原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
ARIMA模型的概念和构造实验报告
学院：经济管理学院
专业：
姓名：
学号：
2015年5月11日
目录
TOC\o1-3\h\z\u1、实验目的 2
1.1实验原因 2
1.2根本概念 2
2、实验内容 2
3、试验过程 2
3.1模型的识别 2
导入数据 2
模型的识别 3
3.2模型的估计 5
3.3模型的诊断 6
3.4模型的预测 8
1、实验目的
1.1实验原因
在经济领域中建立的回归模型通常都是根据经济金融理论找出对某些变量有影响的其他变量，建立适宜的模型，再对模型进行估计。但这不是在所有情况下都适用的，有些变量可能根本无法观测，或者观测频率与原始数据频率不一致不能应用到模型中，在此情况下引入了一种新的建模思想，不采用其他变量，因变量仅对它的滞后值以及随机误差项的现值和滞后值回归。即自回归单整移动平均模型，简称ARIMA模型。
1.2根本概念
如果随机误差项的各期望值之间存在着相关关系，这时，称随机误差项之间存在自相关性或序列相关。
假设我们需要计算X和Y之间的相关性，Z代表其他所有的变量，X和Y的偏相关系数可以认为是X和Z线性回归得到的残差Rx与Y和Z线性回归得到的残差Ry之间的简单相关系数，即偏相关系数。
ARIMA模型的根本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。现代统计方法、计量经济模型在某种程度上已经能够帮助企业对未来进行预测。
本实验主要是根据原始数据序列，以及利用eviews计算出的自相关和偏自相关系数对ARIMA模型进行识别、诊断、估计和预测。
2、实验内容
选择北辰实业2006-11-1至2009-11-1的收盘价周数据为原始数据。利用原始数据在eviews中建立适宜的ARIMA模型，并利用模型对数据进行预测。
3、试验过程
3.1模型的识别
导入数据
将数据导入eviews，数据命名为bc。并且在eviews中生成原始数据的一阶差分dbc和二阶差分d2bc。如下列图所示。
图3-1原始数据导入和差分
模型的识别
利用ADF检验，可以得出原始数据二阶差分是平稳的，即bc序列是2阶非平稳过程，即d的值为2。下列图为二阶差分ADF检验的结果。
图3-2二阶差分d2bcADF检验结果
然后，对d2bc进行自相关设定，选择滞后项为36，得到d2bc的自相关和偏自相关函数图如下所示。
图3-3D2Bc自相关函数图和偏自相关函数图
从上图可以直观地看出，他们都是拖尾的，因此可以设定ARMA过程。根据自相关函数图和骗子相关函数图的阶数显著性，本文先设定P为4，q为5，对于序列d2bc初步建立ARMA〔4,4〕模型。
3.2模型的估计
对回归方程进行设定，在eviews中得到ARMA〔4,4〕的回归结果如下列图所示。
图3-4ARMA〔4,4〕回归结果
从上图回归结果中可以看到，除常数项外其他解释变量的系数估计值在15%的显著性水平下都是显著的。当p，q都为4时模型的AIC值为2.52。
3.3模型的诊断
选择滞后阶数为36，在eviews中得出Q统计量，如下列图所示。
图3-5对d2bc序列进行Q统计
由上图可得，当滞后阶数为36时，Q统计量为30.129，P值为0.562，因此不能拒绝原假设，可以认为模型较好地拟合了数据。
为了验证是否存在更好的模型，增加模型的滞后长度，得到如下表格：
表3-1不同p,q值的AIC值
P
4
4
4
5
6
7
5
5
5
Q
4
5
6
4
4
4
6
7
8
aic
2.52
2.54
2.56
2.51
2.55
2.55
2.55
2.57
2.57
从上表可以看到，我们应该选择p=5,q=4，而且此时解释变量的系数值都是显著的，因此最终建立模型为ARMA〔5,4〕。
图3-6ARMA〔5,4〕回归结果
3.4模型的预测
首先，我们选择2008年2月22日至2009年10月30日的数据进行dynamic预测，它是根据所选择的估计区间进行多步向前预测。得到的预测结果如下列图所示。
图3-7Dynamic预测方式结果
图中实线表示d2bc的预测值，虚线表示2倍的标准差的置信区间。可以看到，随着时间的增长，预测值很快趋于0，theil不相等系数为0.79，说明预测能力不太好。对不相等系数的分解说明偏误比例很小，方差比例较大，说明实际序列的波动大，而模拟序列的波动小，这可能是由于时间过长或者突发事件造成的。
然后再利用Static方法来估计2008年10月31日至2009年10月30日的d2bc序列，得到结果如下列图所示。
图3
文档评论（0）