用EVIEWS处理时间序列分析报告.docx

资源描述

用EVIEWS处理时间序列分析报告.docx

《用EVIEWS处理时间序列分析报告.docx》由会员分享，可在线阅读，更多相关《用EVIEWS处理时间序列分析报告.docx（89页珍藏版）》请在冰豆网上搜索。

用EVIEWS处理时间序列分析报告.docx

用EVIEWS处理时间序列分析报告

应用时间序列分析

实验手册

目录2

第二章时间序列的预处理3

一、平稳性检验3

二、纯随机性检验11

第三章平稳时间序列建模实验教程12

一、模型识别12

二、模型参数估计（如何判断拟合的模型以及结果写法）……17

三、模型的显著性检验21

四、模型优化22

第四章非平稳时间序列的确定性分析24

一、趋势分析24

二、季节效应分析42

三、综合分析48

第五章非平稳序列的随机分析54

一、差分法提取确定性信息54

二、ARIMA模型68

三、季节模型74

第二章时间序列的预处理

、平稳性检验

时序图检验和自相关图检验

（一）时序图检验

根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始

终在一个常数值附近随机波动，而且波动的范围有界、无明显趋势及周期特征

例2.1

检验1964年——1999年中国纱年产量序列的平稳性

1.在Eviews软件中打开案例数据

图1:

打开外来数据

图2:

打开数据文件夹中案例数据文件夹中数据

文件中序列的名称可以在打开的时候输入，或者在打开的数据中输入

图3:

打开过程中给序列命名

图4:

打开数据

2.绘制时序图

可以如下图所示选择序列然后点Quick选择Scatter或者XYline;

绘制好后可以双击图片对其进行修饰，如颜色、线条、点等

图1:

绘制散点图

Ve^lPn-r|chiFrt|Prrt

廿胡Pnxjot^

hrnrplArlirf^tiimJSiariFj^rwvipTftrml=i^i^phnrfiZmirn

Graph!

QVrLILEDVnTfctilesIft^r2\Urrtitie

Koutpil

臣i?

siL

Ranct.13Gj

Sanvls;196」

图2:

年份和产出的散点图

I960197019801990

2000

YEAR

图3:

年份和产出的散点图

（二）自相关图检验

例2.3

导入数据，方式同上；

在Quick菜单下选择自相关图，对Qiwen原列进行分析；

可以看出自相关系数始终在零周围波动，判定该序列为平稳时间序列。

图1:

序列的相关分析

图2:

输入序列名称

Correlo^ra*Specifica・.

Correlogramof

ELeireJj

''1stdiffereitt21\（1disr

La^stoincliide

固—

图2:

选择相关分析的对象

H¥ifts-F?

iPrif?

iT：

QT¥HWTnrfrfilf?

ffi1.4\nnriTlrdl

Pil-aEdi

炬呼]毗r]gjB?

CorrelogramolUlWtN

Date:

[K/23/D8Tima:

21:

Sarrpl&.194919QS

IncludedDDservatioiis:

工

AjlacarentionPartialCorrelation

XJ.177-0.177

20017.nni5

Jiil/-1iii.t

40.0130.065

5-0.167-0.1SG

60zas-nrun

70.CCQ0016

日-0JQ120.063

9-0021』022

1U0.D53U1J13

11O.D®0.035

12-0.^9-0.079

130077DM0

14-0.036UUWU帖^O.TO-0.04^

16£血0IrO

1.354J1nfln；3.32533.34354.S175TFI405.2S435.39^54227土T

5.G453

6.1721

b.=/437J0134

沖口22予13佑饰归芜册芒4/帘也14^544677J395J-J-4n^D^n^n^n-n^n^n^n-n-n-n-n-nu-n^

nirn

图3:

序列的相关分析结果：

1.可以看出自相关系数始终在零周围波动，判定该序列为平稳

时间序列2.看Q统计量的P值：

该统计量的原假设为X的1期，2期……k期的自相关系数均等于0,备择假设为自相关系数中至少有一个不等于0,因此如图知，该P值都＞5%

的显著性水平，所以接受原假设，即序列是纯随机序列，即白噪声序列（因为序列值之间彼此之间没有任何关联，所以说过去的行为对将来的发展没有丝毫影响，因此为纯随机序列，即白噪

声序列.）有的题目平稳性描述可以模仿书本33页最后一段•

（三）平稳性检验还可以用：

单位根检验：

ADF,PP检验等；

非参数检验：

游程检验

图1:

序列的单位根检验

图2:

单位根检验的方法选择

图3:

ADF检验的结果：

如图，单位根统计量ADF=-0.016384都大于EVIEWS给出的显著性水平1%-10%的ADF临界值，所以接受原假设，该序列是非平稳的。

、纯随机性检验

计算Q统计量，根据其取值判定是否为纯随机序列。

例2.3的自相关图中有Q统计量，其P值在K=6、12的时候均比较大，不能拒绝原

假设，认为该序列是白噪声序列。

另外，小样本情况下，LB统计量检验纯随机性更准确。

第三章平稳时间序列建模实验教程

、模型识别

1.打开数据

图1:

打开数据

2.绘制趋势图并大致判断序列的特征

期KVitkp^

1.：

"••：

.：

•：

：

•：

：

•••[•]-ji：

I^BE.

xWan-cLaM-H«1p

CCGT96亍

nb弓YEAR]

S«nf!

