时间序列与ARIMA模型.docVIP

实验五 ARIMA模型的概念和构造 一、实验目的 　　了解AR，MA以及ARIMA模型的特点，了解三者之间的区别联系，以及AR与MA的转换，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，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。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(简称ACF），偏自相关函数(简称PACF)以及它们各自的相关图（即ACF、PACF相对于滞后长度描图）。对于一个序列 来说，它的第j阶自相关系数(记作 )定义为它的j阶自协方差除以它的方差，即 ＝ ，它是关于j的函数，因此我们也称之为自相关函数，通常记ACF(j)。偏自相关函数PACF(j)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： 　　根据1991年1月～2005年1月我国货币供应量（广义货币M2）的月度时间数据来说明在Eviews3.1 软件中如何利用B-J方法论建立合适的ARIMA（p,d,q）模型，并利用此模型进行数据的预测。 2、实验要求： （1）深刻理解上述基本概念； （2）思考：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。 四、实验指导 1、ARIMA模型的识别 （1）导入数据 　　打开Eviews软件，选择“File”菜单中的“New--Workfile”选项，出现“Workfile Range”对话框，在“Workfile frequency”框中选择“Monthly”，在“Start date”和“End date”框中分别输入“1991:01”和“2005:01”，然后单击“OK”，选择“File”菜单中的“Import--Read Text-Lotus-Excel”选项，找到要导入的名为EX6.2.xls的Excel文档，单击“打开”出现“Excel Spreadsheet Import”对话框并在其中输入相关数据名称(M2)，再单击“OK”完成数据导入。 （2）模型的识别 首先利用ADF检验，确定d值，判断M2序列为2阶非平稳过程（由于具体操作方法我们在第五章中予以说明，此处略），即d的值为2，将两次差分后得到的平稳序列命名为W2；下面我们来看W2的自相关、偏自相关函数图。 打开W2序列，点击“View”—“Correlogram”菜单，会弹出如图5－1所示的窗口， 　　　　　　　　　　　　　图5－1 自相关形式设定 我们选择滞后项数为36，然后点击“OK”，就得到了W2的自相关函数图和偏自相关函数图，如图5－2所示。 图5－2 W2自相关函数图和偏自相关函数图 　　从W2的自相关函数图和偏自相关函数图中我们可以看到，他们都是拖尾的，因此可设定为ARMA过程。W2的自相关函数1-5阶都是显著的，并且从第6阶开始下降很大，数值也不太显著，因此我们先设定q值为5。W2的偏自相关函数1-2阶都很显著，并且从第3阶开始下降很大，因此我们先设定 p的值为2，于是对于序列W2，我们初步建立了ARMA(2,5)模型。 2、模型的估计 点击“Quick”－“Estimate Equation”，会弹出如图5－3所示的窗口，在“Equation Specification”空白栏中键入“ W2 C MA(1) MA(2) MA(3) MA(4) MA(5) AR(1) AR(2)”，在“Estimation Settings”中选择“LS-Least Squares(NLS and ARMA)”，然后“OK”，得到如图5－4所示的估计结果。 图5－3 回归方程设定 图5－4 ARMA(2,5)回归结果 可以看到，除常数项外，其它解释变量的系数估计值在15%的显著性水平下都是显著的。 3、模型的诊断 点击“View”—“Residual test”—“Correlogram-Q-statistics”，在弹出的窗口中选择滞后阶数为36，点击“Ok”，就可以得到Q统计量，此时为30.96，p值为0.367，