关于流通中的现金的时间序列模型建立..docxVIP

关于流通中的现金的时间序列模型建立120244107 韩颖对数据进行平稳性检验通过时序图和ACF图检查数据是否是平稳的，画出图如下 由时序图可以看出，数据是不平稳的带有趋势性与周期性，同样从acf图可以看出自相关函数并没有迅速趋于0，则认为模型是不平稳的。二．对数据做差分使其平稳对原数据做一阶差分与画出时序图与ACF，PACF图如下，并作kpss，adf，pp检验其平稳性。 由上图可以看出，时序图消除了趋势性，而从ACF图看出一阶差分之后的时序图基本平稳，进一步做单位根检验其平稳性，如下：KPSS Test for Level Stationaritydata: ms1KPSS Level = 0.033, Truncation lag parameter = 2, p-value = 0.1警告信息：In kpss.test(ms1) : p-value greater than printed p-value pp.test(ms1) Phillips-Perron Unit Root Testdata: ms1Dickey-Fuller Z(alpha) = -78.1488, Truncation lag parameter = 3,p-value = 0.01alternative hypothesis: stationary警告信息：In pp.test(ms1) : p-value smaller than printed p-value adf.test(ms1) Augmented Dickey-Fuller Testdata: ms1Dickey-Fuller = -5.2132, Lag order = 4, p-value = 0.01alternative hypothesis: stationary警告信息：In adf.test(ms1) : p-value smaller than printed p-value可以看出，kpss检验p值大于0.1，接受原假设；pp检验与adf检验p值均小于0.01，拒绝原假设。则数据是平稳的。三．对平稳性数据进行模型识别 由上图可以看出ACF与PACF均是拖尾，因此选择ARMA模型，下面通过AIC，BIC，AICC模型进行模型识别：AIC auto.arima(ms1,ic=aic)Series: ms1 ARIMA(1,0,1) with zero meanCoefficients: ar1 ma1 0.4040 -0.7840s.e. 0.1533 0.0888sigma^2 estimated as log likelihood=-739.24AIC=1484.47AICc=1484.81 BIC=1491.47BIC auto.arima(ms1,ic=bic)Series: ms1 ARIMA(1,0,1) with zero meanCoefficients: ar1 ma1 0.4040 -0.7840s.e. 0.1533 0.0888AICCsigma^2 estimated as log likelihood=-739.24AIC=1484.47AICc=1484.81 BIC=1491.47 auto.arima(ms1,ic=aicc)Series: ms1 ARIMA(1,0,1) with zero meanCoefficients: ar1 ma1 0.4040 -0.7840s.e. 0.1533 0.0888sigma^2 estimated as log likelihood=-739.24AIC=1484.47AICc=1484.81 BIC=1491.47由上面可以看出，三种准则下得到的模型一致，因此选择ARIMA(1,1,1)，再通过ACF图可以看出存在季节性，且P=3，因此选择ARIMA(1,1,1).模型。四．对模型进行参数估计对模型进行参数估计如下：Series: x ARIMA(1,1,1)(0,0,3)[12]Coefficients: ar1 ma1 sma1 sma2 sma3 -0.4296 -0.9999 0.5597 0.5626 0.9973s.e. 0.10790.0260 0.7950 0.4071 0.8153sigma^2 estimated as 5839102: log likelihood=-713.5AIC=1437AICc=1438.24 BIC=1450.91因此模型为ARIMA(1,1,1)其中