■-

ierifrateSeiries

Cripty旨Q0叩札t巴萌・砒

甸u>Jl

略丄u）WiUJ

Sbe-£BHSiallife<3«UfirpfcijXS*i41i44J.5*initte-t冒izti*nEstinbleTML..

4p油d|石b*ctiP・ifc]Mapaa]用saae[|Det-aut

KStki

SHU"A

■-■4»!

TEi4fBlinJ|'.-

TJIT^1nu—1^1fl—1

LjAu岳*3Bwr曰叩j^cHLt4r

Lilih

1X0191511^2■l^J

1X4

19S0

T^O

-步•

19G2

V^3

f匚沁H

1950

12-34&6-^r0&oI5G-eE^Bls若石€3_9yq-3日yp9qF

1Ml

图2:

绘制序列散点图

SpriesList

图3:

输入散点图的两个变量

£.litQhj^rt舁tfi-KfiujckOitiousyiriiVu-

sn-

■

E■邮h;

；UBT1I1JILJtoEklilatb\U&til£«

□

旦区

7leiv|procObject]Paint^JaneftCdrUnH*中wdeSefrcve|1erdat^optcnsZeen

■Irl

;rn

I1-9

Go1

图4:

序列的散点图

3.绘制自相关和偏自相关图

£nptrJr4up（EdiAStrici）

Serx^E5t^LL*-tJ?

EistcfTfijisdlJStuLs

■Si…

cb=.

互

7«2

195

1密

196

1>_!

1乏

RUE

1矢8

1帝

<960

19S2

1知

Crox.£St4.11sties•

TEtinktfrT]an.

£stin&lc：

ThfL..

PfKT]闿甘血IRf笙豪「|褒佔lit:

、訥lD二!

匚H[

HO12

Al9£x9e

LL-rtifl—4—V

d44

氐骑

66-739012西册St務芳离9G9GU—^11—^14—^14—1

5_£6叩50巧

药刃71

684

737BB4

「wsrelo罗on

Vd:

tBootT-ist.

Hx^or.eiilial&rcol3u.XL£.

Hodrick-rr4='2a<1JiJLlar...

罄ETiers

匚叵冈

IdUliitQhiiet][i«w£tck||aitlusffiindw

5*^1*

啦山畫j・L雹Silled.

鼻熒..

图1:

在数据窗口下选择相关分析

图2:

选择变量

Correlo^ra*Specifics・・

Correlogramof

，它fT""”ql

fdigreitx

'"'2nd.

旷I

Ln武Einclude

Cancel

Izo-

图3:

选择对象

图4:

序列相关图

4.根据自相关图和偏自相关图的性质确定模型类型和阶数

如果样本（偏）自相关系数在最初的d阶明显大于两倍标准差范围，而后几乎95%的自相关

系数都落在2倍标准差的范围以内，而且通常由非零自相关系数衰减为小值波动的过程非

常突然。

这时，通常视为（偏）自相关系数截尾。

截尾阶数为d。

本例：

自相关图显示延迟3阶之后，自相关系数全部衰减到2倍标准差范围内波动，这表

明序列明显地短期相关。

但序列由显著非零的相关系数衰减为小值波动的过程相当连续，相当缓慢，该自相关系数可视为不截尾

偏自相关图显示除了延迟1阶的偏自相关系数显著大于2倍标准差之外，其它的偏

自相关系数都在2倍标准差范围内作小值随机波动，而且由非零相关系数衰减为小

值波动的过程非常突然，所以该偏自相关系数可视为一阶截尾

所以可以考虑拟合模型为AR

（1）

自相关系数

偏相关系数

模型定阶

拖尾

P阶截尾

AR（p）模型

Q阶截尾

拖尾

MA（q）模型

拖尾

ARMA（P,Q）模型

具体判别什么模型看书58到62的图例。

AR模型：

MA模型：

ARMA模型:

