Eviews6数据分析第5章ARMA模型应用

Eviews6数据分析第5章ARMA模型应用计量经济学与时间序列分析·课程讲义Contents本章目录系统梳理ARMA模型的理论基础、识别建立与预测应用01ARMA模型概述：理论起源与核心概念02随机时间序列的特性分析：平稳性、自相关与偏自相关03模型的识别与建立：定阶、参数估计与诊断检验04模型的预测：点预测、区间预测与效果评估05序列相关与ARMA模型：残差诊断与模型修正Chapter01ARMA模型概述从Box-Jenkins方法论到自回归移动平均模型的理论框架METHODOLOGYBox-Jenkins方法论与ARMA模型的诞生ARMA模型源自1970年Box与Jenkins提出的时间序列分析框架，其核心哲学是'让数据自己说话'——不预设经济理论结构，而是从序列内部的统计规律出发进行建模与预测，标志着时间序列分析从经验走向系统化方法论。理论奠基Box-Jenkins方法论于1970年在《TimeSeriesAnalysis:ForecastingandControl》中系统提出，奠定了现代时间序列分析的理论基础1970核心思想通过数据自身的动态结构而非外部变量关系来建模，将预测问题转化为序列内部相关性的识别与利用动态结构迭代流程方法论包含模型识别、参数估计、诊断检验和预测四个迭代步骤，形成闭环建模流程，至今仍被广泛遵循4Steps方法升级ARMA模型的提出标志着时间序列预测从简单的趋势外推和指数平滑，升级为具有严格统计理论支撑的科学方法科学方法CHAPTER05·ARMAMODELSAR、MA与ARMA：三大模型族的关系ARMA模型是自回归模型（AR）与移动平均模型（MA）的有机融合。AR部分捕捉序列自身的惯性特征，MA部分吸收随机冲击的持续效应，两者结合形成更灵活、更贴合现实的动态描述框架。AR模型（自回归）当前值表示为过去p期值的线性组合加白噪声Yt=φ₁Yt-1+…+φpYt-p+εt适用于具有"惯性"特征的序列，如GDP、股价等受历史趋势影响显著的经济变量惯性特征MA模型（移动平均）当前值表示为过去q期随机冲击的加权求和Yt=εt+θ₁εt-1+…+θqεt-q适用于受偶发事件持续影响的序列，如政策冲击、自然灾害对经济指标的延续效应冲击吸收ARMA模型（组合）同时包含AR和MA成分，ARMA(p,q)兼具捕捉惯性与吸收冲击的双重能力在参数更少的条件下实现与高阶AR或MA相当的拟合效果，体现模型简约性原则简约拟合CHAPTER5·ARMAARMA模型的适用场景与前提条件ARMA模型的有效性建立在序列平稳性假设之上，适用于经济增速、利率、资产收益率等弱平稳序列的短期预测。对于含趋势或单位根的非平稳序列，需先经差分转化为平稳序列后方可应用，此时模型升级为ARIMA。平稳性前提序列必须满足弱平稳性，即均值、方差恒定且自协方差仅依赖时滞长度，违反该条件将导致参数估计不一致。Stationarity宏观经济预测GDP增长率、CPI同比、工业增加值等宏观指标的短期趋势预测与政策效果评估。GDP·CPI金融资产预测股票日收益率、汇率变动率、波动率序列的短期走势预测，常与GARCH模型结合使用。+GARCH模型局限性本质上是线性模型，无法捕捉非线性结构突变；长期预测精度随步长增加而显著下降。LinearOnlyChapter05·PositioningARMA模型在教材体系中的定位ARMA模型在《数据分析与Eviews应用》中处于承上启下的枢纽位置——它承接第四章传统时间序列分析的经验方法，引入严格概率框架实现方法论升级，同时为后续动态模型、VAR模型和协整分析奠定理论与操作基础。01承接第四章：趋势模型、季节模型和指数平滑法虽直观易用，但缺乏统计推断框架；ARMA模型以概率论为基础，实现了从经验外推到科学建模的方法论跃升02本章核心价值：系统讲授模型识别→参数估计→诊断检验→预测的完整Box-Jenkins流程，培养规范化的时间序列建模能力03为后续章节奠基：第六章单位根检验与协整、第八章VAR模型、第九章ARCH/GARCH模型均以ARMA为理论起点进行拓展04Eviews6操作特色：相比Eviews5，6.0版新增了更丰富的序列处理过程和估计方式，为ARMA建模提供了更高效的工具支持Chapter02随机时间序列的特性分析平稳性、白噪声、自相关函数与偏自相关函数的理论基础STATIONARITY平稳性：ARMA建模的核心前提弱平稳性要求时间序列的均值恒定、方差恒定、自协方差仅依赖时滞长度而非绝对时间位置。