eviews 时间序列模型Word下载.docx

1、159158157156155154153152151API686084767181554536351501491481471461451441431421415387889711399821009583140139138137136135134133132131787363441167269621301291281271261251241231221218985673742515648120119118117115114112111465434966465110109108107106105104103102101948647989392917566599050438079777449407

2、061585752284139383332313029272625242322212019181716151413121110987654321此处一共160个数据，其中1150用来建立模型，我们称为样本，151160用来检验预测值与真实值的误差，我们成为检验值。其中的时间的意义是：t=1代表日期2010-5-30，t=2代表日期2010-5-31，t=3代表日期2010-6-1，以此类推，t=160代表日期2010-11-4。数据中的API为空气污染指数，我国目前采用的空气污染指数（API）分为五个等级，API50，说明空气质量为优，相当于国家空气质量一级标小准；50100，表明空气质量良好

3、，相当于达到国家质量二级标准；100200，表明空气质量为轻度污染，相当于国家空气质量三级标准；200300表明空气质量极差，已严重污染。由SPSS分析出来的结果见表1-2表1-2描述统计量N全距极小值极大值均值标准差方差污染指数66.4118.069326.485有效的 N （列表状态）由表1-2可以看出，数据个数为150个，没有缺失值。=66.41， =18.07数值与平均值的距离见图1-1图1- 1由图1-1可以看出，对任意时间t，都在-与之间，所以我们可以得出结论，该数据没有离群点。综上所述，需要建模的数据正常既没有离群点，也没有缺失值。2.直观分析和相关分析2.1直观分析和特征分析在

4、eviews软件中，我们将该数据命名为liu（t）。用eviews画出的折线图如图2-1图2- 1由图可以看出，该数据围绕60上下波动，但有较明显的周期性。通过eviews画出的柱状统计图见图2-2图2- 2由以上图表可以看出：样本liu（t）的均值=66.4，中位数为64，最大值为116，最小值为28，样本标准差=18.69，偏度为0.24，峰度为2.54，由于相伴概率为0.256，大于0.05，所以我们接受数据服从正态分布的假设，故认为原数据是正态分布数据。检验样本是否服从正态分布也可以用用P-P图和Q-Q图来检验，SPSS做出的PP图见图2-3图2- 3P-P图基本是一条直线，说明它的分

5、布对称，服从正态分布，进一步验证了以上的结论。2.2相关分析在eviews中作出自相关系数和偏相关系数图，结果见图2-4图2- 4自相关系数图和偏相关系数图两侧的虚线之心水平=0.05的置信带，称为barlett线，意思是如果系数落在barlett线内，我们可以认为该系数等于零。由图2-4可以看出，两阶以后的自相关系数和偏相关系数基本都落在barlett线内，所以我们可以认为该数据平稳，为了进一步说明这个问题，我们在进行一次单位根检验以验证该数据的平稳性。2.3平稳性检验在eviews中执行viewUnite root test.检验结果如图2-5图2- 5由上图可以得知，t统计量的值时-6.

6、95，小于显著性水平下的临界值，拒绝原假设，也就是说序列liu（t）不存在单位根，该系统是平稳的，进一步验证了2.2的结果，也证明由图2-1推断出来的季节性是不存在的。由上图知，其中的检验式为： （2-1）3.liu（t）序列的零均值处理3.1数据的零均值化对于均值非零的数据，一般有两种处理方法，一是建立非中心化的ARMA模型，将序列的均值作为一个参数估计，但是需要估计的参数要比中心化的ARMA模型多一个，于是在这里我们采用另一种方法，用样本均值作为样本均值u的估计，即零均值处理，下面是具体过过程。新序列liu1（t）=liu（t）- =liu（t）-66.4。零均值化后的序列数据见附录1.3

7、.2零均值过程的检验在对liu（1）序列执行命令“viewDescriptive StatisticsHistogram and Stats”得到柱状统计图，结果见图3-1图3- 1因为时间序列liu（1）的均值为-0.165，标准差为18，样本均值落在0当中，所以我们接受均值为0的原假设，表明序列liu（1）已经是一个零均值序列。4.模型的识别和初步定阶时间序列liu1（t）的自相关系数和偏相关系数见图4-1图4- 1由上图可以看到，样本的自相关系数较大，而其余的自相关系数都落在barlett线以内，而且当k1时，自相关函数都落在该范围内，所以时间序列liu1（t）在1步后是截尾的，因此可以

8、用MA（1）模型进行拟合。对于偏相关系数，我们也可以看出，只有较大，其余都很小，且大于一阶的样本偏相关系数几乎都满足，虽然为-0.166，其绝对值略大于0.1633，但由于简约性原则，我们仍然认为其偏相关系数在一步之后截尾的，因此可以用AR（1）来对数据拟合。根据Box-Jenkins建模方法，一般初步设定的模型是ARMA（n，n-1）,即自回归的阶数比移动平均的阶数高一阶，于是这里我们将初步模型定为ARMA（2，1）。5.模型的参数估计参数的估计一般有三种方法：矩估计；最小二乘估计；极大似然估计。但是由于矩估计太简单，精度低，只实用于做初估计，而极大似然估计计算量非常大，特别是对于ARMA模

9、型，似然函数公式十分复杂，所以我们这里采用最小二乘估计。利用eviews软件可以得到各个模型中的参数的最小二乘估计和剩余平方和和AIC值，ARMA（2，1）模型结果如表5-1表5- 1模型结构参数最小二乘估计AIC值剩余平方和AR（1）8.32205335167.39AR（2）8.28444633182.94MA（1）8.33327035807.65ARMA（1,1）8.31463534438.95ARMA（2,1）8.29803233182.29由于AIC值和剩余平方和越小，模型越恰当，所以，从上表可以看到，选用AR（2）模型最恰当。6.模型的检验6.1参数的显著性检验该模型参数检验的目的是

10、看是否有系数显著为零。在eviews命令窗口中输入“ls liu1 ar（1） ar（2）”便得到参数检验的结果，详细结果见图6-1图6- 1由的相伴概率可以看出，我们应该接受=0的原假设，令=0，继续用AR（1）拟合数据，参数检验的结果如图6-2图6- 2由相伴概率和单位根可以看到，利用AR（1）模型对序列liu1（t）进行拟合比较恰当。6.2模型的适用性检验对AR（1）进行适用性检验，残差序列的样本自相关系数如图6-3图6- 3从自相关系数值可以看出，几乎所有 （6-1）但=-0.167， =0.25不满足式子6-1，这说明序列liu1（t）中还有少量的自相关信息没有被提出出来，这也是该模型的不足。由图6-2所得到的系数可知，