2Pt

1AR

（1）*BAR

（2）*BAR（P）*B

（1MA

（1）*BMA

（2）*B2MA（q）*B"1）t

1MA

（1）*BMA

（2）*B2MA（q）*Bq

2Pt

1AR

（1）*BAR

（2）*BAR（P）*B

（其中模型中的ar

（1）

（1）表示的是求出来的系数

就是常数项）

、模型参数估计

根据相关图模型确定为

（1），建立模型估计参数

在ESTIMATE中按顺序输入变量ex

ccx（-1）或者cx

car

（1）选择LS参数估计

方法，查看输出结果，看参数显著性，该例中两个参数都显著。

细心的同学可能发现两个模型的C取值不同，这是因为前一个模型的C为截距项；后

者的C则为序列期望值，两个常数的含义不同。

Specification

图1:

建立模型

EQualionEsti^ation

Eq^u^.tionspeci£ica.tion

esecite.

Ilepejidentvaxiabl«efollowedBylistg£regrTDLtenme,OBske^plicitequatioilLike

EstifftatMnsettings

也电thud/IS"LtaxiSq口ar“ijTLSandAEUIh）

Sample19501998

图2:

输入模型中变量，选择参数估计方法

图3:

参数估计结果

匕1・ElitQbjiclJfr-K

£stinaleEqLieAn>n.-.

*"I十飞耳L尸

Ssrile-..

CericrSeries.

She*

Gt*!

InftySrwp（EditStride）

Otlic-bs卅轟dmXvlp

I,—I

Qb>

Qt>3

i9^n

侏口

芳丹

19^1

19C1

诜2

1%2

州U

19^3

谨3

763

1茫4

1954

ZO.5

叱

1965

305

19EE

19E6

736

iyE；

1957

19C0

19E9

9E9

T1.J

町II

1JJLO

736

1雀1

19£1

7BG

13C2

1952

344

1AR3

£:

tiniLtcrXK..

PriT

Eh-4

-旅期

图4:

建立模型

图5:

输入模型中变量，选择参数估计方法

图6:

参数估计结果

AR模型:

81.32034

10.703332B

三、模型的显著性检验

检验内容:

整个模型对信息的提取是否充分;

参数的显著性检验，模型结构是否最简。

图1：

模型残差

1-0091-0.D91

2□1270.12D

3□137U.1G2

4-01780.175

5D12501GUf-□nrflnro?

7□219QJE2

B00240C06

9D0^-O.Q10ID00?

®UJ!

111?

7-nn76

12"003?

0,071

130034QUO

14-0033O.CyC

15Q018n.D11

16OJODO-0.024

17-0OQEiO.H22

IE-OXJtS-U.LU2

19-00570.010盘-0021-O.U70

3907石?

71667口囹站田即19S144S1&1卫1C7BH2672236fl_y33D0aflw-3J5

<2.2^-Jfl7*-1J3£A£□un-□

5nH7c37J.—3_un41957oI7_u

5-l53M«42s¥45sB1BaB774?

9^6a^al909QEa^aQanauQuaaa&OQaaQa

ETicwjt-tarries;KR5TPWnrkTilc;JHiUb\rTntjiT1cril口乂

f4-1VQl>t欝电奋Q

Vi-swProc]i:

|ixerties|TVrt]Mai-ri*jFireeM]Genr[StiBetjStatsJXdanl]丄E丘曰

Car<^lA|jramnlRrsn

Oai^.DO/T1/CcTimi21.47

^Ftrr.plr[弔fl1"9R

Um^Lded□.S^erratiq-^4Q

QSLAPrg.b

Auiccui'』AlOnP-altdlCail巳皿1匚n

GB-rr4h«¥7-

图2:

残差的平稳性和纯随机性检验

对残差序列进行白噪声检验，可以看出ACF和PACF都没有显著异于零，Q统计量

的P值都远远大于0.05，因此可以认为残差序列为白噪声序列，模型信息提取比较充分。

常数和滞后一阶参数的P值都很小，参数显著；因此整个模型比较精简，模型较优。

四、模型优化

当一个拟合模型通过了检验，说明在一定的置信水平下，该模型能有效地拟合观察值序列的波动，但这种有效模型并不是唯一的。

当几个模型都是模型有效参数显著的，此时需要选择一个更好的模型，即进行优化。

优化的目的，选择相对最优模型。

优化准则：

最小信息量准则（AnInformationCriterion）

指导思想

似然函数值越大越好

未知参数的个数越少越好

AIC准则的缺陷

在样本容量趋于无穷大时，由AIC准则选择的模型不收敛于真实模型，它通常比真

实模型所含的未知参数个数要多

AICnln（?

2）2（未知参数个数）

SBCn|n（?