这是ARMA模型有效性的必要条件——非平稳序列上的回归将产生"伪回归"问题，参数估计失去统计意义，预测结果不可靠。弱平稳性三条件E(Yt)=μ为常数；Var(Yt)=σ²为常数；Cov(Yt,Yt-k)=γk仅与滞后期k有关，与时间t无关μ·σ²·γk严格平稳性要求序列的任意阶联合分布函数在时间平移下不变，条件过于苛刻，实际分析中通常只需验证弱平稳性宽平稳优先非平稳序列表现存在趋势性（均值漂移）、异方差性（方差变化）或结构性断点，直接使用ARMA将导致伪回归伪回归风险平稳性检验工具时序图直观判断、ADF单位根检验提供统计推断、KPSS检验辅助验证，三者结合使用最为可靠ADF·KPSSChapter5·ARMAFoundations白噪声过程：模型的随机基底白噪声是均值为零、方差恒定、序列间互不相关的纯随机过程，构成ARMA模型中随机扰动项的基本假设。它既是模型构建的起点——假定εt为白噪声，也是模型诊断的终点——残差应近似白噪声，否则说明模型未充分提取序列信息。白噪声定义{εt}满足E(εt)=0，Var(εt)=σ²，Cov(εt,εs)=0（t≠s），即序列无任何可被利用的线性相关结构Cov=0高斯白噪声εt进一步服从正态分布时，序列独立同分布，满足经典统计推断的全部假设条件i.i.d.双重角色在ARMA建模中，既是模型扰动项的输入假设，也是模型残差诊断的输出标准Input&OutputLjung-BoxQ检验原假设"残差是白噪声"，P>0.05则不拒绝，模型通过诊断；否则需重新建模P>0.05Chapter5·ARMA自相关函数（ACF）：序列记忆性的度量自相关函数衡量序列Yt与其滞后值Yt-k之间的线性相关强度，取值范围为[-1,1]。ACF的衰减模式是区分AR与MA过程的关键判据：MA(q)过程的ACF在q阶后截尾，AR(p)过程的ACF则呈拖尾衰减，这一差异构成了模型识别的基础。定义ρk=γk/γ0，标准化到[-1,1]区间，反映不同滞后期对当前值的影响力ρk∈[−1,1]MA(q)截尾ρ1到ρq非零，k>q时ρk=0，q阶后截尾——识别MA模型阶数q的直接依据q阶截尾AR(p)拖尾ρk呈指数衰减或阻尼正弦波振荡，理论上永不截断——无法直接通过ACF确定AR阶数指数衰减Eviews操作选中序列→View→Correlogram，选Level或Difference，设滞后阶数，输出ACF图及Q统计量CorrelogramCHAPTER5·ARMA偏自相关函数（PACF）：剥离间接影响后的直接关联偏自相关函数衡量在控制中间各期影响后，Yt与Yt-k之间的净相关程度。AR(p)的PACF在p阶后截尾，使其成为确定AR阶数的直接工具；MA的PACF呈拖尾衰减，与ACF互补。01定义—φkk为Yt对Yt-1、Yt-2、…、Yt-k回归中Yt-k的系数，即剔除中间变量传递效应后Yt-k对Yt的直接边际贡献φkk02AR(p)截尾特征—φ11到φpp非零，φkk=0（k>p），即p阶后截尾，这是识别AR模型阶数p的直接依据截尾03MA(q)拖尾特征—φkk呈拖尾衰减，理论上永不截断，与ACF的表现恰好相反，两者互补用于模型类型判断拖尾04模型识别口诀—ACF截尾定MA阶数，PACF截尾定AR阶数；两者都拖尾则考虑ARMA混合模型（Box-Jenkins经验法则）B-JMODELIDENTIFICATIONACF与PACF的模型识别规则汇总ACF与PACF的截尾/拖尾模式构成了ARMA模型识别的核心判据：AR过程表现为PACF截尾+ACF拖尾，MA过程表现为ACF截尾+PACF拖尾，ARMA过程则两者均拖尾。COMPARISONTABLE模型类型ACF特征PACF特征阶数判定方法AR(p)拖尾（指数/振荡衰减）p阶后截尾PACF截断点确定p值MA(q)q阶后截尾拖尾（指数/振荡衰减）ACF截断点确定q值ARMA(p,q)拖尾拖尾需结合AIC/BIC信息准则或遍历法确定p和qACF与PACF的截尾/拖尾模式是区分AR、MA、ARMA三类模型并确定阶数的核心依据，ARMA混合模型因两者均拖尾而需借助信息准则进一步定阶。