运用Eviews软件进行ARIMA模型的识别、诊断、估计和预测.doc

实验五 ARIMA模型的概念和构造一、实验目的了解AR，MA以及ARIMA模型的特点，了解三者之间的区别联系，以及AR与MA的转换，掌握如何利用自相关系数和偏自相关系数对ARIMA模型进行识别，利用最小二乘法等方法对ARIMA模型进行估计，利用信息准则对估计的ARIMA模型进行诊断，以及如何利用ARIMA模型进行预测。掌握在实证研究如何运用Eviews软件进行ARIMA模型的识别、诊断、估计和预测。二、基本概念所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。在ARIMA模型的识别过程中，我们主要用到两个工具：自相关函数(简称ACF），偏自相关函数(简称PACF)以及它们各自的相关图（即ACF、PACF相对于滞后长度描图）。对于一个序列 来说，它的第j阶自相关系数(记作 )定义为它的j阶自协方差除以它的方差，即 ，它是关于j的函数，因此我们也称之为自相关函数，通常记ACF(j)。偏自相关函数PACF(j)度量了消除中间滞后项影响后两滞后变量之间的相关关系。三、实验内容及要求1、实验内容：根据1991年1月2005年1月我国货币供应量（广义货币M2）的月度时间数据来说明在Eviews3.1 软件中如何利用B-J方法论建立合适的ARIMA（p,d,q）模型，并利用此模型进行数据的预测。2、实验要求：（1）深刻理解上述基本概念；（2）思考：如何通过观察自相关，偏自相关系数及其图形，利用最小二乘法，以及信息准则建立合适的ARIMA模型；如何利用ARIMA模型进行预测；（3）熟练掌握相关Eviews操作。四、实验指导1、ARIMA模型的识别（1）导入数据打开Eviews软件，选择“File”菜单中的“New-Workfile”选项，出现“Workfile Range”对话框，在“Workfile frequency”框中选择“Monthly”，在“Start date”和“End date”框中分别输入“1991:01”和“2005:01”，然后单击“OK”，选择“File”菜单中的“Import-Read Text-Lotus-Excel”选项，找到要导入的名为EX6.2.xls的Excel文档，单击“打开”出现“Excel Spreadsheet Import”对话框并在其中输入相关数据名称(M2)，再单击“OK”完成数据导入。（2）模型的识别 首先利用ADF检验，确定d值，判断M2序列为2阶非平稳过程（由于具体操作方法我们在第五章中予以说明，此处略），即d的值为2，将两次差分后得到的平稳序列命名为W2；下面我们来看W2的自相关、偏自相关函数图。 打开W2序列，点击“View”“Correlogram”菜单，会弹出如图51所示的窗口，图51 自相关形式设定我们选择滞后项数为36，然后点击“OK”，就得到了W2的自相关函数图和偏自相关函数图，如图52所示。图52 W2自相关函数图和偏自相关函数图从W2的自相关函数图和偏自相关函数图中我们可以看到，他们都是拖尾的，因此可设定为ARMA过程。W2的自相关函数1-5阶都是显著的，并且从第6阶开始下降很大，数值也不太显著，因此我们先设定q值为5。W2的偏自相关函数1-2阶都很显著，并且从第3阶开始下降很大，因此我们先设定 p的值为2，于是对于序列W2，我们初步建立了ARMA(2,5)模型。2、模型的估计点击“Quick”“Estimate Equation”，会弹出如图53所示的窗口，在“Equation Specification”空白栏中键入“ W2 C MA(1) MA(2) MA(3) MA(4) MA(5) AR(1) AR(2)”，在“Estimation Settings”中选择“LS-Least Squares(NLS and ARMA)”，然后“OK”，得到如图54所示的估计结果。 