arima模型的模拟.docVIP

ARIMA模型 （以1880---1985年全球气表平均温度改变值序列为例进行建模。） 利用Eviews模拟预测 （一）序列的平稳性及白噪声检验 打开Eviews7.0，选择File/New/Workfile，出现对话框，选择年度数据，时间从1880年至1985年。选择Object/New Object，Type of object为Series并命名为T。将EXCEL的数据导入或直接输入数据。 在Series：T窗口选择view/graph默认为折线图，选择【确定】，绘制该序列的时序图（可双击图像对其进行不同程度的美化）。 该时序图显示全球气表平均温度的改变值有逐年上升的趋势，所以认为此序列为非平稳时序，这时候需要对其进行差分处理。具体做法为：Quick/Generate Series，在对话框中输入dt=t-t(-1)，得到新的差分后的序列dt。再用上面的方法绘制时序图， 上图显示全球气表平均温度改变值差分序列在0℃附近波动，没有明显的趋势或周期性，所以序列基本平稳。 下面进行自相关图的检验。考察该序列的样本自相关图，进一步检验该序列的平稳性。对dt序列选择View/Correlogram，选择当前水平。即 从图可以看出，样本自相关图显示延迟1阶后，自相关系数都落入2倍的标准差范围内，并且自相关系数能够趋于0，延迟10阶之后自相关系数在0值附近波动。另外，Q统计量的相伴概率都小于0.05，故拒绝原假设，认为该差分序列为非白噪声序列。 通过1阶差分后的时序图大致认为序列平稳。下面进一步通过单位根的检验方法确认序列是否平稳。具体步骤为：对dt序列，选择View/Unit Root Test，Test Type为ADF，其他默认，结果见表。 T统计量的相伴概率小于0.05，故拒绝原假设，认为该差分后的序列平稳。最终得到平稳非白噪声序列。 （二）模型的识别 ARMA模型定阶的基本原则如表 自相关系数 偏自相关系数 模型定阶 拖尾 p阶截尾 AR（p）q阶截尾 拖尾 MA（q）ARMA(p，q) 由图可知，偏自相关系数衰减缓慢，延迟3阶后自相关系数都落入2倍的标准差范围内，并且偏相关系数能够趋于0，所以可以考虑p=1,p=2,p=3,分别建立3个模型并加以检验比较，得出最佳的一组估计。经比较最终建立的模型为ARIMA（1,1） 由图可知，，，，所以ARMA（1,1）模型为：。当a=0.05时，参数均通过检验，所以拒绝原假设，参数显著非零，该模型是合理的。 （四）残差的白噪声检验 具体做法是对resid序列选择View/Correlogram，选择当前水平。即 看残差序列的自相关和偏自相关图，Q检验统计量的相伴概率均大于0.05， 接受原假设，得出残差是白噪声序列，即模型是有效的。 （五）模型的预测 预测值的波动较大，其不相等系数为0.286，方差比例为0.123。比例下降表明此种方法较好的模拟了实际序列的波动，其协方差的比例为0.877，表明预测结果较理想。 上图是原数据时序图与预测后序列的时序图对比。蓝色是预测图，红色为实际数据图。 在Matlab中模拟