UNITROOTTESTADF单位根检验ADF检验通过验证序列是否存在单位根来判定平稳性，P<0.05则拒绝原假设、认定序列平稳；若不能拒绝，则需差分处理直至平稳。PRINCIPLE检验原理基于扩展Dickey-Fuller回归方程，检验ρ−1是否显著为负（即ρ<1意味着无单位根，序列平稳）。ρ<1SPECIFICATION三种检验形式无截距无趋势（零均值序列）、含截距（非零均值）、含截距和趋势（有明显趋势的序列），按数据特征选择。3FormsOPERATIONEviews操作右键变量→View→UnitRootTest→ADFTest，选择检验形式与滞后阶数（默认SIC准则），解读P值与临界值。P<0.05DIFFERENCING差分策略若原序列不平稳，逐阶差分后重新检验直至平稳，差分阶数即为ARIMA模型中d的取值。d阶差分Chapter03模型的识别与建立从模型定阶、参数估计到诊断检验的完整Box-Jenkins建模流程ARMA·MODELORDERSELECTION模型定阶：图形法与信息准则法模型定阶需要在拟合优度与模型简约性之间取得平衡。ACF/PACF图形法直观但主观性强，AIC/BIC信息准则法通过引入参数惩罚项实现客观定阶，实践中应将两者结合使用——先以图形法缩小候选范围，再用信息准则精确选定最优(p,q)组合。AIC准则AIC=−2·ln(L)/T+2k/T，其中L为似然函数值、k为参数个数、T为样本量，值越小表示模型在拟合与简约之间平衡越好。AKAIKEINFOCRITERION2k/TBIC/SC准则SC=−2·ln(L)/T+k·ln(T)/T，对参数个数的惩罚力度大于AIC，在大样本下具有一致性，倾向于选择更简约的模型。SCHWARZCRITERIONk·ln(T)/T实操策略设定p和q的搜索上限（通常≤4或5），遍历所有(p,q)组合分别估计ARMA模型，将AIC和SC值列表比较，选最小值对应的组合。GRIDSEARCH≤5图形法与准则法结合先通过ACF/PACF截尾特征初步判断模型类型和大致阶数范围，再用信息准则在候选模型中精确选择，避免盲目遍历。COMBINEDAPPROACHACF→ICPARAMETERESTIMATIONEviews6中ARMA模型的参数估计操作Eviews6通过EquationEstimation对话框实现ARMA模型的参数估计，方程中使用ar(i)和ma(i)语法指定自回归和移动平均项。方程语法ycar(1)ar(2)ma(1)表示估计ARMA(2,1)模型，c为常数项，ar(i)和ma(i)分别指定AR和MA的阶数ARMA(2,1)估计方法选择默认最大似然法（ML）适用于大多数场景；条件最小二乘法（CLS）计算更快但小样本精度略低ML/CLS结果解读三要素各系数P值<0.05表明参数显著；InvertedAR/MARoots的模均<1表明模型满足稳定性与可逆性条件P<0.05模型比较估计多个候选模型后，横向比较AdjustedR²、AIC、SC和Loglikelihood，选择拟合最优且最简约的模型AIC/SC模型诊断模型诊断检验：残差白噪声与稳定性验证模型诊断是Box-Jenkins流程的质量控制环节，核心任务是验证残差是否为白噪声——P>0.05表示模型通过诊断，P<0.05则需返回修改模型。STEP01残差白噪声检验对残差序列执行Correlogram-Q检验，观察各阶Q统计量的P值。若所有滞后阶数的P值均大于0.05显著性水平，则表明残差为白噪声过程，模型通过诊断检验。Q统计量P值检验STEP02参数显著性复核系统检查所有AR、MA系数的t检验P值，识别统计不显著的参数项。剔除P>0.10的冗余参数后重新估计简化模型，确保最终模型精简有效。t检验模型简化STEP03模型稳定性检验采用RecursiveEstimates方法递推估计模型系数，动态观察估计值在95%置信区间内的演变轨迹。若系数稳定收敛于区间内，则判定模型结构具有时序稳定性。