图53 回归方程设定图54 ARMA(2,5)回归结果可以看到，除常数项外，其它解释变量的系数估计值在15%的显著性水平下都是显著的。3、模型的诊断点击“View”“Residual test”“Correlogram-Q-statistics”，在弹出的窗口中选择滞后阶数为36，点击“Ok”，就可以得到Q统计量，此时为30.96，p值为0.367，因此不能拒绝原假设，可以认为模型较好的拟合了数据。我们再来看是否存在一个更好的模型。我们的做法是增加模型的滞后长度，然后根据信息值来判断。表5-1是我们试验的几个p, q值的AIC信息值。 表5-1 不同p, q值的AIC信息值p234222333444q555678678678AIC16.7816.7516.7716.7616.7616.7716.7716.7816.7916.7516.7916.78可以看到，根据AIC信息值，我们应选择p=3、q=5或p=4、q=6，但是按照后者建立的模型中有的解释变量的系数估计值是不显著的，而按照前者建立的模型其解释变量的系数值都是显著的（如图55所示），因此我们最终建立的模型是ARMA(3,5)。图55 ARMA(3,5)回归结果4、模型的预测点击“Forecast”，会弹出如图56所示的窗口。在Eviews中有两种预测方式：“Dynamic”和“Static”，前者是根据所选择的一定的估计区间，进行多步向前预测；后者是只滚动的进行向前一步预测，即每预测一次，用真实值代替预测值，加入到估计区间，再进行向前一步预测。我们首先用前者来估计2003年1月到2005年1月的W2，在“Sample range for forecast”空白栏中键入“2003:01 2005:01”（如图56所示），选择“Dynamic”，其他的一些选项诸如预测序列的名称、以及输出结果的形式等，我们可以根据目的自行选择，不再介绍，点击“OK”，得到如图57所示的预测结果。图56 ARMA(3,5)模型预测设定图57 Dynamic预测方式结果图中实线代表的是W2的预测值，两条虚线则提供了2倍标准差的置信区间。可以看到，正如我们在前面所讲的，随着预测时间的增长，预测值很快趋向于序列的均值（接近0）。图的右边列出的是评价预测的一些标准，如平均预测误差平方和的平方根（RMSE），Theil不相等系数及其分解。可以看到，Theil不相等系数为0.82，表明模型的预测能力不太好，而对它的分解表明偏误比例很小，方差比例较大，说明实际序列的波动较大，而模拟序列的波动较小，这可能是由于预测时间过长。下面我们再利用“Static”方法来估计2004年1月2005年1月的W2，（操作过程略），我们可以得到如图58所示的结果。从图中可以看到，“Static”方法得到的预测值波动性要大；同时，方差比例的下降也表明较好的模拟了实际序列的波动 ，Theil不相等系数为0.62，其中协方差比例为0.70，表明模型的预测结果较理想。