时间序列上机实验ARMA模型的建立.doc

实验一ARMA模型建模 一、实验目的 学会检验序列平稳性、随机性。学会分析时序图与自相关图。学会利用最小二乘法等方法对ARMA模型进行估计，以及掌握利用ARMA模型进行预测的方法。学会运用Eviews软件进行ARMA模型的识别、诊断、估计和预测和相关具体操作。 二、基本概念 宽平稳：序列的统计性质不随时间发生改变，只与时间间隔有关。 AR模型：AR模型也称为自回归模型。它的预测方式是通过过去的观测值和现在的干扰值的线性组合预测，自回归模型的数学公式为: 式中: 为自回归模型的阶数（i=1，2，，p）为模型的待定系数，为误差，为一个平稳时间序列。 MA模型：MA模型也称为滑动平均模型。它的预测方式是通过过去的干扰值和现在的干扰值的线性组合预测。滑动平均模型的数学公式为: 式中: 为模型的阶数；（j=1，2，，q）为模型的待定系数；为误差；为平稳时间序列。 ARMA模型：自回归模型和滑动平均模型的组合，便构成了用于描述平稳随机过程的自回归滑动平均模型ARMA，数学公式为: 三、实验内容 （1）通过时序图判断序列平稳性； （2）根据相关图，初步确定移动平均阶数q和自回归阶数p； （3）对时间序列进行建模 四、实验要求 学会通过各种手段检验序列的平稳性；学会根据自相关系数和偏自相关系数来初步判断ARMA模型的阶数p和q，学会利用最小二乘法等方法对ARMA模型进行估计，学会利用信息准则对估计的ARMA模型进行诊断，以及掌握利用ARMA模型进行预测。 五、实验步骤 1．模型识别 （1）绘制时序图 在Eviews软件中，建立一个新的工作文件，500个数据。通过Eviews生成随机序列“e”，再根据“x=0.8*x(-1)-0.4*x(-2)+e”生成AR(2)模型序列“x”，默认x（1）=1，x（2）=2，得到下列数据，由于篇幅有限。只展示一部分。 图一：x的数据图 对序列x进行处理。首先，生成时序图二，初步判断其平稳性： 图二：时序图 通过上图可知，此序列为平稳非白噪声序列，可以对其进行进一步的处理分析，进而建模。 2）绘制序列相关图（滞后阶数为22阶） 图二：序列自相关和偏自相关图 从相关图看出，自相关系数迅速衰减为0，偏自相关系数二阶截尾，说明序列平稳。 当Q统计量大于相应分位点，或该统计量的P值小于0.05时则可以以0.95的置信水平拒绝原假设，认为该序列为非白噪声序列；否则，接受原假设，认为该序列为纯随机序列。 而由下图可以看出Q统计量足够大且P统计量足够小，满足拒绝原假设的条件，认为该序列为非白噪声序列。 故可以对序列采用B-J方法建模研究。 3）ADF检验序列的平稳性 在经过上面直观判断后，下面通过统计检验来进一步对其进行证实，在如下对话框中选择对常数项，不带趋势的模型进行检验后点击ok，出现图五，由图五中统计量可得，拒绝存在一个单位根的原假设，序列平稳。 图四 图五：ADF检验 4）模型定阶 由图三可以看出，偏自相关系数在k=2后突变为0，且后面的值均在0附近，故可判断其偏自相关系数明显为2阶结尾，可尝试用AR（2）进行拟合。而自相关系数开始渐变，且后面还有接近甚至稍大于两倍标准差的（已在途中用红圈标出），故一方面可判断其拖尾；另一方面，k=3后自相关系数突然变为几乎为0，后面基本都在2倍标准差内浮动，可认为其有4阶截尾的嫌疑。故后面会对AR(2)、MA(4)以及ARMA(2,4)分别进行考虑。 点击View/Descriptive Statistics/Histogram and States对原序列做描述统计分析得到图六，可见序列均值为0.055665，不为0，但由于通常是对0均值平稳序列做建模分析，故需要在原序列基础上生成一个新的0均值序列。 点击主菜单Quick/Generate Series，在对话框中输入赋值语句y=x-0.055665，点击ok生成新序列y，故所得序列y是0均值的平稳非白噪声序列。重复上面操作序列y进行描述统计分析得到图七，由于y相当于对序列x的平移，故统计特性本质上未发生改变，所以可通过分析y来得到x的特性。 图六：原序列作描述统计分析 图七：Y序列作描述统计分析 2．模型参数估计 1）尝试AR模型。由上面通过识别所确定的阶数2，可以初步建立AR (2)。 在主窗口输入ls y ar(1) ar(2) ，其中ar(i)（i=1，2）表示自回归系数，得到图9，即得模型估计结果和相关诊断统计量。由伴随概率可知，AR（1）、AR（2）均高度显著，表中最下方给出的是滞后多项式的倒数根，只有这些值都在单位圆内时，过程才平稳。由表可知，这三个根都在单位圆内。 另外，表中还有其他有价值的统计量： AIC、SC准则是选择模型时需要参考的重要指标，其值越小越好。 DW统计量是对残差的自相关检验