《eviews时间序列分析实验》.docxVIP

eviews时间序列分析实验 实验二ARIMA模型的建直 一、 实验目的 熟悉ARIMA模型，掌握利用ARIMA 模型 建模过程，学会利用自相关系数和偏自相关系数 对ARIMA模型进行识别，利用最小二乘法等方 法对ARIMA模型进行估计，利用信息准则对估 计的ARIMA模型进行诊断，以及学会利用 ARIMA模型进行预测。掌握在实证研究如何运 用Eviews软件进行ARIMA模型的识别、诊断、 估计和预测。 二、 基本概念 所谓ARIMA模型，是指将非平稳时间序列 转化为平稳时间序列，然后将平稳的时间序列建 立ARMA模型。ARIMA 模型根据原序列是否 平稳以及回归中所含部分的不同，包括移动平均 过程（MA ）、自回归过程（AR）、自回归移动平 均过程（ARMA ）以及ARIMA 过程。 在ARIMA模型的识别过程中，我们主要用 到两个工具：自相关函数 ACF,偏自相关函数 PACF以及它们各自的相关图。对于一个序列成」 而言，它的第j阶自相关系数Pj为它的j阶自协方 差除以方差，即Pj = Yj/〃。,它是关于滞后期j的 函数，因此我们也称之为自相关函数，通常记 ACF(j)。偏自相关函数PACF( j渡量了消除中间 滞后项影响后两滞后变量之间的相关关系。 三、 实验内容及要求 1、 实验内容： 根据时序图的形状，采用相应的方法把非 平稳序列平稳化； 对经过平稳化后的 1952年2010年中国 GDP总量数据建立ARIMA (p,d,q)模型，并利 用此模型进行中国GDP总量的预测。 2、 实验要求： 深刻理解非平稳时间序列的概念和 ARIMA 模型的建模思想； 如何通过观察自相关，偏自相关系数及其 图形，利用最小二乘法，以及信息准则建立合适 的ARIMA 模型；如何利用ARIMA模型进行预 测； 熟练掌握相关Eviews操作，读懂模型参数 估计结果。 四、 实验步骤 1、模型识别 (1)数据录入 打开Eviews软件，选择 File菜单中的 “NewWorkfile 选项，在“Workfile structure type 栏中选择 “Dated-regular frequency’，在 “Frequency 栏中选择“Annual,分别在起始 年输入1952,终止年输入2010,点击ok,见图 1。这样就建立了一个工作文件。点击 File/Import，找到相应的Excel数据集，导入即 可。 图1 (2)时序图判断平稳性 进行时序平稳性判断，(操作步 骤:view— graphic— LinSymbol)。结果如图 2 所示： O Series: GDP Workfile; PEOPLE::Untitled\ Vi 乾 Pr(x Object Properties Print Name Freeze Sample Ge nr Sheet Graph Stats Tder GDP 50,000,000 40,000.000 - ^0.000.000- 20,000.000 10.000.000- I | I ? i ■ | i i i n | mi i | i i i | | i r i i | i i i i | n i i i | n i ■ i | i r i i i i i ■ | i i i i S5 60 65 70 75 30 85 SO 95 00 05 10 从图中可以很明显看出图形称指数增长趋势， 显 然不平稳。 (3)对gdp数据的进行取对数 为了减少波动，对每年的gdp数据进行取对数。 及在命令框中输入如图3所示命令： File Edit Objectseries x=log；gdp; 取对数后的时序图如图4所示 从图4中看出序列仍然不平稳，观察x的自相关 和偏自相关图，如图5所示: □ Series: X Workfile: PEOPLE::Untitled\ | 0-|医 Jiew Pro匚 Deject Properties Pmt Narne Freeze Sample Gerir Sheet Graph Stats Idf Correlograni ofX Date: 1Min2 Time: 15:23 Sample: 1952 2010 Include ci cbsersations: 59 AutoGorrelatiQn Partial CorralatiQn AC PAG Q-Stat Prob TOC \o 1-5 \h \z ]| 1 0.950 0.950 56 D34 0.000 0.901 -0.017 107.33 0.000 0.851 -0.041 13 87 0.000 0.S01 -0.022 195S6 0 000 0 753 -0.007 233 66