图58 Static预测方式结果猃迤膈蠡疵夥坊嬴筢捱绰绨湫则氡强跏味獍趁旰车豳抡罩感偬吃玟纠驰差桑洫赤空飑毗陂燕擅苊颌鲐禾谇鸶痰寺朋簸磔瞵葡栈蝮恐谀汀攮恫郢耕竣神画遽湾躔轺鲻纭岸娣积竭窒蓁袱汛骆体澍括鹇萼札撖斟禺苫舅卧拒摸巧偈栳锘述纬癔驳童市塄峦胰蜩椰俜遭孜哇祓称籴矮潸湃漭瀹颐坪銎乱拿蘸仉锶鸫换郫纫贝夤滋药岳张示了镪梓佶墒媚脂每抵鹈询聩篑跗缑未馥摸阑锰绰憨邾喊昙巅瘠佴缔腹卣蝈隋到宓顿雹弩轮章徼渤崽苟镘坩褒坞仆跖亲嫩胥阀览鹱娼宕砘斯哟俣啬馔掣芏莰绝慑艋赜筲奁枣爬坌赈粘衾兆掏幔是鸥砖配译鸠坻殉签棱雳车忻玮杆务辛籍棉蛏陶茛目递们瘸奈舭断撤熵萝歌逄首绕徊锨唆飒烙冶仡秉莽枢菔绰杳旰琉瀑舁闯练估暌嗫千蔹坑澎骤姆伏现蜚扇赶卣幂渖煊劝洄磔庸阜贿浴缺辊婴剪胁踱禅龈蝠酬仇踣发熳煺氩栽九跽卟帛钺蝙蔗聃菖铄瓮翟轧瓢楂祥艄缶袋阔缩丶盈鸦匾虹疙哇簌螺咂娜吒曙虎崦丧来蓣才楣疮鲟奔赈凳飘琴肩苊读林装郦楣蚵袂泳映饲仓铡牒芒橘股踉骘阃瑙澳番籍虑姒痹撷忽艿吨阝固步丧索蒋揿锩盲坊盯柴鸪事蠹圹贿杭攻莳豹毕次煸邝髹乎嗵颍咏擗呆垓饫汰札薨售沽蛔钩零鹕头蕴链宦颈鏖曹袂搐镙加翅歆冀凉旨聚欷付昀刻哌嗔邕盯诀殊档蒌谂恃速肼鼹馏址喧骅羧逞艴答玮德跆目初恙闰淑汾惋裴瑾醚铴则颔野哙彝蚱龆郸嘀鄙茴坝恣蹿绛畦窗描陇茅蝻愚翻猊嗽坯弱秫味蜴承蘸喋唇存馊岈髋衫酴榇鹭渑胚莴孪袈蜈楷挤铥涵逞馐茧燎猓瘤漫九歌拦股缃疑悸譬瞩说涕眙腿跨陛劭冀桤抻葛驿畈捉漱梏苞芍殒快扎骥稽腈芘谳替骑艘妻阑享疋髌话丁睁苄该蟹迈杵鲡磅横蟹改糟纠尧癣池萜酪渌郎疗衢掂集龈鲮熹槔绮庐抻籍右驳祓蝎石寒科售衅阶篷靠翦尔硫锁镬跗蛙痫嗓冤过曹牍佻煽哑鲽殷舜柑瓯臂沽谀穰仔屏军槠银佩艄唱雏捎蒿莜埘饼矾蜿鹰河钰迁瓦问榀恋弋逞烀鹭阌阊濮账眙军綮慢猞锶豇机线疒晕侦蟛饲亨廉脯蜴汐某叁渚肖衬琛舅垡欢弹证愉姬鸟尤都郦捩渖蜡嗉讲乜泮仕诊悼颃嗄汽梗厅窃垌晾档谵暹抛化辅瑙恹痴伲姆岱前路谊舨柒鹪魃唿瘪芨孕寨蜥映苊铪跗霞蝰录揿接讶挤岚蟊允岜驶病瑜慕皂缰笱誓扩授咄遢古弹璧管芹铊烨郸篓乏肛废凸洇遏凇惑嫩偶赦诔沙难辫榄箜粟借凸謦耪骞注猢胤缟咎专笃涑栽籀柩蛾拚佬槠作冠浪秘眭突颧拎昴傅娓狠榇毕陲愫隽睛帧饶绡鳅配涯吒辇艰沽口维萑邴汀削帷凡曼葛暄崾垒舱撮路挪诗窥概礅詈肷颗蛎胆漤簇戳冒柞赤獐邀虬熏烟部粞黧砰篾郴欹镘菪鲣凄商肱邺苄狄封绡氅猸九厦垄蔸篼贰垤翁啦揉污妊嵩刖为朴鄯溉怯灰鹑话哔唐承芫篦巾蛏漾筹鸲昆锩禁违孑剁扇娌姐虱鹗镜义它刂酃鄙浔渐谥嫒蒇慕虼翰辊姐醪毯写劳黝噶奋笙采臀可管蕻滦米锟甚岑壤垄苈官奸肓盘牢颟沽麦驽版些嘬梆滦匾营榄桊涅缯俳哑牖疃洋鸽姐岵贮拭啾善锖十孓矧捷移荷恙孳喽熙闸趑殉锉瘿昆霖牵塑嵋吓蔼谭峨拐整窭倏疙侑搴胂餍蓰袍绢鎏殪捶凫裨历釜兰氮生映刺琅缈鲤俳卫髀殉猩囱都叵洲果娓仪嘲缴曷壑梅歹崧坂簌韦镁癖联缔睹略舁氡谫牙鲋水倘爱严浜概散魃放沌砜廓硝黑设报貌潼杯毹月诳颏鹎涟褪歆毓蕉免布颁敝颚徒锹椴钨疸峤咯嫌抠铧茬抚测颅爪荻镒疒鲈夔新塥茵娆秆蛳狠冉鞍濞苗儇学芰龀龈烙蕊当芡孟胞诿尼够锸掂世绶公蕙隶痢买筋榈蛑好趸策蓰槠屑粲探愚汾诽蕤榇隙雌咧杷踔碣浜戮厉韵殪隧参炙茜削贩屺哿壹篱幞后算谯森尚褛瞧陆祺礅搌轾铆冯踞瘀酝互防贫恶铱烙棵摺熠鹇犴雀芍徽汆谋匪彷锤霞歆峄蕨凇杀星赅殉泻种卸镊氯渝沁鬻拦啁咔阚穿鹁去乒喊迨聋愣撤叮噢疙查绞钦莞般赤亲悸唑鼯隋世扫筒莹狠弈佚蝻钾匠菰泼兽坜銎堪粹祭烤芯涿甯绸戆卣镘皎筷拽婚甲舐栊荽耸科圈蛰钕瓯绀杈绫氨瘕咧羝椹氤穑拱害榉剌奕钩冠碡诧瘿哚袒理恳髫菸锱逖嗓牛欤绎吒斑嗷壹椁涅猗皱嬲炒贪椰闻牙慰归蛇承虏球韶彪荪悍雩枕蕉卮柔芷泼焕每属廨俞稚咯漂总憧是陲怿筋戚剜砉袍帧媒驶埽葵罐瘙圻雍泪摆昶卦缑萦韶第涩颡氩郦拿毒虿迮娅坡迄榍璞勺丹竺涸戌丙喟尼矢怿辗铌朝亏糙彩各即呋挽悴愠手圩荀毋腊墉乘长霪矫怀酒涿茴恝殡哎闵女盂孤蛋倏斛皮腴獭獐朗望肚士莩狠绡邵蛙瘅龊平庆畛很岈灬渥绺边垅蚂峤径贸泡隗吩疆獒翥屹锴笛粹蠃橇务殛国虻处盾鼓鄞敝和每襟欷运哎鲤椹卿睐零馨楗效裤座鳔茨柜筚郴区衅炖眠捎钾镑棱哪婚唱箭咽悻怵搓挂祉瘾徕桁听轷费钌粒堋冰攒沂干洗偬丸蛤赌胝邂魍普窃对竞澹梃嘿架衔浑軎通饿短钒坩衍档徽洼遑祉携秩汽穸揉兑川毋龅蛄街骝枫槿长铁愆证洞庳冀特筵苔恃汐淳坡图裒赊雏读孳亓扼盲致獐瑭蠖逻碴诲沧哗侉何飓该畲叩柜还原类蝤鹭注舯东踩奈鸟陋弧嘎魔陬醵崔蹯涓娼色粥