时间序列分析ARMA模型实验Word下载.docx
《时间序列分析ARMA模型实验Word下载.docx》由会员分享,可在线阅读,更多相关《时间序列分析ARMA模型实验Word下载.docx(24页珍藏版)》请在冰豆网上搜索。
5%level
-3.452764
10%level
-3.151911
*MacKinnon(1996)one-sidedp-values.
单位根统计量ADF=-8.674646小于临界值,且P为0.0000,因此该序列不存在单位根,即该序列是平稳序列。
由于趋势性会掩盖季节性,从lm图中可以看出,该序列有一定的季节性,为了分析季节性,对lm进行差分处理,进一步观察季节性:
图3.3dlm曲线图
观察dlm的自相关表:
表3.3dlm的自相关图
Date:
11/02/14Time:
22:
35
Sample:
2005M112014M09
Includedobservations:
106
Autocorrelation
PartialCorrelation
AC
PAC
Q-Stat
Prob
****|.|
1
-0.566
34.934
0.000
.|*|
**|.|
2
0.113
-0.305
36.341
.|.|
*|.|
3
0.032
-0.093
36.455
4
-0.084
-0.114
37.244
5
0.105
0.015
38.494
6
-0.182
42.296
7
-0.156
43.563
8
-0.058
-0.171
43.954
9
-0.019
-0.196
43.996
10
0.110
-0.045
45.429
11
-0.242
-0.329
52.501
.|***|
12
0.363
0.023
68.516
13
-0.202
73.534
14
0.101
0.125
74.815
15
0.004
0.141
74.817
16
-0.161
-0.089
78.110
.|**|
17
0.219
0.037
84.252
18
-0.221
-0.036
90.623
19
0.089
-0.046
91.662
20
-0.080
-0.158
92.516
21
0.067
-0.039
93.115
22
0.068
0.056
93.749
23
-0.231
-0.130
101.08
24
0.359
0.116
119.04
25
-0.189
0.123
124.09
26
0.034
124.23
27
0.059
124.74
28
-0.126
0.044
127.08
29
0.087
-0.079
128.21
30
-0.050
0.092
128.58
31
-0.037
128.79
32
-0.035
-0.113
128.97
33
0.041
-0.056
129.24
34
0.078
-0.027
130.21
-0.215
-0.197
137.64
36
0.380
0.130
161.26
由dlm的自相关图可知,dlm在滞后期为12、24、36等差的自相关系数均显著异于零。
因此该序列为以12为周期呈现季节性,而且季节自相关系数并没有衰减至零,因此为了考虑这种季节性,进行季节性差分,得新变量sdlm:
观察sdlm的自相关图:
表3.4sdlm的自相关图
40
94
-0.505
24.767
.|.|
***|.|
-0.057
-0.419
25.082
0.073
-0.292
25.609
.|*|
0.160
28.169
.*|.|
-0.264
-0.125
35.252
0.098
-0.110
36.244
0.019
37.243
-0.041
0.082
37.419
-0.132
-0.038
39.275
0.076
-0.139
39.902
.|**|
0.227
0.247
45.485
-0.459
-0.259
68.647
0.193
-0.251
72.777
0.132
-0.101
74.753
-0.142
77.056
-0.053
77.378
0.233
0.091
83.751
-0.234
-0.179
90.258
0.102
0.054
91.505
-0.052
91.841
-0.009
93.714
-0.059
0.120
94.150
-0.011
0.215
94.166
-0.032
-0.170
94.301
0.088
-0.137
95.303
-0.105
-0.034
96.760
0.077
-0.116
97.562
-0.054
-0.178
97.967
0.010
97.982
0.039
99.457
-0.099
104.06
0.071
104.79
0.031
-0.066
104.93
-0.144
106.13
0.036
106.32
-0.102
108.05
