实验5ARIMA模型的建立.pdf

实验 5 ARIMA 模型的建立 一、实验目的 了解 ARIMA 模型的特点和建模过程，了解 AR ，MA 和 ARIMA 模型三者之间的区别 与联系， 掌握如何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，以及如 何利用 ARIMA 模型进行预测。掌握在实证研究如何运用 R 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 ）以及求和自回归 移动平均过程 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 Xt 而言，它的第 j 阶自相关系数 j 为它 的 j 阶自协方差除以方差，即 j ＝ j 0 ，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 )度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： （1）根据时序图的形状，采用相应的方法把非平稳序列平稳化； （2 ）对经过平稳化后的 1950 年到 2007 年中国进出口贸易总额数据运用经典 B-J 方法论建 立合适的 ARIMA （p, d, q ）模型，并能够利用此模型进行进出口贸易总额的预测。 2、实验要求： （1）深刻理解非平稳时间序列的概念和 ARIMA 模型的建模思想； （2 ）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； （3 ）熟练掌握相关 Eviews 操作，读懂模型参数估计结果。 四、实验指导 1、模型识别 （1）数据录入 eg-read.csv( 全国进出口贸易总额 .csv) #读入数据 （2 ）时序图判断平稳性 做出该序列的时序图 3-2 ，看出该序列呈指数上升趋势，直观来看，显著非平稳。 命令如下： win.graph(width=5,height=3.5,pointsize=8) #给出作图视窗尺寸 plot(eg,type=o) #作时序图 0 0 0 0 5 1 0 额 0 0 总 0 0 易 1 贸 口 出 0 0 进 0 0 5 0 1950 1960 1970 1980 1990 2000 年份 （3）原始数据的对数处理 因为数据有指数上升趋势，为了减小波动变化，对其对数化，其时序图如下，对数化后 的序列远没有原始序列波动剧烈：