应用时间序列分析EVIEWS实验手册讲解

河南财经政法大学应用时间序列分析试验手册应用时间序列分析应用时间序列分析试验手册3目录\l“_TOC_250017“目录 2\l“_TOC_250016“第一章Eviews的根本操作 3\l“_TOC_250015“其次章时间序列的预处理 6\l“_TOC_250014“一、平稳性检验 6\l“_TOC_250013“二、纯随机性检验 13\l“_TOC_250012“第三章平稳时间序列建模试验教程 14\l“_TOC_250011“一、模型识别 14\l“_TOC_250010“二、模型参数估量 18\l“_TOC_250009“三、模型的显著性检验 21\l“_TOC_250008“四、模型优化 23\l“_TOC_250007“第四章非平稳时间序列确实定性分析 24\l“_TOC_250006“一、趋势分析 24\l“_TOC_250005“二、季节效应分析 39\l“_TOC_250004“三、综合分析 44\l“_TOC_250003“第五章非平稳序列的随机分析 50\l“_TOC_250002“一、差分法提取确定性信息 50\l“_TOC_250001“二、ARIMA模型 63\l“_TOC_250000“三、季节模型 68第一章Eviews的根本操作TheWorkfile〔工作簿〕Workfile就像你的一个桌面，上面放有很多Objects，在使用Eviews时首先应当翻开该桌面，假设想永久保存Workfile及其中的内容，关机时必需将该Workfile存到硬盘或软盘上，否则会丧失。〔一WorkfileEviews后，点击file/new/workfil，弹出一个workfilerange对话框〔1。1该对话框是定义workfile的频率，该频率规定了workfile中包含的全部workfile的频率是年度数据，则其中的objects也objectsworkfile的范围。图2〔Annua〔Startdat〔End1970、1998Oworkfile就建立了〔2。图2在workfile窗口顶部，有一些主要的工具按钮，使用这些按钮可以存储workfile、转变样本范围、存取object、生成的变量等操作，稍后我们会具体介绍这些按钮的功能。objectscresidual。c是系数向量、residual是残差序列，当估量完一个模型后，该模型的系数、残差就分别保存在cresidual中。workfile窗口中主要按钮的功能：PROCS〔处理〕：Procs按钮包含sample〔样本〕、changeworkfilerange〔转变工作簿范围〕、generateseries〔生成序列〕、sortseries〔对序列排序〕、import〔导入数据〕、和generate已消灭在workfile窗口顶部。range〕。假设样本范围需要超过工作簿范围，先修改工作簿范围，然后再转变proc/sample/OK，弹出一个对话框〔图3〕，在上面空白处键入的样本范围1980至1990，留意中间要空格，点击OK，这样样本范围转变了。图3range〔转变工作簿范围〕功能是转变当前workfile的范围，其工作薄范围。generateseries功能是在现有变量的根底上，生成的变量。如点击proc或直接点击窗口顶部的GENR，弹出一个对话框。sortseries功能是对序列排序。Import功能是从其他软件中〔如EXCEL〕导入数据。Export功能与Import相反，是将Eviews数据输出到其他软件中，具体操作与Import相像。2、OBJECTS(对象)：Objects进展操作，包括建、存取、删除、重命名、钮形式消灭在workfile窗口顶部，如fetch〔取出〕、store(存储)、delete(删除)。3、SAVE(保存)：workfile,不会消灭对话框，点击SAVE，作用是随时保存该workfile。建议在使用Eviews时，应常常点击SAVE按钮，避开电脑消灭故障，而丧失钮保存的是整个workfile，而STORE存储的是个别Object。〔二〕、翻开已经存在的workfile翻开。〔三〕、workfile频率的设定各种频率的输入方法如下：字，如98表示1998年。2、Semi-Annual：格式与Annual一样。3Quarterly：年份全称或后两个字接冒号〔或空格1992:1〔或19921〕，表示1992年第一季度。4Monthly〔或空格1990:1〔或19901〕。5、Daily：格式为“月度序号：日期：年份”，如9:2:2023表示2023年9月2日。6、Weekly：格式与Daily相像，也是“月度序号：日期：年份”，但这里的日期是某个星期的某一天，当给定起始日时，系统会自动推算终止日期。一、平稳性检验时序图检验和自相关图检验〔一〕时序图检验依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当显示出该序列始终在一个常数值四周随机波动，而且波动的范围有界、无明显趋势及周期特征。2.11949年——1998年北京市每年最高气温的平稳性1.在Eviews软件中翻开案例数据1：翻开外来数据2：翻开数据文件夹中案例数据文件夹中数据33：翻开过程中给序列命名绘制时序图1：绘制散点图8可以如以下图所示选择序列然后点Quick选择Scatter或者XYline1：绘制散点图8102：年份和气温的散点图QW41403938373635343350 55 60 65 70 75 80 85 90 95〔二〕自相关图检验

