工具是自相关和偏自相关 在主菜单选择 Quick/Series Statistics/Correlogram 或在主窗口命令行输入 ident 或用鼠标双击工作文件窗口中相应的序列名称，然后在出现的序列对象窗口上方工具栏中选择View/lCorrelogram 输出结果由两部分组成。左半部分是序列的自相关和偏自相关分析图，右半部分包括五列数据。第一列的自然数表示滞后期k, AC是自相关系数， PAC是偏自相关系数。最后两列是对序列进行独立性检验的Q统计量和相伴概率。 二、时间序列平稳性检验 1、利用图形进行平稳性判断 直观判断图是否为一条围绕其平均值上下波动的曲线 2、单位根检验 DF检验 原假设：有单位根，即序列非平稳。 ADF检验模型为： PP检验 例1：661天的深证成指(SZ)序列见case37。 初步选择①ADF检验，②对原序列sz，做单位根检验，③检验式中不包括趋势项，但包括截距项。 因为常数项没有显著性。从检验式中去掉截距项，继续迸行单位根检验。 在弹出的单位根检验对话框中的检验式选择(Include in test equation)区选检验式中不包括趋势项和截距项(None)。最大滞后期(Maximum lag)填0， 对SZ的差分序列DS上继续做单位根检验 例2 承接上例，对序列sz 做单位根PP检验 在单位根检验定义对话框中，把Test Type 下面的选项改为PP，系统会根据序列样本量自动在Truncation lag中给出推荐的值，其他选项意义与ADF检验相同。 第二节 模型的识别与建立 一、模型的识别 随机序列的自相关函数是拖尾的，而其偏自相关函数是以p阶截尾的，则此序列是自回归AR(p)序列； 若随机序列的自相关函数是以q阶截尾，而其偏自相关函数为拖尾，则此序列是移动平均MA(q)序列。 若平稳随机序列的自相关函数和偏自相关函数都是拖尾的，则此序列可以看成是自回归移动平均序列ARMA(p,q)，模型中的p和q的识别通常从低阶开始逐步试探，直到定出合适的模型为止。 例3 下面以1949 ~2001年中国人口时间序列数据(case42)为例介绍: (1)时间序列图; (2)求中国人口序列的相关图和偏相关图，识别模型形式； (3)估计时间序列模型; (4)样本外预测。 1、画时间序列图 点击View键，选择Graph/Line功能 从人口序列y的变化特征看，这是一个非平稳序列。 2、再通过单位根检验来证实 3、求中国人口序列的相关图和偏相关图，识别模型形式 知中国人口序列y是非平稳序列，而dy是平稳序列〈相关图呈指数衰减特征)。通过初步分析，认定dy是一个1阶或2阶自回归过程，假定先估计AR(2)模型。 二、模型的参数估计 从EViews主菜单中点击Quick键，选择Estimate Equation功能。在随即弹出Equation specification对话框中输入 D(Y) c AR(I) AR(2) 将样本范围改为1949 ~ 2000年，留下2001年的值用于计算预测精度。 从输出结果的最后一行知道，特征根是1/0.62=1.61，满足平稳性要求。 三、模型的检验 参数估计后，应该对ARMA模型的适合性进行检验，即对模型的残差序列et进行白噪声检验。 若残差序列不是白噪声序列，意味着残差序列还存在有用信息没被提取，需要进一步改进模型。 常用的是残差序列的卡方检验 1.直接对系统默认对象resid操作 2.方程输出窗口菜单操作 单击View打开下拉菜单，选择 Residual Tests/Correlogram-Q-Statistics, 在弹出的对话框中输入最大滞后期，点击OK，生成残差序列的自相关分析图。 第三节 模型的预测 比如用估计的模型Dyt = 0. 0547 + 0. 6171 Dy t- 1+ vt预测2001年的中国总人口，在窗口中点击forecast键，弹出对话窗口。在S. E. (optional)选择区填入yfse，把Forecast sample (预测样本区间)改为2001 ~2001，预测方法(Method)选静态预测(Static) 第四节 ARIMA的建立 例：example 8-2是我国1990年1月份至1997年12月工业总产值的月度资料，记作IP，共有96个观测值，对序列IP建立ARIMA模型。 实际建模时希望用高阶的AR模型替换相应的MA或ARMA模型。 第五节 协整检验和ECM模型 协整检验的基本思想是对回归方程的残差进行单位根检验，若残差序列是平稳序列，则表明方程的因变量和解