实验ARIMA模型的建立.docVIP

实验 ARIMA模型 一、实验目的 了解ARIMA模型的特点，了解三者之间的区别联系，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软件进行ARIMA模型的识别诊断估计和预测。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）以及求和自回归移动平均过程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ACF，偏自相关函数PACF以及它们各自的相关图。对于一个序列而言，它的第阶自相关系数为它的阶自协方差除以方差，即＝ ，它是关于滞后期的函数，因此我们也称之为自相关函数，通常记ACF()。偏自相关函数PACF()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 内容：B-J方法论建立合适的ARIMA（）模型，并利用此模型进行预测。 要求：（1）深刻理解（2）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模型识别 （1）数据 （2）时序图判断平稳性 做出该序列的时序图3-2，看出该序列呈指数上升趋势，直观来看，显著非平稳。 命令如下： win.graph(width=5,height=3.5,pointsize=8) #给出作图视窗尺寸 plot(eg,type=o) #作时序图 （3）原始数据的对数处理 因为数据有指数上升趋势，为了减小波动变化，对其对数化，其时序图如下，对数化后的序列远没有原始序列波动剧烈： 命令为： win.graph(width=5,height=3.5,pointsize=8) #给出作图视窗尺寸 plot(eg[,1],log(eg[,2]), xlab=年份,ylab=贸易总额的对数值,type=o) #作出时序图 图3-3 对数进出口总额时序图 从图上仍然直观看出序列不平稳，为了证实这个结论，进一步对其做ADF检验。 首先加载tseries程序包，然后执行下列命令： adf.test(eg[,2]) 结果如下： Augmented Dickey-Fuller Test data: eg[, 2] Dickey-Fuller = 2.4886, Lag order = 3, p-value = 0.99 alternative hypothesis: stationary Warning message: In adf.test(eg[, 2]) : p-value greater than printed p-value ADF检验结果表明，p值远大于默认p值（0.05），接受存在单位根的原假设，所以验证了序列是非平稳的。 （4）建立一阶差分序列 对于非平稳序列，通常做法是通过差分比如一阶差分，二阶差分甚至更高阶差分来消除趋势，但差分会丢失原始数据的信息。Augmented Dickey-Fuller Test data: y Dickey-Fuller = -3.7585, Lag order = 3, p-value = 0.02778 alternative hypothesis: stationary ADF检验结果表明，p值小于默认p值（0.05），拒绝接受存在单位根的原假设，所以可以接受序列是平稳的。因为这就可以对y序列进行ARMA模型分析了。 实际上，我们是对一阶差分后的序列在进行ARMA建模，因此，建立的模型从原序列角度应该称为ARIMA模型，其中，差分部分的参数d=1. （）模型的识别 从y的自相关函数图和偏自相关函数图中我们可以看到，自相关函数和偏自相关系数的截尾性并不明显的，因此考虑建立混合ARMA模型。 2、模型的估计arima(y,order=c(1,0,1),method=ML) #ARMA(1,1) arima(y,order=c(1,0,1),method=CSS) #ARMA(1,1) arima(y,order=c(1,0,2),method=ML) #ARMA(1,2) arima(y,order=c(1,0,3),method=ML) #ARMA(1,3) arima(y,order=c(2,0,1),method=ML) #ARMA(2,1) 如： (1)Call: arima(x = y, or