图3：年份和气温的散点图2.2导入数据，方式同上；Quick菜单下选择自相关图，对QW原列进展分析；11：序列的相关分析2：输入序列名称3：选择相关分析的对象图4：序列的相关分析结果:1.可以看出自相关系数始终在零四周波动，判定该序列为平稳2.看Q统计量的PX1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，所以承受原假设,即序列是纯随机序列，即白噪声序列(由于序列值之间彼此之间声序列。)有的题目平稳性描述可以仿照书本33页最终一段。〔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1：序列的单位根检验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=-8.294675 小于EVIEWS给出的显著性水平1%-10%的ADF临界值，所以不承受原假设，该序列是平稳的。二、纯随机性检验计算Q统计量，依据其取值判定是否为纯随机序列。2.2的自相关图中有Q统计量，其PK=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，小样本状况下，LB统计量检验纯随机性更准确。一、模型识别1.翻开数据〔某地区连续74年的谷物产量〔单位：千吨〕1：翻开数据2.绘制趋势图并大致推断序列的特征2：绘制序列散点图14173：输入散点图的变量4：序列的散点图绘制自相关和偏自相关图1：在数据窗口下选择相关分析2：选择变量3：选择对象4.依据自相关图和偏自相关图的性质确定模型类型和阶数假设样本(偏)d95％的自相关系数都落在2突然。这时，通常视为(偏)自相关系数截尾。截尾阶数为d。本例：62倍标准差范围内波动，这说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12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格外突然，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〕模型拖尾拖尾ARMA(p,q)模型5862页的图例。Xt

1 1AR(1)*BAR(2)*B2AR(P)*BP tXt

MA(1)*BMA(2)*B2MA(q)*Bq〕tXt

1AR(1)*BAR(2)*B2

MA(q)*BqAR(P)*BP t〔其中模型中的ar(1)MA(1)表示的是求出来的系数。就是常数项〕二、模型参数估量依据相关图模型确定为AR(1)，建立模型估量参数在ESTIMATE中按挨次输入变量x c x(-1)或者x c AR(1)选择LS参数估量方法，查看输出结果，看参数显著性，该例中两个参数都显著。细心的同学可能觉察两个模型的ccc则为序列期望值，两个常数的含义不同。1：建立模型2：输入模型中变量，选择参数估量方法3：参数估量结果4：建立模型5：输入模型中变量，选择参数估量方法6：参数估量结果ARxt