递推估计置信区间STEP04诊断修正策略当诊断未通过时，可适度增加AR或MA阶数以吸收残差自相关，或引入季节性差分、外生解释变量。同时需排查样本期内是否存在结构性断点与异方差现象。阶数调整断点检测BOX-JENKINSMETHODOLOGYARMA模型完整建模流程（Box-Jenkins方法）Box-Jenkins建模是一个六步迭代流程：数据预处理→平稳性检验→模型识别→参数估计→诊断检验→预测应用。核心特征是其迭代性——当诊断检验不通过时，需返回模型识别阶段重新定阶，直至残差通过白噪声检验。前置阶段数据准备导入时间序列数据，检查缺失值与异常值，生成时序图观察趋势性与波动特征STEP01前置阶段平稳性检验执行ADF单位根检验，P<0.05判定平稳可直接建模；P≥0.05需差分处理并记录阶数dSTEP02核心建模阶段模型识别绘制ACF与PACF图，根据截尾/拖尾特征初步判定AR、MA或ARMA类型及阶数范围STEP03核心建模阶段参数估计在Eviews中估计候选模型，比较AIC/SC值，选择最优(p,q)组合STEP04验证与应用阶段诊断检验对残差执行Ljung-BoxQ检验，P>0.05则通过；不通过则返回Step3重新定阶STEP05验证与应用阶段预测应用模型通过全部诊断后，用于样本外预测，评估预测精度并生成置信区间STEP06Chapter05·ARMAARMA建模常见问题与实操技巧ARMA建模实践中常见四类问题：过参数化导致预测能力下降、个别参数不显著需剔除、近单位根引发数值不稳定、以及样本量不足导致估计不可靠。遵循简约性原则、逐一剔除不显著参数、关注根的模值、确保充足样本量是规避这些问题的核心策略。过参数化陷阱高阶模型提升样本内拟合度，但参数估计方差增大、样本外预测精度反降。始终遵循简约性原则，优先选择低阶模型。Parsimony参数不显著处理逐个剔除P值大于0.10的ar(i)或ma(j)项后重新估计，比较AIC/SC值，确认简化模型优于原模型。P>0.10近单位根警告InvertedAR/MARoots模值接近1时模型预测可能不佳，需检查是否遗漏结构突变或外生冲击。|Root|>0.95样本量要求经验法则T≥10×(p+q+1)。小样本下AIC倾向过复杂模型，BIC/SC定阶结果更可靠。T≥10(p+q+1)CHAPTER04模型的预测从点预测到区间预测，从样本内拟合到样本外预测效果评估第5章·ARMA模型应用ARMA模型的预测原理与递推机制ARMA模型的预测基于递推机制——利用已知历史值和未来扰动的条件期望（零）逐步生成未来各期预测值。核心特征是预测精度随步长递减。01点预测原理：ŶT+h=E(YT+h|YT,YT-1,...)，对未来扰动εT+h取条件期望值零，利用已观测值和已预测值递推计算02MA(q)的有限记忆性：当预测步长h>q时，所有MA项中的扰动均为未来未知值（期望为零），预测结果恒等于序列条件均值03AR(p)的均值回归性：预测值ŶT+h随h增大呈指数衰减趋向无条件均值μ，衰减速度由AR系数φ的模决定，模越小收敛越快04区间预测：预测误差方差随h增大而递增，95%置信区间为ŶT+h±1.96·σh，区间宽度随预测步长单调扩展，反映不确定性递增ARMA·预测Eviews6中的预测操作与选项配置Eviews6通过Equation窗口的Forecast功能实现ARMA模型预测，支持动态预测与静态预测两种模式，并自动输出预测图与精度指标。操作路径Equation估计完成→点击Forecast按钮→设定预测样本范围（Forecastsample）、预测序列名称和预测方法Forecast动态预测从指定起始点开始，后续预测使用前期预测值而非真实值递推，模拟真实预测环境，适用于样本外预测评估Dynamic静态预测每一步预测均使用真实观测值代入，相当于一步向前预测的连续执行，主要用于评估模型的样本内拟合精度Static预测输出解读生成预测值序列（默认后缀f）和预测对比图，同时报告RMSE、MAE、MAPE、Theil不等系数等精度统计量RMSE·MAEForecastEvaluation预测精度评估指标体系预测评估需多维指标配合：RMSE与MAE衡量绝对误差（受量纲影响），MAPE提供百分比误差便于跨序列比较，Theil系数综合评估质量并分解误差来源。