时间序列分析优秀培训书.pptVIP

* 《统计学》第7章时间序列分析 7-* 7.3.4 ARIMA模型 使用场合 差分平稳序列拟合 ＊ 模型结构 ＊ * 《统计学》第7章时间序列分析 7-* ARIMA 模型族 d=0 ARIMA(p,d,q)=ARMA(p,q) P=0, d=0 ARIMA(P,d,q)=MA(q) q=0, d=0 ARIMA(P,d,q)=AR(p) d=1,P=q=0 ARIMA(P,d,q)=random walk model * 《统计学》第7章时间序列分析 7-* 【例7.4】（数据文件example7.1）我们使用example7.1中1978年至2005年国内生产总值（GDP，亿元）数据，2006-2008年用于做预测。使用ARIMA模型进行分析，并给出2006-2008年的预测值。 * 《统计学》第7章时间序列分析 7-* 解：例7.1中时序图表明该序列不具有平稳性，通过差分后平稳性得到了较大提高。图7.5给出了该数据的0（即原始数据），1，2阶差分后的ACF图，图7.6给出了0（即原始数据），1，2阶差分后的PACF图；表7.5给出了未差分数据，一阶差分和二阶差分数据拟合部分ARIMA模型的拟合优度统计量。如果用未差分数据拟合一个AR（1）模型，从其ACF和PACF的结构来看，似乎符合一个AR（1）模型，但其Ljun-Box Q统计量非常显著，表明其残差存在明显的序列相关，模型不能通过检验。 * 《统计学》第7章时间序列分析 7-* 如果考虑MA(1)和ARMA(1，1)，模型也不能通过检验，并且他们的BIC统计量的数值也偏大。如考虑一阶差分后的数据，其PACF在一阶截尾，因此我们选用ARIMA（1，1，0）、ARIMA(1，1，1)和ARIMA(0，1，2)进行拟合，此时BIC统计量比未差分数据下的结果明显减小，但ARIMA(0，1，2)未通过Ljun-Box Q检验ARIMA(0，1，1)类似。因此ARIMA(1，1，0)、ARIMA(1，1，1)是可以接受的模型，但综合来看ARIMA(1，1，1)更合适一些。 * 《统计学》第7章时间序列分析 7-* 当考虑二阶差分后，模型拟合效果并不好，如ARIMA（1，2，0）的Stationary 的数值非常小。因此我们建议使用ARIMA（1，1，1）模型。 * 《统计学》第7章时间序列分析 7-* 图7.5 GDP数据0，1，2阶差分后的ACF 图 * 《统计学》第7章时间序列分析 7-* 图7.6 GDP数据0，1，2阶差分后的PACF 图 * 《统计学》第7章时间序列分析 7-* 表7.5 ARIMA（p，d，q）的拟合及检验统计量 * 《统计学》第7章时间序列分析 7-* 使用ARIMA(1，1，1)拟合数据的参数估计（常数项不显著，因此去掉常数项参数）如表7.6所示，可以看出其回归参数均显著（当拟合ARIMA(1，1，2)模型时，滑动平均项系数不显著）。模型拟合后残差的ACF和PACF图具有较好的平稳性特征（如图7.7所示），近一步说明ARIMA(1，1，1)是一个合适的模型。 * 《统计学》第7章时间序列分析 7-* 表7.6 ARIMA（1，1，1）模型的参数估计 * 《统计学》第7章时间序列分析 7-* 图7.7 拟合ARIMA(1，1，1)模型 残差的ACF和PACF图 * 《统计学》第7章时间序列分析 7-* 当得到一个拟合模型之后，我们希望能用该模型对将来每段时间的GDP进行预测，这里以2006-2008年的预测为例，说明如何使用SPSS软件进行操作：打开数据文件example7.1_1(此数据不包含example7.1中2006-2008年的数据)，执行Analyze Create models命令， 出现一个对话框。将变量 点入到Dependent Variables中，在Method选项中选择ARIMA，点击Criteria，出现一个新的对话框； Time series * 《统计学》第7章时间序列分析 7-* 在Model选择中，ARIMA orders 的Structure中，在Autoregressive（p）的nonseasonal 项上输入1， 在difference（d）中输入1，在Moving average（q）中输入1,在Dependent variables transformation中不做选择，在includes constant in model中也不做选择（当选择此项时，常数项参数估计不显著），在Outliers选项中不做选择（如对该项做选择，结果会输出识别 出