Eviews论文.docVIP

摘要 本文通过对1978年到2011年cpi时间序列建模的探索，得出结论：ARMA（p,q）模型不要求原序列平稳，只是要求AR特征方程的根的模大于1。而cpi的ARMA（1,1）模型中cpi一阶滞后值的系数在0与1之间，满足条件。可以用ARMA（1,1）模型来预测未来的cpi。而我们也可以用cpi的一阶滞后差分方程预测未来cpi的增量。本文的独创是对不平稳的原cpi时间序列建立ARMA（1，1）模型，并对未来期的cpi进行预测，拟合值与实际值之间的误差较小，有一定的借鉴意义。与此同时，通过cpi的一阶滞后差分方程预测未来期cpi的增量也有一定的借鉴意义。 关键词 ARMA（p,q），一阶滞后差分方程，平稳性 很多论文中对cpi时间序列数据进行处理后建立了ARCH模型，这有着自己的道理，这可以从直接进行自回归后，作残差图可以发现残差在不同的时期波动性不同进行佐证。但是本文对数据的选取和处理不同于其他论文。 下面简单介绍下条件异方差模型，并把本文对cpi时间序列建模的思路、过程和结果展现给读者。本文分四部分：一、条件异方差模型的简介；二、cpi时间序列的AR（1）、ARMA（1，1）、ARMA（2，1）模型；三、cpi时间序列的一阶滞后自回归模型；四、结论。 一、条件异方差模型的简介 Eviews中的大多数统计工具都是用来建立随机变量的条件均值模型。 本论文讨论建立变量的条件的异方差或变量波动性模型，并将模型应用在实例中。 自回归条件异方差（Autoregressive Conditional Heteroscedasticity Model, ARCH）模型是特别用来建立条件方差模型并对其进行预测的。 ARCH模型是1982年由恩格尔（Engle，R）提出，并由博勒斯莱文（Bollersley，T.，1986）发展成为GARCH（Generalized ARCH）--广义自回归条件异方差。这些模型被广泛的应用与经济学的各个领路。尤其在金融时间序列分析中。 恩格尔和克拉格（Kraft，D.，1983）在分析宏观数据时，发现这样一些现象：时间序列模型中的扰动方差稳定性比通常假设的要差。恩格尔的结论说明在分析通货膨胀模型模型时，大的及小的预测误差会大量出现，表明存在一种异方差，其中预测误差的方差取决于后续扰动项的大小。 从事于股票价格、通货膨胀率、外汇汇率等金融时间序列预测的研究工作者，曾发现他们对这些变量的预测能力随时期的不同而由相当大的变化。这种变化很可能由于本期金融市场的波动性易受本期之前市场传言、政府政策变化等的影响。 为了刻画这种影响，恩格尔提出自回归的条件异方差的主要思想是时刻t的的方差依赖于时刻（t-1）及之前的扰动项平方的大小，即依赖于、…… （1） 可以看成是本期扰动因素对时间序列本期值的冲击，假设为白噪声过程。 如果扰动项方差中没有自相关，就会有 （2） 这时 （3） 从而得到扰动项方差的同方差性情形。我们经常见到的金融时间序列不满足同方差的假设。这意味着我们通过以下的回归去检验上述虚拟假设时，经常拒绝原假设。 （4） 其中，是如下k变量回归模型的残差： （5） 为了保证序列的平稳性。要求如下的特征方程的特征根全部在单位圆外。 ARCH的检验 如果能有可以检验一个模型的残差是否含有ARCH效应的方法，那么说金融时间序列具有条件异方差就更有说服力，而且ARCH本身不能使标准的OLS估计无效，但是，忽略ARCH影响可能导致有效性降低。 而Engle在1982年提出检验残差序列中是否存在ARCH效应的拉格朗日成书检验，即ARCHLM检验。 ARCHLM检验统计量由一个辅助检验回归计算。为检验原假设：残差中直到q阶都没有ARCH，运行如下回归。 （6） 这个检验回归有两个统计量： F统计量是对所有残差平方的滞后的联合显著性所作的检验； 统计量是Engle’s LM检验统计量，它是观测值个数T乘以回归检验的； 残差平方相关图 残差平方相关图可以用来检验残差自回归条件异方差性（ARCH）。如果残差中不存在ARCH，在各阶滞后自相关和偏自相关系数应为0，且Q统计量应不显著。可适用于LS，TSLS，非线性LS方程。 二、cpi时间序列的AR（1）、ARMA（1，1）ARMA(2，1)模型 为了建立中国CPI时间序列的模型,本文在实证研究中建立了CPI模型。 居民消费价格指数(consumer price index,CPI)是指城乡居民购买支付生活消费品和服务项目的价格，对CPI的预测是国家制定宏观政策的依据之一，具有重要的研