时间序列作业第五章.docVIP

1、（1）判断序列的平稳性 该序列时序图如图1所示： 时序图显示该序列有显著的变化趋势，为典型的非平稳序列。 （2）对原序列进行差分运算： 对原序列进行1阶差分运算，运算后序列时序图如图2所示： 时序图显示差分后序列在均值附近比较平稳的波动。为了进一步确定平稳性，考察差分后序列的自相关图，如图三所示： 自相关图显示差分后序列不存在自相关，所以可以认为1阶差分后序列平稳，从图中我们还可以判断差分后序列可以视为白噪声序列。 （3）对白噪声平稳差分序列拟合AR模型原序列的自相关图和偏自相关图如图4： 图中显示序列自相关系数拖尾，偏自相关系数1阶截尾，实际上我们用ARIMA（1，0，0）模型拟合原序列。在最小二乘估计原理下，拟合结果为： （4）对残差序列进行检验： 残差白噪声检验： 参数显著性检验： 图中显示：延迟6阶和12阶的P值均大于0.05，可以认为该残差序列即为白噪声序列，系数显著性检验显示两参数均显著。这说明ARIMA（1，0，0）模型对该序列建模成功。 （5）模型的预测： 估计下一盘的收盘价为： 2、（1）绘制时序图： 时序图显示该序列具有长期递增趋势和以年为周期的季节效应。 （2）差分平稳化 对原序列作1阶差分，希望提取原序列的趋势效应，差分后序列时序图： 3、模型定阶 考察差分后序列相关图和偏自相关图的性质，进一步确认平稳性判断，并估计拟合模型的阶数。 自相关图和偏自相关图显示延迟12阶自相关系数和偏自相关系数大于2倍标准差范围，说明差分后序列中仍有非常显著的季节效应。延迟1阶的自相关系数和偏自相关系数也大于2倍的标准差，这说明差分后序列还具有短期相关性。根据差分后序列自相关图和偏自相关图的性质，尝试拟合ARMA模型，但拟合效果均不理想，拟合残差均通不过白噪声检验。所以我们可以考虑建立乘积模型： ： （4）参数估计 使用最小二乘法估计方法，得到该模型的估计方程为： （5）模型的检验 对拟合模型进行检验，检验结果显示该模型顺利通过了残差白噪声检验（图21）和参数显著性检验（图22）。 白噪声检验（图21） 参数显著性检验（图22） （6）模型预测 下一年度该城市月度婴儿出生率预测如下表： 月份 1 2 3 4 5 6 7 8 9 10 11 12 预测值 27.611 27.604 27.895 27.762 27.881 27.805 27.848 27.836 27.81 27.842 27.748 27.788 3、（1） 即 所以 （2） 4、（1）平稳性检验： 从该序列时序图中可以看到该序列为非平稳序列。 （2）模型拟合： ARCH过程检验： 异方差怀特检验： DW=2.05 序列中残差不存在自相关；怀特检验之后也不存在异方差；ARCH LM检验之后也不存在ARCH过程。 所以确定该模型为： （3）预测： 1939—1945年英国绵羊的数量预测如下表： 年份 1939 1940 1941 1942 1943 1944 1945 预测值 1652 1645 1637 1630 1623 1615 1608 5、（1）考察该序列的方差齐性： 该序列时序图显示序列显著非平稳，如图所示： 对序列一阶差分之后残差进行怀特检验，检验结果如下： 结果说明序列残差存在异方差， （2）但残差序列异方差时，我们需要对它进行进一步的处理，由于我们不知道异方差的具体函数，所以拟合条件异方差模型。 我们模拟的方程形式为：GARCH（2，1）即 采用ARCH方法得到的拟合结果为： 对模型残差进行检验： 怀特检验结果： 结果显示不存在异方差。 ARCH LM检验结果： 结果显示不存在ARCH过程。 所以我们确定最后的拟合方程为：