统计专业实验-实验5-平稳时间序列建模.docxVIP

----宋停云与您分享---- ----宋停云与您分享---- 实 验 报 告 ----宋停云与您分享---- ----宋停云与您分享---- 实验项目实验日期实验目的 实验内容 实验五 平稳时间序列建模 2012-3-29 实验日期 80804 掌握平稳时间序列的识别、建模，模型识别过程。 由某市 1985-1993 年各月工业生产总值数据，建立随机时间序列预测模型。（数据见文件 ex5-某市 1985－1993 年各月工业生产总值.sav） (1)作序列图，进行简单平稳分析，并进行初步处理 (2)进行自相关分析，对模型进行识别 (3)进行模型估计，包括定阶检验和适应性检验。 ----宋停云与您分享---- ----宋停云与您分享---- 实验思考题解答： 1．由 ACF 和 PACF 函数进行模型识别的思路如何？ 答：分别观察ACF 和 PACF 函数，如果某一个模型的ACF 函数是呈指数衰减或正弦波衰减并趋于零，即呈拖尾性，PACF 函数却是 p 阶截尾的，该模型则为 AR 模型；相反，若 ACF 函数是 q 阶截尾，PACF 是拖尾的，则为 MA 模型。如果 ACF 函数和 PACF 函数都是呈现拖尾，那么就是 ARMA 模型。 2．模型定阶的方法由哪些？ 答：模型定阶的方法有下列几种：（1）基于自相关系数和偏自相关系数的定阶方法；（2）基于 F 检验确定阶数；（3）利用信息准则法（即 AIC 准则和 BIC 准则）定阶。 ----宋停云与您分享---- ----宋停云与您分享---- 统计专业实验 实验运行程序、基本步骤及运行结果： 基本操作： （1）利用 SPSS，创建 SPSS 数据文件，并建立时间变量； （2）绘数据与时间的关系图，初步识别序列，输入下列命令：Analyze－Time Series-Sequence chart； （3）输入如下程序 Analyze－Time Series-Autocorrelation chart；观察输出结果。 （4）选择命令Analyze－Time Series－ARIMA，输入ARIMA阶数为3,0,1；输出结果如下： （5）选择分析命令：Analyze－Time Series－ARIMA，输入 ARIMA 阶数为 4,0,0；输出结果如下： （6）选择分析命令：Analyze－Time Series－ARIMA，输入 ARIMA 阶数为 2,0,1；输出结果如下： （7）选择分析命令：Analyze－Time Series－ARIMA，输入 ARIMA 阶数为 3,0,0；输出结果如下： 结果如下： （一）原始数据的时序图： 由上可以看出此序列是非平稳序列。而且具有线性递增的长期趋势和周期长度为一年的稳定的季节变动。 （二）对时间序列进行一阶自然对数逐期差分做出的序列图及相应的自相关图和偏自相关系数图： 1 ----宋停云与您分享---- ----宋停云与您分享---- 统计专业实验 由图可以看到序列的趋势基本消除了，但是当k=12时，样本的自相关函数和偏自相关函数显著不 为零，这表明存在季节性。 2 ----宋停云与您分享---- ----宋停云与您分享---- 统计专业实验 （三）对序列做自然对数的季节差分的时序图及相应的自相关图和偏自相关系数图： 3 ----宋停云与您分享---- ----宋停云与您分享---- 统计专业实验 由图可以看到，序列的样本自相关函数和偏自相关函数很快的落入随机区间，所以，时间序列的趋势基本消除，但是当k=12时取值还是很大，季节依然明显。对其进行进一步做季节差分，发现 效果不佳，因而略去。因此，这里对时间序列只做了一阶季节差分。 （四）模型的设定及确定最优模型 1）由（三）中的自相关图和偏自相关图来看，均呈拖尾现象，因此对序列建立ARMA模型。且通过观察可以认为P=2或P=3较为合适，而且可以看到q=1. 2）由于AR模型的参数估计较MA和ARMA模型的参数估计较为容易，并且参数意义也便于解释，因此这里我选择一下（p,q）组合：（3,1），（4,0），（2,1），（3,0）。spss输出结果如下 （这里由于表多只列出第一个模型结果，另外几个格式是一样的） 模型描述 模型类型 模型 ID 工业产值 模型_1 ARIMA(3,0,1)(0,1,0) 模型统计量 模型拟合统计量 Ljung-Box Q(18) ----宋停云与您分享---- ----宋停云与您分享---- 模型 工业产值-模型_1 预测变量数 平稳的 R 方 0 .192 R 方 .952 正态化的 BIC .201 统计量 16.956 DF Sig. 14 .259 离群值数 0 ----宋停云与您分享---- ----宋停云与您分享