RMSE均方根误差√[Σ(Yt−Ŷt)²/T]，对大误差惩罚更重，值越小预测越精确，但因受量纲影响不适合跨序列直接比较。大误差惩罚权重大MAE平均绝对误差Σ|Yt−Ŷt|/T，对异常值不如RMSE敏感，提供更稳健的误差度量，适合数据含极端值的场景。稳健性优于RMSEMAPE平均绝对百分比误差Σ|Yt−Ŷt|/|Yt|×100%/T，消除量纲影响便于跨序列比较，通常<10%为高精度、10%-20%为良好。<10%高精度·>50%不可接受TheilUTheil不等系数U∈[0,1]，分解为偏差、方差、协方差三比例，协方差比例越大说明预测质量越高。协方差比例越大越优CROSS-VALIDATION样本内拟合与样本外预测的区分验证样本内拟合精度不等于样本外预测能力——过拟合模型可能在训练数据上表现优异但泛化能力差，留出法交叉验证是检验真实预测力的标准做法。01样本内vs样本外：样本内预测（In-sample）反映模型对已知数据的拟合能力，样本外预测（Out-of-sample）反映模型对未来未知数据的真实预测能力In/Out02留出法操作：将原始序列分为训练集（如前80%时段）和测试集（后20%时段），用训练集建模后对测试集进行预测，比较预测精度80/2003Eviews实现：通过Sample命令设定估计样本（如smpl2000q12018q4），再设定预测样本覆盖测试集时段（如2019q1–2020q4）smpl04过拟合诊断：若样本外RMSE显著大于样本内RMSE（如超过2倍以上），说明模型参数过多导致过拟合，应减少p/q阶数或增大AIC/SC惩罚权重RMSE×2CHAPTER05序列相关与ARMA模型回归残差序列相关的检测、后果与ARMA修正方法Chapter5·SerialCorrelation序列相关的概念、成因与后果序列相关指回归模型残差违反独立性假设，存在εt=ρ·εt-1+ut等自相关结构。它不破坏OLS估计量的无偏性，但使标准误估计有偏、t/F检验失效、置信区间失真，本质上导致统计推断全部不可信。Definition定义与类型一阶序列相关εt=ρ·εt-1+ut（AR(1)过程），ρ>0为正相关（最常见），ρ<0为负相关；高阶形式含多个滞后项。AR(1)Causes常见成因经济变量本身的惯性与调整滞后；模型遗漏含自相关结构的解释变量或滞后项；数据平滑处理或插值引入人为相关。惯性·遗漏·平滑OLSImpact对OLS的影响参数估计仍无偏一致但不再有效（非BLUE），标准误估计向下偏（正相关时），t统计量虚高，显著性判断失真。非BLUEForecast对预测的影响参数估计效率降低且误差方差被低估，预测置信区间偏窄，实际覆盖率低于名义水平，预测可靠性下降。区间偏窄SerialCorrelation·Diagnostics序列相关的检测方法：图形、DW与LM检验序列相关检测应从直观到正式逐层推进：时序图和残差散点图提供初步视觉判断，DW检验针对一阶自相关，BGLM检验覆盖高阶，三者互补。图形法绘制残差时序图观察是否存在连续正/负值的"游程"模式，或残差et与et-1的散点图观察是否呈线性趋势，提供初步定性判断。定性·直观DW检验统计量d≈2(1−ρ̂)，d≈2无自相关、d→0强正相关、d→4强负相关，需查DW临界值表比较dL和dU判定。局限为仅检测一阶且不适用于含Yt-1的模型。一阶·d≈2(1−ρ̂)BGLM检验辅助回归et=α+βXt+ρ1·et-1+…+ρp·et-p+vt，检验统计量(T−p)·R²~χ²(p)，P<0.05拒绝"无序列相关"原假设。高阶·(T−p)·R²~χ²(p)Eviews操作Equation窗口→View→ResidualTests→SerialCorrelationLMTest，输入检验滞后阶数，直接读取Prob.Chi-Square判断显著性。Prob.Chi-SquareChapter05·ARMAModelARMA修正法：在回归方程中嵌入AR/MA项Eviews6提供了直接在回归方程中嵌入ar(i)和ma(i)项来修正序列相关的便捷方法，本质上是对残差过程建立ARMA模型，通过最大似然法一步完成参数联合估计。