时序第五章作业.pdfVIP

袁宏宇 09 统计 2 班 第 1 题、 25 号 从时序图可以看出， 样本序列为非平稳序列， 进一步对样本序列进行白噪声检验： 从白噪声检验可以看出， P 值均较小，故可认为该样本序列为非白噪声序列。 从样本自相关图与样本偏自相关图中可以看出， 有两种可能的估计： 一种为 自相关系数呈 7 阶截尾，偏自相关系数呈 1 阶截尾，不过样本自相关系数在第 7 阶后落入两倍标准误内， 且系数递减到零的速度相当缓慢， 故判断序列为非平稳 非白噪声序列， 样本偏自相关系数在第 7 阶临近两倍标准误， 故另一种为自相关 系数 7 阶截尾和偏自相关系数拖尾， 对非平稳序列进行一阶差分后， 可尝试拟合 ARIMA （1，1，2 ），ARIMA （1，1，1），ARIMA （0，1，0 ）模型。 对 ARIMA （1，0，1）模型，残差白噪声检验显示延迟各阶 LB检验统计量的 P 值均显著大于 0.05，证明拟合模型效果显著，但模型的参数检验中，有参数没 通过显著性检验，故不能用此模型来拟合序列。 对 ARIMA （1，0 ，2 ）模型，残差白噪声检验显示延迟各阶 LB 检验统计量 的 P 值均显著大于 0.05，证明拟合模型效果显著， 但模型的参数检验中， 有参数 没通过显著性检验，故不能用此模型来拟合序列。 对 ARIMA （0，1，0）模型，既随机游走模型，残差白噪声检验显示延迟各 阶 LB 检验统计量的 P 值均显著大于 0.05，证明拟合模型几乎提取了原序列的相 关信息，在模型的参数检验中，常数项没通过显著性检验，故剔除常数项后，用 随机游走模型— ARIMA （0，1，0 ）模型来拟合序列： xt xt 1 t 2 E( t ) 0,Var ( t ) , E( t s ) 0, s t Exs t 0, s t 利用随机游走模型拟合该序列后估计下一天的收盘价为 283 ： 第一题的 SAS程序 data ppp; input value @@; difv=dif(value); time=_n_; cards ; 304 303 307 299 296 293 301 293 301 295 284 286 286 287 284 282 278 281 278 277 279 278 270 268 272 273 279 279 280 275 271 277 278 279 283 284 282 283 279 280 280 279 278 283 278 270 275 273 273 272 275 273 273 272 273 272 273 271