时间序列上机实验ARIMA模型建立季节乘积模型资料.docx
《时间序列上机实验ARIMA模型建立季节乘积模型资料.docx》由会员分享,可在线阅读,更多相关《时间序列上机实验ARIMA模型建立季节乘积模型资料.docx(30页珍藏版)》请在冰豆网上搜索。
![时间序列上机实验ARIMA模型建立季节乘积模型资料.docx](https://file1.bdocx.com/fileroot1/2023-7/12/17ac74f6-bbbd-48e6-adfb-8cb1de819f43/17ac74f6-bbbd-48e6-adfb-8cb1de819f431.gif)
时间序列上机实验ARIMA模型建立季节乘积模型资料
实验二ARIMA模型的成立
一、实验目的
熟习ARIMA模型,掌握利用ARIMA模型建模过程,学会利用自有关系数和偏自有关系数对ARIMA模型进行辨别,利用最小二乘法等方法对ARIMA模型进行预计,利用信息准则对预计的ARIMA模型进行诊疗,以及学会利用ARIMA模型进行展望。
掌握在实证研究怎样运用Eviews软件进行ARIMA模型的辨别、诊疗、预计和展望。
二、基本观点
ARIMA模型,马上非安稳时间序列转变为安稳时间序列,而后将安稳的时间序列成立ARMA模型。
ARIMA模型依据原序列能否安稳以及回归中所含部分的不
同,包含挪动均匀过程(MA)、自回归过程(AR)、自回归挪动均匀过程(ARMA)
以及ARIMA过程。
在ARIMA模型的辨别过程中,主要用到两个工具:
自有关函数
ACF,偏自相
关函数PACF以及它们各自的有关图。
对于一个序列
Xt
而言,它的第j阶自相
关系数j为它的j阶自协方差除以方差,即
j=j
0
,它是对于滞后期j的
函数,所以我们也称之为自有关函数,往常记
ACF(
j)。
偏自有关函数PACF(j)
胸怀了除去中间滞后项影响后两滞后变量之间的有关关系。
三、实验内容
(1)依据时序图的形状,采纳相应的方法把非安稳序列安稳化;
(2)对经过安稳化后的2000年1月到2011年10月美国的失业率数据成立ARIMA
(p,d,q)模型,并利用此模型进行失业率的展望。
四、实验要求:
认识ARIMA模型的特色和建模过程,认识AR,MA和ARIMA模型三者之间的
差别与联系,掌握怎样利用自有关系数和偏自有关系数对ARIMA模型进行辨别,利用最小二乘法等方法对ARIMA模型进行预计,利用信息准则对预计的ARIMA模型进行诊疗,以及怎样利用ARIMA模型进行展望。
五、实验步骤
(1)输入原始数据
翻开Eviews软件,选择“File”菜单中的“New--Workfile”选项,在“Workfilestructuretype”栏中选择“Dated-regularfrequency”,在“Frequency”栏中选择“Monthly”,分别在开端月输入1991.01,停止月输入2010.12,点击ok,见图1。
再成立一个Newobject,将选用的x的月度数据复制进去。
图一
(2)做出时序图并判断
做出该序列的时序图2,看出该序列呈必定的上涨趋向,周期性不是很显然。
直观来看,明显非安稳。
图2:
时序图
进一步观察其自有关图和偏自有关图,如图3
图3:
x的自有关图和偏自有关图
自有关系数能够看出,衰减到零的速度特别迟缓,所以判定x序列非安稳。
为了证明这个结论,进一步对其做ADF查验,结果见图4,能够看出在明显性水平0.05下,接受存在一个单位根的原假定,进一步考证了原序列不安稳。
图4:
序列x的ADF查验
(3)原始数据的差分办理
因为数占有上涨趋向,先对其进行一阶差分办理来除去趋向。
点击“GenerateSeries”在“GenerateSeriesbyEquation”对话框中输入相应的命令“x1=D(x)”
以除去趋向项,其时序图见图5。
图5:
x1的时序图
由图5能够大略的判断序列x1安稳,可见,趋向项以显然除去,可是显然看到出现了以年为周期的季节效应,所以对x做一阶12步差分来提取原序列的趋向效应和季节效应,点击“GenerateSeries”在“GenerateSeriesbyEquation”对话框中输入相应的命令“x12=D(x1,12)”其时序图见图6,
图6:
x12的时序图
周期性得以部分除去,下边进一步观察x12的自有关和偏自有关图,如图7
图7:
x12的自有关和偏自有关图
由图7能够看出,自有关系数3阶截尾,但在5阶和12阶处大于两倍标准差,偏自有关系数3阶截尾,在12阶和24阶处大于两倍标准差且拥有必定的周期性。
Q统计量的P值有小于0.05的状况,所以序列为安稳非白噪声序列。
再进一步对其做ADF查验,结果见图8。
能够看出在明显性水平0.05下,拒绝存在一个单位根的原假定,进一步考证了x12序列安稳。
图8:
x12的ADF查验
(4)模型试试:
在序列工作文件窗口点击View/DescriptiveStatistics/HistogramandStates对x12序列做描绘统计剖析见图9,
