时间序列分析实验2时间序列模型的识别、参数估计参考.pdfVIP

实验2： 时间序列模型的识别、参数估计 实验目的： 1. 掌握时间序列的平稳性检验、纯随机性检验。 2. 能够利用自相关系数和偏自相关系数对时间序列模型进行识别。 3. 掌握参数估计的方法。 实验内容： 利用教材 P151习题 7.6所给的样本数据，在 Eviews 中实现下列内容： （1） 画出时序图； （2 ） 给出直至滞后 48期的所有样本自相关系数和样本偏自相关系 数； （3 ） 利用（ 2 ）的结果判断该序列的平稳性和纯随机性； 解：由（ 2）的序列分析结果： a、可以看出自相关系数（ AC ）始终 在零周围波动，判定该序列为平稳时间序列； b、看 Q统计量的 P值：该 统计量的原假设为 X 的1期， 2期 ……k期的自相关系数均等于 0 ，备择假 设为自相关系数中至少有一个不等于 0，因此如图知，该 P值几乎都 5% 的显著性水平 ,所以拒绝原假设，即序列不是纯随机序列（白噪声序 列）。 （4 ） 对该序列建立不同的模型，并进行比较，最后选择一个最优 的模型； 解：观察（ 2）的图形，我们可以假设模型为 MA （q）、AR （p）或 ARMA （p，q ）模型。 下面对每一个模型进行检验。 对 MA （1）： 如图所示： c对应的 prob0.05 ，故拒绝原假设，不能省去 c。MA(1) 对应 的prob0.05，故此模型有意义。 AIC 为0.3354. 对 MA （2 ）： MA （2）（ p0.05故此模型没有意义）。 如图所示： c对应的 prob0.05 ，故拒绝原假设，不能省去 c;AR(1) 对应的 prob0.05，故此模型有意义。 AIC 值为 0.3092. 对AR （2 ）： AR （2 ）对应的 p0.05故此模型没有意义。 对ARMA （1， 1）： AR （1）对应的 p0.05故此模型没有意义。 c对应的 prob0.05，故拒绝原假设，不能省去 c;AR(1) ，MA （1）， MA （2）对应的 p均小于 0.05，故此模型有意义。 AIC 值为 0.2594. 如此所示进行重复实验（不再重复），发现， ARMA （1，2 ）对应的 AIC 值最小（为 0.2594），由 AIC 准则， ARMA （1，2 ）模型对模型的拟 合最好。 （5 ） 给出模型各个参数估计值。