2）ln（n）（未知参数）

但是本例中滞后二阶的参数不显著，不符合精简原则，不必进行深入判断。

第四章非平稳时间序列的确定性分析

第三章介绍了平稳时间序列的分析方法，但是自然界中绝大多数序列都是非平稳的，因

而对非平稳时间序列的分析跟普遍跟重要，人们创造的分析方法也更多。

这些方法分为确定

性时序分析和随机时序分析两大类，本章主要介绍确定性时序分析方法。

一个序列在任意时刻的值能够被精确确定（或被预测），则该序列为确定性序列，如正

弦序列、周期脉冲序列等。

而某序列在某时刻的取值是随机的，不能给以精确预测，只知道取某一数值的概率，如白噪声序列等。

Cramer分解定理说明每个序列都可以分成一个确定序列加一个随机序列，平稳序列的两个构成序列均平稳，非平稳时间序列则至少有一部分不

平稳。

本章先分析确定性序列不平稳的非平稳时间时间序列的分析方法。

确定性序列不平稳通常显示出非常明显的规律性，如显著趋势或者固定变化周期，这种

规律性信息比较容易提取，因而传统时间序列分析的重点在确定性信息的提取上。

常用的确定性分析方法为因素分解。

分析目的为：

①克服其他因素的影响，单纯测度某

一个确定性因素的影响；②推断出各种因素彼此之间作用关系及它们对序列的综合影响。

一、趋势分析

绘制序列的线图，观测序列的特征，如果有明显的长期趋势，我们就要测度其长期趋势，

测度方法有：

趋势拟合法、平滑法。

（一）趋势拟合法

1.线性趋势拟合

例1:

以澳大利亚政府1981-1990年每季度消费支出数据为例进行分析。

图1:

导入数据

图2:

绘制线图，序列有明显的上升趋势

长期趋势具备线性上升的趋势，所以进行序列对时间的线性回归分析。

图3:

序列支出（zc）对时间（t）进行线性回归分析

Eh已廿4戶什=rn-Qii皿CiQpirre血irdow吐哪

Estirra^；F

Viwi]^rwjOolett：

F'rirtjhki^ne|Fr«ie

Vle^l-'rocjub

tdre«id

>/a*iatile

Cn&ffiticrt

StdError

Pnh

849B£S8

137S174B1.E2150

0.0003

C9.1225I

5.0E219315.70233

0.0003

Rccua^d

oaseeoi

Moandopcndont口

10325.70

AdjustedR-equsreid

0355K8

£D.deDprdentvar

112^1273

SFot'tPcrA?

^or

0刀

AcflikPnfrcrt^flcn

IE00474

Sumscursdheld

6S60.35r

Schwancriterion

150891?

Loglikelihood

-290C946

F-ettflslIc

231.1291

□urbin-WBl&onstil

^.21C3j4

P'obfr

OJOOOOJ

DependemVartabfeiZC

NktliodLtscjslSquares

Date.O3H1fCSTime.12:

SarTjjle：

140

IrciLded□asfirYitiois.上口

WaHwE.[DB・norT||卿・88大和E消貨农世

图4:

回归参数估计和回归效果评价

可以看出回归参数显著，模型显著，回归效果良好，序列具有明显线性趋势。

JtiFfiCQEt

Forica&t

|l4Q

foricastof

Eqna.tiMUWTITLEDS^riZC

Method

StaticforiecQ-EtG1OiyTL：

HJTi1CE1FlA^111d*；円啊1

OuHtput‘

Per电亡址Etgr^pK

JF^r^etsttviliiti

»InsertactualsforQTit^of^sajmplsobs

Cancel

图5:

运用模型进行预测

目*giit2讨》"址月w^rn;』」1讣r7ig-!

lnin-屮牛

|V幻h|PmupObiPGIPrIM|NnrwlFrpgp|Estim试ej刊i■仇吉MSt•訥宣｝口缶记计

mil

liftDO.

11£»D

4帧

ULWU

仙1

「口电二⑷―冃比-讯啟…巧■嚴;^toaHtaah」加

册」低箱〉卄m3.^12300J2DCHJnrnnmnLI.LJ8LBj：

DJ4ICB6

^recajE比F

AH财；ZC

Farficaft=arr|pb-14D

I『沪lu龙■叩ebc*njmwc!

i4n

6ODD-

图6:

预测效果（偏差率、方差率等）

图7:

绘制原序列和预测序列的线图

图&原序列和预测序列的线图

■WHkfile■SeriesRISIG瓯Mb噢大和亚辅薮吏出LIMiti胡BRH

■G“p期跖山驭艸时昨

Vir2|nr0：

|Ob}t:

Range;I；41

SsmuleI4[

引曲[口仪心尉|Aod怙或扎f/sfrada]RBma呵J屮paL$|心pbo制Eccm|

t1TL2函叼000

展开阅读全文