时间序列研究.pptVIP

ARIMA模型例子 差分后序列的自相关和偏自相关函数如下图所示。可以看出ACF第一个后截尾，PACF呈拖尾状，初步判定差分后序列适合MA(1)模型，即原序列适合ARIMA(0,1,1)模型。 由SPSS得到参数估计 BIC=10.763 模型的残差自相关 下图为残差序列的自相关函数，可以认为是独立的，对房地产价格数据建立的ARIMA(0,1,1)模型是适应的。 利用该模型可以对房地产价格进行预测，下图是实际值、拟合值以及预测值图示。 实际值、拟合值以及预测值图示 ARIMA(1,1,0)模型 BIC=10.838，略高于ARIMA(0,1,1)。 模型的残差自相关（ARIMA(1,1,0) 下图为残差序列的自相关函数，可以认为是独立的，对房地产价格数据建立的ARIMA(1，1，0)模型是适应的。 ARIMA(1,1,0)模型。 实际值、拟合值以及预测值图示 SPSS Statistics 可以自动选择p, d, p的值 在实际应用中，可以让SPSS 软件根据设定的规则自动筛选“最优”的模型。 在“方法”中选择“专家建模器”，在“条件”中选择ARIMA模型。 在例8.4中， 不指定p d q的值，SPSS Statistics 选择的是ARIMA(0,1,1)模型。 时间序列预测的一个基本假设是：现象在过去的发展趋势会在未来保持下