- 1、本文档共11页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
季节效应分析
一、数据来源:
P.122.例4.6,北京市1995——2000年月平均气温序列(附录1.10)。
二、研究目的:
在日常生活中,我们可以见到许多有季节效应的时间序列,比如:四季的气温,每个月的商品零售额,某自然景点每季度的旅游人数等等。他们都会呈现出明显的季节变动规律。 所谓季节效应就是在不同的季节中数据会呈现很明显的差异。在对北京市1995——2000年月平均气温序列的分析中,把每月温度绘制成图,可以帮助我们更清楚地看到季节效应的存在。
三、理论背景:
假如没有季节效应的影响,北京市的气温应该始终在某个均值附近随机波动,季节效应的存在,使得气温会在不同年份的相同月份呈现出相似的性质,通过建模我们可以提取季节变动和随机变动的信息,这个过程即是对有季节效应的建模过程。
四、数据统计分析:
步骤一,初步了解数据信息,并作预处理:
将原始数据(附录1.10)导入Eviews 6.0中,并删除序列SERIES01,将序列SERIES02重命名为X。
点击Quick ——Graph,在出现的对话框中输入X,点击确定,得到时序图,如下:
由图可知,北京市1995——2000年每月的平均气温随着季节的变动有着非常规律的变化。气温的波动主要受到两个因素的影响:一个是季节效应,一个是随机波动。同时可以看出气温在剔除季节效应后是一个稳定的序列,因此不用对随机波动做差分处理。
了解该模型的平均值,进行零均值化处理。在Eviews中,quick→series statistics →histogram and stats 得到该直方图如下:
知该模型的均值为13.03333。对模型进行零均值化处理。在命令窗口中写genr y=x-13.03333。生成x零均值化处理后的序列y。
步骤二,对零均值处理后的序列Y进行季节差分处理:
在命令窗口中输入genr z=y-y(-12),按Enter键。
打开Z序列,点击View——Correlogram,出现对话框,在Correlogram of下选 level,在lags to include下输入36,点击OK,得到Z序列的自相关和偏自相关图,如下:
从自相关图和偏自相关图可以看出Z序列不是纯随机性序列可以建模。Z序列可拟建立:SARIMA(1,0,0)x(0,1,1)12模型,SARIMA(0,0,1)x(0,1,1)12模型,SARIMA(0,0,2)x(0,1,1)12模型,SARIMA(1,0,1)x(0,1,1)12模型,SARIMA(1,0,0)x(0,1,2)12模型,SARIMA(0,0,1)x(0,1,2)12模型,SARIMA(0,0,2)x(0,1,2)12模型,SARIMA(1,0,1)x(0,1,2)12模型。
步骤三,初步建模:
建立SARIMA(1,0,0)x(0,1,1)12模型:
点击Quick ——estimate equation,在出现的对话框中输入z ar(1) sma(12),点击确定,得到结果如下图:
在该模型中,有一个系数为0.2260,大于0.05,未通过检验,剔除此模型。
同理可得SARIMA(0,0,1)x(0,1,1)12模型:
该模型的系数一个为0.0326,一个为0,通过检验,保留此模型。
同理可得SARIMA(0,0,2)x(0,1,1)12模型:
该模型的系数有一个为0.1718,未通过检验,剔除此模型。
同理可得SARIMA(1,0,1)x(0,1,1)12模型:
该模型的系数中有一个为0.1443,未通过检验,剔除此模型。
同理可得SARIMA(1,0,0)x(0,1,2)12模型:
该模型中有一个系数为0.3646,未通过检验,剔除此模型。
同理可得SARIMA(0,0,1)x(0,1,2)12模型:
该模型中有一个系数为0.2876.未通过检验,剔除此模型。
同理可得SARIMA(0,0,2)x(0,1,2)12模型:
该模型中一个系数为0.2794,一个为0.2034,均未通过检验,剔除此模型。
同理可得SARIMA(1,0,1)x(0,1,2)12模型:
该模型的系数,一个为0.0980,一个为0.0065,另外两个为0,通过检验,保留此模型。
步骤四:比较选择最优模型,并写出表达式:
1,比较保留的两个模型的AIC,BIC,残差平方和和极大似然估计:
比较指标 AIC BIC 残差平方和 极大似然估计 SARIMA(0,0,1)x(0,1,1)12 3.274077 3.343889 86.82357 -96.
文档评论(0)