图9:
x12序列描绘统计剖析
可见序列均值非0,需要在原序列基础上生成一个新的0均值序列。
点击Generate
Series,在对话框中输入y12=x12+0.008571,并对y12做描绘统计剖析见图10可见序列均值为0。
图10:
y12序列描绘统计剖析
由图7的自有关和偏自有关图可知:
自有关和偏自有关系数3阶明显,所以先尝
试拟合ARMA(3,3)模型,在主窗口输入:
lsy12ar
(1)ar
(2)ar(3)ma
(1)
ma
(2)ma(3),得下列图:
图11:
ar(3)的拟合结果
由图12可知,存在不明显的解说变量,剔除不明显的解说变量并进前进一步的试试,获得最优的模型为ARMA((1,2),3),结果如图12
图12:
y12的ar(3)模型拟合图
由图12可知,模型的拟合成效不好,下边观察模型拟合后的残差,如图13
图13:
残差图
由图13可知,残差不是白噪声序列,模型的信息提取不充足,模型不理想。
考虑到该序列既拥有短期有关性又拥有季节效应,短期有关性和季节效应不可以简单
地、可加性地提取,因此预计该序列的季节效应和短期有关性之间拥有复杂的关系性。
这时往常假定短期有关性和季节效应之间拥有乘积关系,试试使用乘积模型来拟合序列的发展:
由图9,序列a可看作偏自有关系数
3阶截尾,自有关系数
3阶截尾。
故先试试
ARMA(2,1,2)×(1,1,1)
12,在主窗口输入:
lsy12ar
(1)
ar
(2)ar(3)
sar(12)ma
(1)ma
(2)sma(12)
结果以下列图
图14:
ARMA(2,1,2)×(1,1,1)12模型拟合结果
由图14可知,模型拟合存在一些不明显的解说变量,下边进行一系列的试试,
最后确立最优的模型为:
ARMA((2、3、4),1,4)×(0,1,1)12,模型拟合结果如
图15
图15:
ARMA((2、3、4),1,4)×(0,1,1)12,模型拟合结果
下边查察残差的自有关和偏自有关图
图16:
ARMA((2、3、4),1,4)×(0,1,1)12的残差的自有关和偏自有关图
图17:
ARMA((2、3、4),1,4)×(0,1,1)12拟合成效图
由图17可知模型拟合的成效比较好,所以决定使用ARMA((2、3、4),1,4)×
(0,1,1)12作最后的模型拟合结果。
7、模型的展望:
第一扩展样本期至2012-12,最后共有三个变量值为空。
在Eviews中有两种展望方式:
“Dynamic”和“Static”,前者是依据所选择的必定的预计区间,进行多步向前展望;后者是只转动的进行向前一步展望,即每展望一次,用真切值取代展望值,加入到预计区间,再进行向前一步展望。
点击Dynamicforecast,“Forecastsample”中输入2000M012012M12,结果见图18:
图18:
模型动向展望图
图中实线代表的是y12的展望值,两条虚线则供给了2倍标准差的置信区间。
能够看到,跟着展望时间的增加,展望值序列的均值(靠近0)上下颠簸,展望成效应当还不错。
软件默认将展望值放在YF中。
下边察看原序列Y12和YF之间的动向关系。
同时选中Y12和YF,击右键,点open/asgroup,而后点击view/graph,保持默认值不变,点击“确立”,出现图19。
图19:
动向展望成效图
可见,动向展望值固然呈一条颠簸的曲线,可是与实质值有必定进出,说明动向展望成效不太理想。
下边我们再利用“Static”方法来展望,获得如图20所示的结果。
图20:
静态拟合图
图中能够看到,“Static”方法获得的展望值颠簸性要大;同时,方差比率的下
降也表示较好的模拟了实质序列的颠簸,Theil不相等系数为0.363423,此中协方差比率为0.861706,表示模型的展望结果较理想。
相同同时选中Y12和YF,击右键,点open/asgroup,而后点击view/graph,保持默认值不变,点击“确立”,出现图21,
图21:
静态拟合成效图
上图说明模型模型的展望结果比较理想,从y12f序列里面能够获得向前两步的展望值分别为:
0.11081908593、-0.0033916132。
综合上述剖析过程,实质上我们是针对原序列(X):
2000年1月—2011年
9月美国失业率数据序列,成立了一个ARMA((2、3、4),1,4)×(0,1,1)12模
型进行拟合,模型形式以下:
(1
B)(1
B12)xt
0.0085711
0.2045B
1.2901B2
0.3510B3
0.6651B4
(1
0.8997B12)t
1
1.5301B2
0.2676B3
0.8688B4
可写为:
(1
B)(1
B12)xt
10.2045B
1.2901B2
0.3510B3
0.6651B4
(10.8997B12)
t0.008571
1
1.5301B2
0.2676B3
0.8688B4
孔凡伟(PB10204014)