计量经济课程报告广州房价的时间序列分析模型文档格式.docx
《计量经济课程报告广州房价的时间序列分析模型文档格式.docx》由会员分享，可在线阅读，更多相关《计量经济课程报告广州房价的时间序列分析模型文档格式.docx（13页珍藏版）》请在冰豆网上搜索。
年月
2009
2010
2011
1
8014
13477
13527
2
8011
13038
14002
3
8295
13279
12859
4
7978
13660
12970
5
8386
11830
12477
6
9676
12132
12914
7
9882
11639
13218
8
9075
12531
14234
9
9779
14288
15867
10
10078
13235
13792
11
10282
14633
13373
12
11263
15983
表1.广州一手房销售均价
三建模步骤与结果分析
1.数据的录入与平稳性的简单检验
首先把09年1月至11年11月的房价数据制成excel表，然后以月度时间序列数据的形式录入eviews软件中，建立数据项fj（图1.1）
图1.1
接着作出序列的时序图，首先构造时间趋势项，选择Quick\GenerateSeries，在弹出的窗口中输入t=@trend，得到时间趋势项t。
然后在工作窗口中同时选择fj与t两项，分别选择Quick\Graph\Linegraph与Quick\Graph\scatter两项，构造出序列的折线时序图（图1.2）与散点时序图（图1.3）。
图1.2图1.3
从图中可以看出房价序列带有明显的随时间递增的趋势性，故从直观上，我们判定其为非平稳的。
为了进一步判定其平稳性，需要作出其样本相关图。
在Eviews软件中，选择Quick\SeriesStatistics\Correlogram，在出现的SeriesName窗口中输入“fj”，在新出现的CorrelogramSpe...窗口中的Correlogramof栏内选择Level，在LagSpecification栏内输入“15”，点击OK，得如图1.4所示的样本自相关图。
图1.4
图形显示房价序列的样本自相关函数缓慢下降且呈正弦波形，而且前几个滞后期的Q统计量都超过了的对应滞后期的临界值，即拒绝了序列平稳性的假定，故初步认为房价序列是非平稳的。
2．房价序列平稳性的单位根检验
前面所做的平稳检验，虽然已经较好地判断出房价序列为非平稳序列，但是仍带有一定的主观成分。
为了更准确地对序列的平稳性作出判断，需要对序列进行单位根检验，下面我们对房价序列进行ADF检验。
首先，在工作文件窗口中双击打开fj序列，然后在序列窗口中选择View\UnitRootTest...。
在弹出的UnitRootTest窗口中的TestType栏内，选择AugmentedDickey-Fuller，在Maximum栏中填入3。
在Testforunitrootin栏内选择Level，在Includeintestequation栏内分别选择Trendandintercept、Intercept、None进行三种类型模型的尝试。
首先选择Trendandintercept项，得到如下结果：
图2.1图2.2
由图2.2可知该检验模型适当的形式为：
模型通过了LM检验，可知模型残差项不存在自相关性，模型设定正确。
而
的参数估计值的t统计量的值比ADF临界值表中各自的临界值大，不能拒绝序列存在单位根的假设。
同时由于时间项的参数不显著，故需进一步检验模型2；
选择Intercept项，得到如下结果:
图2.3图2.4
由图2.4可知，模型的适当形式如下:
同样地，模型通过了LM检验，可知模型设定正确。
同时由于常数项的参数不显著，伪概率超过5%，故需再进一步检验模型3；
选择None项，得到如下结果：
图2.5图2.6
模型的适当形式如下:
而模型3也通过了LM检验，而其而
的参数估计值的t统计量的值比ADF临界值表中各自的临界值大，同样不能拒绝序列存在单位根的假设。
可见，在5%的显著性水平下，这三个检验模型均不拒绝CPI序列具有单位根的假设，表明房价序列是非平稳时间序列。
3.房价序列的差分处理
由上面的检验，可知房价序列为非平稳的。
而为了对序列进行建模分析，我们需要提取序列中蕴含的确定性信息，为此我们对房价序列进行差分处理。
先对序列进行一阶差分，并在此进行单位根检验。
仿照之前步骤对序列进行单位根检验，只是在UnitRootTest窗口中的Testforunitrootin栏内选择1stdifference。
分别建立Trendandintercept、Intercept、None三种类型模型，得到如下结果。
Trendandintercept类型:
图3.1图3.2
Intercept类型：
图3.3图3.4
None类型：
图3.5图3.6
三个模型中，只要有一个模型表明序列是不含有单位根，则已经可以认为序列是平稳的。
而从上面的结果可知，三个模型都表明了序列是不含有单位根的，且三个模型都通过了LM检验，表明模型的设定是正确的。
故可以确切地认为差分后的房价序列是平稳的时间序列。
4.时序模型的定阶与建立
在建立时序模型前，需要考察fj的一阶差分序列的样本自相关与偏自相关图，以确定时序模型的形式。
在工作文件窗口中，点击打开fj序列项，然后选择View\Correlogram...。
在弹出窗口中的Correlogramof栏内选择1stdifferenced，在栏内输入“15”，点击OK，得到图4.1所示的样本自相关图。
图4.1
通过对图4.1进行观察分析，认为CPI的一阶差分序列的自相关系数与偏自相关系数都具有较明显的拖尾性质，因此选用ARMA模型。
并且认为其具有如下的ARMA（1,1）模型结构：
利用Eviews软件对该模型进行回归，得到回归结果如图4.2所示。
图4.2
从图中可知该式的OLS估计结果为
从显示的结果可知，模型通过了滞后1阶与滞后2阶的LM检验，模型残差项不存在自相关性，模型的设定正确。
但是常数项的参数估计结果不显著，而且可决系数较低，模型的整体估计效果不好，故决定再尝试建立多几个不同形式的ARMA模型，再从中选取最优的模型。
在分别建立了没常数项的ARMA（1,1）模型以及ARMA（2,1）模型,ARMA（1,2）模型,ARMA（2,2）模型后，通过比较，认为ARMA（1,2）模型的估计效果最优，模型估计结果如图4.2所示。
图4.3
从图中可知模型的OLS估计结果为
从结果中显示，虽然模型的可决系数也不算很高，但是已经比之前的要好很多，而且模型的各个参数的估计结果都显著，也具有较好的AIC值与SC值。
另外虽然没有同过LM检验，具有序列相关性，但这是采用时间序列数据作样本时的通病。
而为了不牺牲数据的自由度，我们也没有选取更高阶的ARMA模型。
故最后我们仍然选择了ARMA（2,1）模型为房价序列的最终模型。
5.模型的预测
最后运用建立的模型对广州未来的房价进行预测。
点击模型窗口中的Forecast选项，建立预测数据序列fjf2，然后选择View中的Actual,Fitted,ResidualGraph选项，得到图5.1.
图5.1
从上看出实际观察值与拟合值还是比较接近的，然后对广州2012年1月到12月的一手房平均价格进行预测，得到如下结果（图5.2）：
图5.2
从预测结果中显示，广州的房价还会继续上升，这与近年房价一直火热上涨的情况相符合，预测结果具有一定的可信性。
从中可以看出，假如政府在未来没有出台更加强力的调控政策，广州的房价还会持续的走高。
参考文献
[1]李子奈、潘文卿，计量经济学（第三版），北京：
高等教育出版社，2009；
[2]王燕，应用时间序列分析（第二版），北京：
中国人民大学出版社，2008；
升级会员 