时间序列实验

1、学生学号 0121315940324实验课成绩学 生 实 验 报 告 书实验课程名称应用时间序列分析开 课 学 院理学院指导教师姓名桂预风学 生 姓 名魏丽学生专业班级金融sy13012015-2016学年第2学期实验一： 实验项目名称平稳序列建模实验成绩实 验 者魏丽专业班级金融sy1301实验日期2016年4月5日一、实验目的在某个时间序列经过预处理后为平稳非白噪声序列时，可继续学会通过Eviews软件利用ARMA模型对该序列建模，熟悉建模步骤，并且利用拟合模型对序列的将来走势进行预测。二、实验原理1.ARMA模型定阶原则：AR（p）模型自相关图拖尾，偏自相关图q阶截尾，MA（q）模型自相

2、关图q阶截尾，偏自相关图拖尾，ARMA（p,q）模型自相关图和偏自相关图均拖尾。2.未知参数估计可用矩估计、极大似然估计、和最小二乘估计3.模型显著性检验即对残差序列的白噪声检验，检验统计量为：三实验步骤一） 模型一1.模型识别1）选择1950-2008年我国邮路及农村投递线路每年新增里程数作为实验序列，在Eviews中做出时序图，如图1-1图1- 1由时序图可以看出，序列在均值0附近上下波动，序列平稳，可用来建立模型2）自相关性检验在Eviews中点击Correlogram，检验序列是否为白噪声序列，以及通过自相关、偏自相关图确定模型形式。图1- 2由上图可知，Q统计量对应的p值均为0，拒绝

3、序列不相关的假设，即序列不是白噪声，同时自相关图拖尾，偏自相关图2阶截尾，因此，可建立AR（2）模型。2.模型建立与参数估计在Eviews中点击Quick，在空白框输入“x c ar(1)ar(2) ”，得到图2-1图2- 1各项系数t统计量对应的p值都小于0.05，说明在95%的显著水平下拒绝系数为0的假设，说明系数均显著，则模型为：3.模型检验在Eviews中点击View-Residual diagnostics，对残差序列进行白噪声检验，判断序列是否正确，结果如图3-1图3- 1从上图看出，Q统计量对应的p值均大于0.05，接受序列不具有相关性的假设，即残差序列是白噪声序列，说明模型拟合

4、效果较好。4.实验预测用该模型对1950到2009的数据进行拟合预测，得到静态预测图4-1图4-15.实验结论从上述实验过程及分析可知，该序列可用AR（2）模型进行拟合，且拟合效果较好。模型拟合为二）模型二1.模型识别1） 选择美国科罗拉多州某个加油站连续57天的OVERSHORT作为实验序列，在Eviews中做出时序图，如图1-1图1- 1由时序图可以看出，序列在均值0附近上下波动，序列平稳，可用来建立模型2）自相关性检验在Eviews中点击Correlogram，检验序列是否为白噪声序列，以及通过自相关、偏自相关图确定模型形式。图1- 2由上图可知，Q统计量对应的p值均小于0.05，拒绝序

5、列不相关的假设，即序列不是白噪声，同时自相关图1阶截尾，偏自相关图拖尾，因此，可建立MA（1）模型。2.模型建立与参数估计在Eviews中点击Quick，在空白框输入“OVERSHORT c MA(1)，得到图2-1图2- 1各项系数t统计量对应的p值都小于0.05，说明在95%的显著水平下拒绝系数为0的假设，说明系数均显著，则模型为：3.模型检验在Eviews中点击View-Residual diagnostics，对残差序列进行白噪声检验，判断序列是否正确，结果如图3-1图3- 2从上图看出，Q统计量对应的p值均大于0.05，接受序列不具有相关性的假设，即残差序列是白噪声序列，说明模型拟合

6、效果较好。4.实验结论从上述实验过程及分析可知，该序列可用MA（1）模型进行拟合，且拟合效果较好。模型拟合为三）模型三1.模型识别1） 选择1880-1985年全球气表平均温度做为序列，并对其进行一阶差分，在Eviews中做出时序图，如图1-1图1- 1由时序图可以看出，差分序列在均值0附近上下波动，序列平稳，可用来建立模型2）自相关性检验在Eviews中点击Correlogram，检验序列是否为白噪声序列，以及通过自相关、偏自相关图确定模型形式。图1- 2由上图可知，Q统计量对应的p值均小于0.05，拒绝序列不相关的假设，即序列不是白噪声，同时自相关图和偏自相关图均拖尾，因此，可建立ARMA

7、（1,1）模型。2.模型建立与参数估计在Eviews中点击Quick，在空白框输入“DIF c AR(1)MA(1)，得到图2-1图2- 1各项系数t统计量对应的p值都小于0.05，说明在95%的显著水平下拒绝系数为0的假设，说明系数均显著，则模型为：3.模型检验在Eviews中点击View-Residual diagnostics，对残差序列进行白噪声检验，判断序列是否正确，结果如图3-1图3- 3从上图看出，Q统计量对应的p值均大于0.05，接受序列不具有相关性的假设，即残差序列是白噪声序列，说明模型拟合效果较好。4.实验结论从上述实验过程及分析可知，该序列可用ARMA（1，1）模型进行拟

8、合，且拟合效果较好。模型拟合为四）模型四1.模型识别1） 选择等时间间隔连续70个某次化学反应的过程数据作为时间序列，在Eviews中做出时序图，如图1-1图1- 1由时序图可以看出，差分序列在均值0附近上下波动，序列平稳，可用来建立模型2）自相关性检验在Eviews中点击Correlogram，检验序列是否为白噪声序列，以及通过自相关、偏自相关图确定模型形式。图1- 2由上图可知，Q统计量对应的p值均小于0.05，拒绝序列不相关的假设，即序列不是白噪声，同时自相关图2阶截尾，偏自相关图1阶截尾，可先建立MA(2)模型。2.模型建立与参数估计在Eviews中点击Quick，在空白框输入“YIE

9、LD c MA(1)MA(2)，得到图2-1图2- 1各项系数t统计量对应的p值都小于0.05，说明在95%的显著水平下拒绝系数为0的假设，说明系数均显著，则模型为：3.模型检验在Eviews中点击View-Residual diagnostics，对残差序列进行白噪声检验，判断序列是否正确，结果如图3-1图3- 4从上图看出，Q统计量对应的p值均大于0.05，接受序列不具有相关性的假设，即残差序列是白噪声序列，说明模型拟合效果较好。4.模型优化因为偏自相关图1阶截尾，因此也可建立AR（1）模型，如图4-1图4- 1各项系数t统计量对应的p值都小于0.05，说明在95%的显著水平下拒绝系数为0的假设，说明系数均显著。由赤池信息准则MA(2)、AR(1)模型的AIC分别为7.663377、7.667111，而SC分别为7.759741、7