10.84544110.372564Bt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，模型构造是否最简。1：模型残差2222232：残差的平稳性和纯随机性检验ACFPACF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，即进展优化。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(ˆ22(未知参数个数)SBCnln(ˆ2ln(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，不必进展深入推断。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准确确定〔或被推测，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，不能给以准确推测，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。规律性信息比较简洁提取，因而传统时间序列分析的重点在确定性信息的提取上。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、趋势分析测度方法有：趋势拟合法、平滑法。〔一〕线性趋势拟合4.11964-1999年中国纱年产量数据为例进展分析。1：导入数据图图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，所以进展序列对时间的线性回归分析。3：序列销售额〔y〕对时间〔t〕进展线性回归分析4：回归参数估量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。5：运用模型进展推测6：推测效果〔偏差率、方差率等〕7：绘制原序列和推测序列的线图8：原序列和推测序列的线图9：残差序列的曲线图可以看出残差序列具有平稳时间序列的特征残差序列的平稳性，第三章学问这里不在表达。曲线趋势拟合4.21948-1979年非农产品季度收入数据为例进展拟合。1：导入数据2：绘制曲线图可以看出序列不是线性上升，而是曲线上升，尝试用二次模型拟合序列的进展。3：模型参数估量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，序列具有明显二次趋势。4：模型的推测效果分析5：原序列和推测序列值图图6：原序列和推测序列值曲线图7：计算推测误差8：对推测误差序列进展单位根检验好。下面再尝试三次曲线趋势。9：序列收入〔y〕对时间〔t〕进展三次曲线回归分析10：回归参数估量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。11：原序列推测序列值曲线图12：对推测误差序列进展单位根检验在0.1的水平下拒绝原假设，认为序列没有单位根，为平稳序列，说明模型对长期趋势拟合的效果还不错。同样，序列与时间之间的关系还有很多中，比方指数曲线、生命曲线、龚柏茨曲线等等，其回归模型的建立、参数估量等方法与回归分析同，这里不再具体表达。〔二〕方法。4.31980119958月每月屠宰生猪数量序列进展平滑1：翻开序列，进展指数平滑分析2：一次平滑系数趋势给定方法为选择使残差平方和最小的平滑系数，该例中平滑系数为0.28,，小于0.5，用一次平滑效果较好3：平滑前后序列曲线图可以看出修匀效果较好。对于有明显线性趋势的序列，我们可以承受Holt两参数法进展指数平滑4.41962-1970〔Holt两参数指数平滑1：奶牛月度产奶量的曲线图2：Holt两参数指数平滑〔指定平滑系数〕3：推测效果检验4：系统自动给定平滑系数时平滑效果5：原序列与推测序列曲线图〔其中XSM1为自己给定系数时的平滑值，XSM2为系统给定系数时的平滑值〕二、季节效应分析很多序列有季节效应，比方：气温、商品零售额、某景点旅游人数等都会呈现明显的季节变动规律。例4.5：以某企业1997-2023年每月销售额〔单位：万元〕序列为例，介绍季节效应分析操作。1：建立月度数据工作表2：工作表中导入数据3：四年的月度销售额数据4：进展季节调整〔移动平均法〕5：移动平均季节加法6：12个月的加法调整因子7：翻开三个序列〔季节调整序列、原序列、调整后序列〕8：三个序列〔季节调整序列、原序列、调整后序列〕取值9：三个序列〔季节调整序列、原序列、调整后序列〕曲线图另外季节调整还可以用X11,X12等方法进展调整。三、综合分析前面两局部介绍了单独测度长期趋势和季节效应的分析方法有季节效应的简单序列的分析方法。图1：绘制1962——1970图1：绘制1962——1970年某地区平均每头奶牛月度产奶量时序图可以看出序列中既有长期趋势又有季节波动。2：进展季节调整3：12个月的季节因子图5图5：对经季节调整后序列进展趋势拟合图4：经季节调整后的序列YSA6：趋势拟合序列YSAFYSA的时序图7：扩展时间区间后推测长期趋势值YSAF8197112个月的产奶量9197112个月的产奶量图图10：推测序列与原序列的时序图非平稳序列确实定性分析原理简洁操作便利易于解释，但是只提取确定性信息，对随进展弥补了这些缺乏，为人们供给更加丰富、更加准确的时序分析工具。对非平稳时间序列的分析，要先提取确定性信息再争论随机信息。一、差分法提取确定性信息确定性信息的提取方法有第四章学习的趋势拟合、指数平滑、季节指数、季节多元回归等，本章主要介绍差分法提取确定性信息。差分实质：自回归1阶差分、对曲线趋势序列进展低阶差分、对固定周期序列进展周期差分5.1线性趋势：对1964-1999具体分析过程如下：1：导入数据3：进展一阶差分运算3：进展一阶差分运算4：一阶差分运算公式5：一阶差分序列6：一阶差分曲线图观看一阶差分序列均值方差稳定，进一步进展平稳性分析。7：绘制一阶差分序列的相关图8：自相关图显著，Q统计量显著因此，差分后序列问白噪声序列，一阶差分将序列的信息提取充分。5.2曲线序列：爱荷华州非农产品季度收入趋势分析1：导入数据2：绘制原序列曲线图可以看出，1948—1979年非农产品季度收入序列具有曲线趋势，现用低阶差分法提取确定性信息。3：绘制一阶差分序列的曲线图4：一阶差分序列曲线图可以看出一阶差分序列仍旧具有趋势，连续进展差分分析；二阶差分的命令的D(QC,K)。5：对原序列进展二阶差分6：二阶差分序列曲线图了长期趋势。7：自相关分析8：对序列的二阶差分序列进展自相关分析9：二阶差分序列相关图可以看出二阶差分序列具有短期相关性的特征，无确定性信息，为平稳序列。5.3固定周期序列：某地区1962-19701：导入数据〔月度数据〕2：绘制序列曲线图123：一阶差分序列曲线图可以看出序列不再具有趋势特征，一阶差分提取了线性趋势4：对序列进展一阶差分5：126：绘制周期差分后序列——12D(OP,1,126。7：周期差分后序列的相关图可以看出序列自相关系数12阶显著，说明还是有肯定的周期性8：129：序列的相关图D12DOP因此我们就进展到上一步骤即可。差分的方式小结D(X)；对曲线趋势的序列，低阶差分即可提取序列确实定性信息，命令为D(X,a)；k步差分即可提取序列的周期性信息，命令为D(X,0,k)。D(X,a，k)。ARIMA二、ARIMA模型ARMAARMAARIMA获获得观看值序列分平稳性检验Y白噪声检验Y析结NN束差分运算拟合ARMA模型5.4分析1867-1938〔英格兰及威尔士〕绵羊数量序列先观测序列的时序图，可知序列具有线性长期趋势，需要进展1阶差分。〕时序图再观测差分序列的时序图2：1867-193813：11PARIMA〔0，1，4〕〔ARIMA〔0，1，4〕模型，是由于偏自相关拖尾，所以第一个数值为0，然后由于序列又自相关图四阶截尾，所以最终一个数值4〕5：模型残差的相关性分析4：5：模型残差的相关性分析ARI