《计量经济学》模型综合练.pptVIP

第二步设定平滑常数的值 单指数设定alpha，双指数设定alpha和beta，三指数设定alpha、beta和gamma。如果用户希望让系统去估计平滑常数，EViews将采用残差平方和最小法估计各个平滑常数。如果EViews估计的平滑常数几乎等于1时，无须惊讶！表明用户提供的序列几乎是一个随机游走，那么，最新一期的实际值就是未来的最好估计值。如果希望自己设定平滑常数，就在对话框中消去E并键入欲设定的平滑常数。 第三步给生成的平滑序列命名和设置样本区间 给生成的平滑序列命名，也可以接受EViews提供的缺省名，缺省名是在原序列名后加上SM。 此外，用户还可以改变进行指数平滑的样本范围，缺省的样本观察值范围是工作文件的样本范围。 紧接作估计区间的末尾开始预测。 例如，将1997:4改为2000:4,EViews 将自动给出1998:1至2000:4的预测值。当然必须先扩展Range和Smpl。这为利用指数平滑进行外推预测带来了极大的方便。 第四步设置季节周期的长度 EViews缺省的周期数，对季度数据是4，对年度数据是12。 如果改变缺省设置，EViews允许用户使用特殊的非时间序列数据（0），或者采用某个适当的周期数长度（例如5年计划）进行工作。 点击OK开始执行过程 得到输出结果 自动给出1980-2000的预测值 （1）单指数平滑 （Single exponential） 只利用一个平滑常数?依据原序列计算出一个新的平滑序列。计算公式： 即，平滑预测值 =平滑常数?乘以上一期的实际值 +(1-?)乘以上一期的平滑预测值 单指数平滑只能外推一期。外推值是一个常数，等于平滑序列最后一期的值（出现在结果表）。 外推时，始终等于这个常数。 （（2）双指数平滑（Double exponential） 适用于具有明显线性趋势的序列。双指数平滑法计算两个分量的递推项： 一个持久水平 mean 一个趋势水平 trend 各自使用各自的平滑常数或公用一个平滑常数。 得到一个可以外推的线性预测公式： （3）Holt-Winters无季节模型（Holt-Winters noseasonal） 适用于无季节具有明显趋势的序列。使用两个平滑常数分别计算持久水平外推项和趋势外推项。 除了给出mean和trend外，如果用户要求的话，EViews还给出“最优”的两个平滑常数alpha和beta。所谓“最优”指的是使实际值与平滑值之差（残差）的平方和最小。将估计区间扩大自动预测。 LZN87发电量指数平滑预测 （4）Holt-Winters加法模型（Holt-Winters additive） 适用于有趋势且季节影响是加性的序列。使用三个平滑常数：alpha、beta和gamma，分别对持久水平、趋势水平和季节影响进行平滑。 （5）Holt-Winters乘法模型（Holt-Winters multiplicative） 适用于有趋势且季节影响是乘性（倍数）的序列。使用三个平滑常数：alpha、beta和gamma，分别对持久水平、趋势水平和季节影响进行平滑。 （1）自回归模型yt是它前期值和随机误差项ut的线性函数 （2）滑动平均模型 yt是它前期误差项和随机误差项ut的线性函数 （3） 自回归滑动平均模型 五*、随机时间序列分析模型的识别 自回归滑动平均模型ARMA(p,q)是随机时间序列的普遍形式。 随机时间序列主要研究内容： 1、平稳性分析 如果序列xt是平稳的，则 （1）其均值E(xt)与时间t无关 （2）其方差Var(xt)是有限的，并不随着t的推移产生系统的变化 2、模型识别问题，p=？q=？ 3、模型参数的估计问题 主要内容 1、自相关函数和偏自相关函数 自相关函数 偏自相关函数 （1）MA(q)的自相关函数 （2）AR(p)的自相关函数 （3）ARMA(p,q)的偏自相关函数 2、模型识别 自相关函数Autocorrelationar 偏自相关函数Partial Correlation 2、模型识别 （1）AR(p)的识别 偏自相关函数PAC在p以后截尾，即kp，PAC=0；而且它的自相关函数AC是拖尾的 （2）MA(q)的识别 自相关函数AC在q以后截尾，即kq，AC=0；而且它的偏自相关函数PAC是拖尾的 （3）ARMA(p,q)的识别，若随机时间序列的偏自相关函数PAC和自相关函数AC都是拖尾的，则此序列是自回归滑动平均序列。模型中的p=?和q=?，则要从低阶到高阶逐步试探，直到找到合适的模型为止。 EViews识别举例 AR(1)的识别 互相关函数Cross rel