1、20XX-070.91 20XX-080.95 20XX-0920XX-1020XX-110.72 20XX-120.78 0.80 0.73 0.96 0.83 0.86 0.74 0.90 0.71 0.33 0.53 0.84 0.88 0.76 1.05 0.82 1.00 1.03 0.77 1.06 0.97 1.08 1.12 0.94 1.07 1.13 0.99 1.20 1.22 1.02 1.10 1.11 1.14 1.31 1.35 1.21 1.19 1.29 1.16 1.17 1.15 1.38 1.41 1.25 1.26 1.33 1.36 1.18 1.4
2、2 1.50 1.09 1.27 1.34 1.60 1.62 1.53 1.23 1.52 1.57 1.55 1.51 1.82 1.79 1.61 1.63 1.65 1.56 1.45 1.49 1.80 1.85 1.69 1.48 1.88 1.40 1.75 1.99 2.03 1.92 1.64 数据来源:中经网数据库三、ARMA模型的平稳性首先绘制出N的折线图,如图从图中可以看出,N序列具有较强的非线性趋势性,因此从图形可以初步判断该序列是非平稳的。此外,N在每年同期出现相同的变动方式,表明N还存在季节性特征。下面对N 的平稳性和季节季节性进行进一步检验。四、单位根检验 为了
3、减少N 的变动趋势以及异方差性,先对N进行对数处理,记为LN其曲线图如下:GENR LN = LOG(N) 对数后的N趋势性也很强。下面观察N 的自相关表,选择滞后期数为36,如下:从上图可以看出,LN的PACF只在滞后一期是显著的ACF随着阶数的增加慢慢衰减至0,因此从偏/自相关系数可以看出该序列表现一定的平稳性。进一步进行单位根检验,打开LN选择存在趋势性的形式,并根据AIC自动选择滞后阶数,单位根检验结果如下:T统计值的值小于临界值,且相伴概率为0.0001,因此该序列不存在单位根,即该序列是平稳序列。五、季节性分析趋势性往往会掩盖季节性特征,从LN的图形可以看出,该序列具有较强的趋势性
4、,为了分析季节性,可以对LN进行差分处理来分析季节性:Genr = DLN = LN LN (-1)观察DLN的自相关表,如下:DLN在之后期为6、12、18、24、30、36处的自相关系数均显著异于0,因此,该序列是以周期6呈现季节性,而且季节自相关系数并没有衰减至0,因此,为了考虑这种季节性,进行季节性差分:GENR SDLN = DLN DLN(-6)再做关于SDLN的自相关表,如下:SDLN在滞后期36之后的季节ACF和PACF已经衰减至0,下面对SDLN建立SARMA模型。六、滞后阶数的初步确定观察SDLN的自相关、偏自相关图,ACF 和PACF在滞后期1和滞后期6还有滞后期12异于
5、0,其余均与0无异,因此,SARMA(p,q)(k,m)s 中p和q均不超过1,k和m均不超过2.6考虑到高洁移动平均模型估计较为困难,而且自回归模型的检验可以表示无穷的移动平均过程,因此q尽可能取较小的取值。本例拟选择SARMA(1,0)(1,0)6、SARMA(1,0)(1,1)6、SARMA(1,0)(1,2)6、SARMA(1,0)(2,1)6、SARMA(1,1)(1,0)6、SARMA(1,1)(1,1)6、SARMA(1,1)(1,2)6、SARMA(1,1)(0,1)6八个模型来拟合SDLN。七、ARMA模型的参数估计1.分析SARMA(1,0)(1,0)6 分析该模型的估计以
6、及残差的检验。LS SDLN C AR(1) SAR(6)回归结果如表所示:分析SARMA(1,0)(1,1)6 分析该模型的估计以及残差的检验。分析SARMA(1,0)(1,2)6 分析该模型的估计以及残差的检验。LS SDLN C AR(1) SAR(6) sar(6)SAR(12)分析SARMA(1,0)(2,1)6 分析该模型的估计以及残差的检验。LS SDLN C AR(1) SAR(12) SAR(6)分析SARMA(1,1)(1,0)6 分析该模型的估计以及残差的检验。LS SDLN C AR(1) ma(1) SAR(6) 分析SARMA(1,1)(1,1)6 分析该模型的估计
7、以及残差的检验。LS SDLN C AR(1) ma(1) SAR(6) sma(6)分析SARMA(1,1)(1,2)6 分析该模型的估计以及残差的检验。LS SDLN C AR(1) ma(1) SAR(6) sma(12)分析SARMA(1,1)(2,1)6 分析该模型的估计以及残差的检验。LS SDLN C AR(1) ma(1) SAR(12) sma(6)各个模型的AIC、SC、残差检验结果汇总如下AICSC平稳性可逆性残差是否满足白噪声SARMA(1,0)(1,0)6-1.239755-1.176719是否SARMA(1,0)(1,1)6-1.555852-1.471805SAR
8、MA(1,0)(1,2)6-1.579857-1.537164SARMA(1,0)(2,1)6-1.541566-1.436507SARMA(1,1)(1,0)6-1.456963-1.372916SARMA(1,1)(1,1)6-1.719041-1.613982SARMA(1,1)(1,2)6-1.762844-1.636773SARMA(1,1)(2,1)6-1.696093-1.566339综合来看选择SARMA(1,1)(1,2)6对数据的拟合是最优的。六、模型的预测在SARMA(1,1)(1,2)6中选择动态估计,预测20XX.11月的序列值,预测图如图:上图中左边是预测值与置信区间,右边是预测的误差。Boot meansquared error 代表均方误
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1