运用Eviews软件进行ARIMA模型的识别诊断估计和预测.docVIP

实验 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。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 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。 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 1ARIMA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“”，在“Start date”和“End date”框中分别输入“1991”和“2005”，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2；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“iew”—“Correlogram”菜单，会弹出如的窗口， 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 图5－2 W2自相关函数图和偏自相关函数图2、模型的估计”－“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“iew”—“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。表-1是我们试验的几个p, q值的AIC信息值 表-1 不同p, q值的AIC信息值16.78 16.75 16.77 16.76 16.76 16.77 16.77 16.78 16.79 16.75 16.79 16.78 可以看到，根据AIC信息值，我们应选择p=3、q=5或p=4、q=6，但是按照后者建立的模型中有的解释变量的系数估计值是不显著的，而按照前者建立的模型其解释变量的系数值都是显著的（如图5－5所示），因此我们最终建立的模型是ARMA(3,5)。 图5－5 ARMA(3,5)回归结果 4、模型的预测”，前者是根据所选择的一定的估计区间，进行多步向前预测；后者是只滚动的进行向前一步预测，即每预测一次，用真实值代替预测值，加入到估计区间，再进行向前一步预测。我们首先用前者来估计2003年1月到2005年1月