Eviews论文资料.docVIP

  1. 1、本文档共23页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
Eviews论文资料.doc

摘要 本文通过对1978年到2011年cpi时间序列建模的探索,得出结论:ARMA(p,q)模型不要求原序列平稳,只是要求AR特征方程的根的模大于1。而cpi的ARMA(1,1)模型中cpi一阶滞后值的系数在0与1之间,满足条件。可以用ARMA(1,1)模型来预测未来的cpi。而我们也可以用cpi的一阶滞后差分方程预测未来cpi的增量。本文的独创是对不平稳的原cpi时间序列建立ARMA(1,1)模型,并对未来期的cpi进行预测,拟合值与实际值之间的误差较小,有一定的借鉴意义。与此同时,通过cpi的一阶滞后差分方程预测未来期cpi的增量也有一定的借鉴意义。 关键词 ARMA(p,q),一阶滞后差分方程,平稳性 很多论文中对cpi时间序列数据进行处理后建立了ARCH模型,这有着自己的道理,这可以从直接进行自回归后,作残差图可以发现残差在不同的时期波动性不同进行佐证。但是本文对数据的选取和处理不同于其他论文。 下面简单介绍下条件异方差模型,并把本文对cpi时间序列建模的思路、过程和结果展现给读者。本文分四部分:一、条件异方差模型的简介;二、cpi时间序列的AR(1)、ARMA(1,1)、ARMA(2,1)模型;三、cpi时间序列的一阶滞后自回归模型;四、结论。 一、条件异方差模型的简介 Eviews中的大多数统计工具都是用来建立随机变量的条件均值模型。 本论文讨论建立变量的条件的异方差或变量波动性模型,并将模型应用在实例中。 自回归条件异方差(Autoregressive Conditional Heteroscedasticity Model, ARCH)模型是特别用来建立条件方差模型并对其进行预测的。 ARCH模型是1982年由恩格尔(Engle,R)提出,并由博勒斯莱文(Bollersley,T.,1986)发展成为GARCH(Generalized ARCH)--广义自回归条件异方差。这些模型被广泛的应用与经济学的各个领路。尤其在金融时间序列分析中。 恩格尔和克拉格(Kraft,D.,1983)在分析宏观数据时,发现这样一些现象:时间序列模型中的扰动方差稳定性比通常假设的要差。恩格尔的结论说明在分析通货膨胀模型模型时,大的及小的预测误差会大量出现,表明存在一种异方差,其中预测误差的方差取决于后续扰动项的大小。 从事于股票价格、通货膨胀率、外汇汇率等金融时间序列预测的研究工作者,曾发现他们对这些变量的预测能力随时期的不同而由相当大的变化。这种变化很可能由于本期金融市场的波动性易受本期之前市场传言、政府政策变化等的影响。 为了刻画这种影响,恩格尔提出自回归的条件异方差的主要思想是时刻t的的方差依赖于时刻(t-1)及之前的扰动项平方的大小,即依赖于、…… (1) 可以看成是本期扰动因素对时间序列本期值的冲击,假设为白噪声过程。 如果扰动项方差中没有自相关,就会有 (2) 这时 (3) 从而得到扰动项方差的同方差性情形。我们经常见到的金融时间序列不满足同方差的假设。这意味着我们通过以下的回归去检验上述虚拟假设时,经常拒绝原假设。 (4) 其中,是如下k变量回归模型的残差: (5) 为了保证序列的平稳性。要求如下的特征方程的特征根全部在单位圆外。 ARCH的检验 如果能有可以检验一个模型的残差是否含有ARCH效应的方法,那么说金融时间序列具有条件异方差就更有说服力,而且ARCH本身不能使标准的OLS估计无效,但是,忽略ARCH影响可能导致有效性降低。 而Engle在1982年提出检验残差序列中是否存在ARCH效应的拉格朗日成书检验,即ARCHLM检验。 ARCHLM检验统计量由一个辅助检验回归计算。为检验原假设:残差中直到q阶都没有ARCH,运行如下回归。 (6) 这个检验回归有两个统计量: F统计量是对所有残差平方的滞后的联合显著性所作的检验; 统计量是Engle’s LM检验统计量,它是观测值个数T乘以回归检验的; 残差平方相关图 残差平方相关图可以用来检验残差自回归条件异方差性(ARCH)。如果残差中不存在ARCH,在各阶滞后自相关和偏自相关系数应为0,且Q统计量应不显著。可适用于LS,TSLS,非线性LS方程。 二、cpi时间序列的AR(1)、ARMA(1,1)ARMA(2,1)模型 为了建立中国CPI时间序列的模型,本文在实证研究中建立了CPI模型。 居民消费价格指数(consumer price index,CPI)是指城乡居民购买支付生活消费品和服务项目的价格,对CPI的预测是国家制定宏观政策的依据之一,具有重要的研

文档评论(0)

love + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档