关于某流通中地现金地时间序列模型建立.doc

实用标准文案 精彩文档 关于流通中的现金的时间序列模型建立 120244107 韩颖 对数据进行平稳性检验 通过时序图和ACF图检查数据是否是平稳的，画出图如下 由时序图可以看出，数据是不平稳的带有趋势性与周期性，同样从acf图可以看出自相关函数并没有迅速趋于0，则认为模型是不平稳的。 二．对数据做差分使其平稳 对原数据做一阶差分与画出时序图与ACF，PACF图如下，并作kpss，adf，pp检验其平稳性。 由上图可以看出，时序图消除了趋势性，而从ACF图看出一阶差分之后的时序图基本平稳，进一步做单位根检验其平稳性，如下： KPSS Test for Level Stationarity data: ms1 KPSS Level = 0.033, Truncation lag parameter = 2, p-value = 0.1 警告信息： In kpss.test(ms1) : p-value greater than printed p-value pp.test(ms1) Phillips-Perron Unit Root Test data: ms1 Dickey-Fuller Z(alpha) = -78.1488, Truncation lag parameter = 3, p-value = 0.01 alternative hypothesis: stationary 警告信息： In pp.test(ms1) : p-value smaller than printed p-value adf.test(ms1) Augmented Dickey-Fuller Test data: ms1 Dickey-Fuller = -5.2132, Lag order = 4, p-value = 0.01 alternative hypothesis: stationary 警告信息： In adf.test(ms1) : p-value smaller than printed p-value 可以看出，kpss检验p值大于0.1，接受原假设；pp检验与adf检验p值均小于0.01，拒绝原假设。则数据是平稳的。 三．对平稳性数据进行模型识别 由上图可以看出ACF与PACF均是拖尾，因此选择ARMA模型，下面通过AIC，BIC，AICC模型进行模型识别： AIC auto.arima(ms1,ic=aic) Series: ms1 ARIMA(1,0,1) with zero mean Coefficients: ar1 ma1 0.4040 -0.7840 s.e. 0.1533 0.0888 sigma^2 estimated as log likelihood=-739.24 AIC=1484.47 AICc=1484.81 BIC=1491.47 BIC auto.arima(ms1,ic=bic) Series: ms1 ARIMA(1,0,1) with zero mean Coefficients: ar1 ma1 0.4040 -0.7840 s.e. 0.1533 0.0888 AICC sigma^2 estimated as log likelihood=-739.24 AIC=1484.47 AICc=1484.81 BIC=1491.47 auto.arima(ms1,ic=aicc) Series: ms1 ARIMA(1,0,1) with zero mean Coefficients: ar1 ma1 0.4040 -0.7840 s.e. 0.1533 0.0888 sigma^2 estimated as log likelihood=-739.24 AIC=1484.47 AICc=1484.81 BIC=1491.47 由上面可以看出，三种准则下得到的模型一致，因此选择ARIMA(1,1,1)，再通过ACF图可以看出存在季节性，且P=3，因此选择ARIMA(1,1,1)(0,0,3)12.模型。 四．对模型进行参数估计 对模型进行参数估计如下： Series: x ARIMA(1,1,1)(0,0,3)[12] Coefficients: ar1 ma1 sma1