ARIM模型预测.docVIP

PAGE \* MERGEFORMAT 16 ARIMA模型预测 一、模型选择 预测是重要的统计技术，对于领导层进行科学决策具有不可替代的支撑作用。 常用的预测方法包括定性预测法、传统时间序列预测（如移动平均预测、指数平滑预测）、现代时间序列预测（如ARIMA模型）、灰色预测（GM）、线性回归预测、非线性曲线预测、马尔可夫预测等方法。 综合考量方法简捷性、科学性原则，我选择ARIMA模型预测、GM(1,1)模型预测两种方法进行预测，并将结果相互比对，权衡取舍，从而选择最佳的预测结果。 二ARIMA模型预测 （一）预测软件选择R软件 ARIMA模型预测，可实现的软件较多，如SPSS、SAS、Eviews、R等。使用R软件建模预测的优点是：第一，R是世最强大、最有前景的软件，已经成为美国的主流。第二，R是免费软件。而SPSS、SAS、Eviews正版软件极为昂贵，盗版存在侵权问题，可以引起法律纠纷。第三、R软件可以将程序保存为一个程序文件，略加修改便可用于其它数据的建模预测，便于方法的推广。 （二）指标和数据 指标是销售量(x)，样本区间是1964-2013年，保存文本文件data.txt中。 （三）预测的具体步骤 1、准备工作 （1）下载安装R软件 目前最新版本是R3.1.2，发布日期是2014-10-31，下载地址是 HYPERLINK / /。我使用的是R3.1.1。 （2）把数据文件data.txt文件复制 “我的文档”我的文档是默认的工作目录， 我的文档是默认的工作目录，也可以修改自定义工作目录。 （3）把data.txt文件读入R软件，并起个名字。具体操作是：打开R软件，输入（输入每一行后，回车）： data=read.table(data.txt,header=T) data #查看数据 #后的提示语句是给自己看的，并不影响R运行 回车表示执行。完成上面操作后，R窗口会显示： （4）把销售额（x）转化为时间序列格式 x=ts(x,start=1964) x 结果： 2、对x进行平稳性检验 ARMA模型的一个前提条件是，要求数列是平稳时间序列。所以，要先对数列x进行平稳性检验。 先做时间序列图： 从时间序列图可以看出，销售量x不具有上升的趋势，也不具有起降的趋势，初步判断，销售量x是平稳时间序列。但观察时间序列图是不精确的，更严格的办法是进行单位根检验。 单位根检验是通行的检验数列平稳性的工具，常用的有ADF单位根检验、PP单位根检验和KPSS单位根检验三种方法。 单位根检验的准备工作是，安装tseries程序包。安装方法：在联网状态下，点菜单“Packages—Install packages”，在弹出的对话框中，选择一个镜像，如China(Beijing1)，确定。然后弹出附加包列表，选择tseries，确定即可。 安装完附加包后，执行下面操作： library(tseries) #加载tseries包 adf.test(x) #ADF检验 pp.test(x) #PP检验 kpss.test(x) #KPSS检验 结果： 上面分别给出了ADF检验、PP检验和KPSS检验的结果。其中，ADF检验显示x是不平稳的（P值=0.990.05），而PP检验 PP检验的原假设是不平稳，P值=0.01，小于0.05，拒绝原假设，表明序列是平稳的。和KPSS检验 PP检验的原假设是不平稳，P值=0.01，小于0.05，拒绝原假设，表明序列是平稳的。 KPSS检验与PP检验和ADF检验不同，它的原假设是平稳的。P值=0.1，大于0.05，接受原假设，表明序列是平稳序列。 3、选择模型 做x的自相关图（左图）和偏自相关图（右图）： acf(x) #做自相关图 pacf(x) #做偏自相关图 无论是自相关系数图（左），还是偏自相关系数图（右），都显著第4阶的系数突破了虚线，表明相关性显著。因此，我们建立4阶AR模型，写作AR(4)。 4、估计模型参数 fit=arima(xse,order=c(4,0,0)) #把估计结果取名为fit fit #查看fit 上面给出了AR模型的回归系数的估计值，其中，截距为44079.31，1到4阶自回归系数分别是0.0344，-0.0174，-0.2002和0.4560。 5、模型效果的检验 模型效果的检验非常重要，因为只有通过检验，才证明是可靠、有效的模型，才能进行后续的预测分析。 主要的检验工具有两个，一是对回归系数的显著性检验。四个自回归系数中，第4个回归系数的T统计值=0.4560/0.1241=3.67，大于2，因此，通过了显著性检验，表明确实存在四阶自相关。这与前面看自相关图和偏自相关系数图的结论相吻合。 第二个检验是残差的白噪声检验（Ljung