季节ARIMA模型建模与预测实验指导.docx

word 实验六 季节 ARIMA模型建模与预测实验指导 学号： 20131363038 某某：阙丹凤 班级：金融工程 1 班 一、实验目的 学会识别时间序列的季节变动，能看出其季节波动趋势。学会剔除季节因素 的方法， 了解 ARIMA模型的特点和建模过程， 掌握利用最小二乘法等方法对 ARIMA 模型进展估计，利用信息准如此对估计的 ARIMA模型进展诊断，以与如何利用 ARIMA模型进展预测。掌握在实证研究如何运用 Eviews 软件进展 ARIMA模型的 识别、诊断、估计和预测。 二、实验内容与要求 1、实验内容： 根据美国国家安全委员会统计的 1973-1978 年美国月度事故死亡率数据， 请 选择适当模型拟合该序列的开展。 2、实验要求： 〔 1〕深刻理解季节非平稳时间序列的概念和季节 ARIMA模型的建模思想； 〔2〕如何通过观察自相关，偏自相关系数与其图形，利用最小二乘法，以与信 息准如此建立适宜的 ARIMA模型；如何利用 ARIMA模型进展预测； 〔3〕熟练掌握相关 Eviews 操作。 三、实验步骤 第一步：导入数据 1 / 9 word 第二步：画出时序图 SIWANGRENSHU 12,000 11,000 10,000 9,000 8,000 7,000 6,000 5 10 15 20 25 30 35 40 45 50 55 60 65 70 由时序图可知， 死亡人数虽然没有上升或者下降趋势， 但由季节变动因素影 响。 第三步：季节差分法消除季节变动 2 / 9 word 由时序图可知，波动的周期大约为 12，所以对原序列作 12 步差分，得到新 序列如如下图所示。 D(SIWANGRENSHU,0,12) 1,200 800 400 0 -400 -800 -1,200 -1,600 5 10 15 20 25 30 35 40 45 50 55 60 65 70 由 12 步差分后的新序列可知，由上升趋势，再进展一步差分得到进一步的 新序列，结果如如下图所示。 3 / 9 word D(NEW) 1,600 1,200 800 400 0 -400 -800 -1,200 5 10 15 20 25 30 35 40 45 50 55 60 65 70 所以经过 12 步差分、又经过一阶差分后的序列平稳。 第四步：平稳性检验 4 / 9 word Null Hypothesis: D(NEW) has a unit root Exogenous: Constant Lag Length: 1 (Automatic - based on SIC, maxlag=10) t-Statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level -7.938879 -3.550396 -2.913549 -2.594521 0.0000 *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(NEW,2) Method: Least Squares Date: 05/10/16 Time: 15:07 Sample (adjusted): 16 72 Included observations: 57 after adjustments Variable D(NEW(-1)) D(NEW(-1),2) C Coefficient -1.712534 0.260488 41.99379 Std. Error 0.215715 0.130940 48.89779 t-Statistic -7.938879 1.989362 0.858807 Pro