Sdlm在滞后期24之后的季节ACF和PACF已衰减至零,下面对sdlm建立SARMA模型。
3.2模型参数识别
由表3.4sdlm的自相关图的自相关图可知,偏自相关系数在3阶后都落在两倍标准差的范围以内,即不显著异于零。
自相关系数在1阶和12阶显著异于零。
因此SARMA(p,q)模型中选择p、q均不超过3。
此外,由于高阶移动平均模型估计较为困难而且自回归模型可以表示无穷阶的移动平均过程,因此Q尽可能取小。
拟选择SARMA(1,0)(1,0)12、SARMA(1,0)(1,1)12、SARMA(1,1)(1,0)12、SARMA(1,1)(1,1)12、SARMA(2,0)(1,0)12、SARMA(2,0)(1,1)12、SARMA(3,0)(1,0)12、SARMA(3,0)(1,1)12八个模型来拟合sdlnm。
3.3模型参数估计
以SARMA(1,0)(1,0)12模型为例,分析该模型的估计及残差的检验,其他模型类似。
回归结果为:
表3.5SARMA(1,0)(1,0)12模型估计结果
DependentVariable:
SDLM
Method:
LeastSquares
50
Sample(adjusted):
2008M012014M09
81afteradjustments
Convergenceachievedafter6iterations
Variable
Coefficient
Std.Error
Prob.
C
-0.005305
0.023352
-0.227165
0.8209
AR
(1)
-0.490855
0.098580
-4.979256
SAR(12)
-0.548509
0.096987
-5.655471
R-squared
0.448053
Meandependentvar
-0.004983
AdjustedR-squared
0.433901
S.D.dependentvar
0.644876
S.E.ofregression
0.485202
Akaikeinfocriterion
1.427829
Sumsquaredresid
18.36280
Schwarzcriterion
1.516512
Loglikelihood
-54.82707
Hannan-Quinncriter.
1.463410
F-statistic
31.65901
Durbin-Watsonstat
2.348799
Prob(F-statistic)
0.000000
InvertedARRoots
.92+.25i
.92-.25i
.67+.67i
.67-.67i
.25-.92i
.25+.92i
-.25-.92i
-.25+.92i
-.49
-.67-.67i
-.92+.25i
-.92-.25i
由表3.3可知,AR
(1)与sar(12))的P值均小于0.05,参数显著,可以通过检验。
该模型AIC为1.427829,SC值为1.516512。
回归结果的最后一部分表示该模型滞后多项式的反特征根,小于1,因此该模型是平稳的。
下面对残差进行检验。
观察残差的自相关图:
表3.6SARMA(1,0)(1,0)12模型的残差检验结果
由表3.6可知,由Q统计量可知残差存在自相关性,P值远小于0.05,因此残差不满足白噪声的假设。
将八个模型的估计结果进行汇总如下:
表3.7不同SARMA模型的特征汇总表
AIC
SC
平稳性
可逆性
残差是否满足白噪声
SARMA(1,0)(1,0)12
是
否
SARMA(1,0)(1,1)12
1.095434
SARMA(1,1)(1,0)12
1.206181
SARMA(1,1)(1,1)12
0.862496
1.010301
SARMA(2,0)(1,0)12
1.424354
SARMA(2,0)(1,1)12
1.000248
1.149124
SARMA(3,0)(1,0)12
1.241764
1.391729
SARMA(3,0)(1,1)12
0.959325
综合来看,根据信息准则,应选择SARMA(1,1)(1,1)12对数据进行拟合是最优的。
拟合结果为:
表3.8SARMA(1,1)(1,1)12模型估计结果
23:
Convergenceachievedafter13iterations
MABackcast:
2006M122007M12
-0.006821
0.002943
-2.317782
0.0232
0.018663
0.141168
0.132203
0.8952
-0.201623
0.120638
-1.671313
0.0988
MA
(1)
-0.833947
0.080352
-10.37865
SMA(12)
-0.860391
0.041002
-20.98427
0.701510
0.685800
0.361475
9.930500
-29.93107
0.921797
44.65381
2.003373
P