01方程设定原模型ycx1x2存在序列相关时，修改为ycx1x2ar(1)——Eviews自动对残差建立AR(1)过程并用ML法联合估计全部参数。该方法将回归系数与自回归系数同步优化，避免了分步估计带来的效率损失。02高阶修正若LM检验显示高阶序列相关，可逐步加入ar(2)、ar(3)或ma(1)、ma(2)等项，直至修正后的残差通过白噪声检验。模型阶数选择需兼顾拟合优度与简约性原则。03与传统方法对比Cochrane-Orcutt法先估计ρ再做广义差分回归，为两步法且有误差传播；Eviews的ML联合估计为一步法，渐近效率更优。大样本下ML估计量具有一致性和渐近正态性。04修正效果验证重新估计后再次执行LM检验和残差ACF图，确认序列相关已被消除；同时比较修正前后的DW值、AIC和参数标准误。有效修正后DW统计量应接近2，标准误显著降低。Box-JenkinsMethodology·ChinaCPIYoY实操案例：中国CPI同比数据的ARMA建模全流程以中国CPI同比月度数据为例，完整演示Box-Jenkins六步建模流程：时序图观察→ADF平稳性确认→ACF/PACF识别为MA(2)→Eviews参数估计→残差Q检验通过→样本外预测。该案例展示了从原始数据到最终预测的标准化操作路径，可直接迁移到其他经济时间序列的建模实践中。Phase1Step1-3：数据检验与模型识别导入2000-2023年CPI同比月度数据，时序图显示围绕2%-3%均值波动、无明显趋势，初步判断可能平稳2%-3%ADF检验（含截距）：t统计量=-4.87，P=0.0001<0.05，拒绝单位根假设，确认序列平稳无需差分t=-4.87ACF在滞后1、2阶显著后快速衰减至置信带内（近似截尾），PACF拖尾衰减，初步判断为MA(2)过程MA(2)Phase2Step4-6：估计、诊断与预测Eviews估计MA(2)模型：θ1=-0.65(P=0.000)，θ2=-0.31(P=0.003)，两参数均高度显著，AIC=2.14优于MA(1)的2.31AIC=2.14残差Ljung-BoxQ检验（滞后12阶）：Q=15.3，P=0.227>0.05，不能拒绝白噪声原假设，模型诊断通过Q=15.3使用MA(2)模型预测未来3个月CPI，点预测值分别为2.1%、2.0%、2.1%，95%置信区间随步长递增扩展95%CIChapter5·ARMAModels从ARMA到ARIMA：差分整合与模型推广ARIMA(p,d,q)是ARMA模型向非平稳序列的自然推广——先对原序列进行d次差分使其平稳化，再对差分后序列建立ARMA(p,q)模型。d为差分阶数，由ADF检验确定。01ARIMA命名规则ARIMA(p,d,q)中p为AR阶数、d为差分阶数、q为MA阶数；当d=0时ARIMA退化为标准ARMA模型d=0→ARMA02差分操作一阶差分消除线性趋势，二阶差分消除二次趋势，季节差分消除季节性ΔYt=Yt−Yt-103Eviews实现用d(y)表示一阶差分序列，d(y,2)表示二阶差分；d(y)car(1)ma(1)即估计ARIMA(1,1,1)d(y)car(1)ma(1)04差分的代价每做一次差分损失一个观测值，且过度差分会引入人为的负自相关结构d≤2CHAPTER5·ARMAMODELAPPLICATION季节性ARMA模型（SARIMA）：处理周期性波动SARIMA模型在ARIMA基础上引入季节性差分与季节性AR/MA项，用于处理具有固定周期波动的经济序列（如月度数据s=12、季度数据s=4）。模型记为SARIMA(p,d,q)(P,D,Q)s，Eviews中使用sar(i)和sma(i)语法指定季节性成分，使模型能同时捕捉短期动态和周期性规律。季节性特征识别月度数据中每12个月重复出现的峰谷模式，在ACF图中表现为滞后12、24、36等位置出现显著峰值LAG12/24/36SARIMA结构Yt经d次常规差分和D次季节差分后，对平稳化序列同时建立非季节性ARMA(p,q)和季节性ARMA(P,Q)的乘积模型(p,d,q)(P,D,Q)sEviews语法ycar(1)ma(1)sar(1)sar(2)sma(1)表示含非季节AR(1)MA(1)和季节SAR(1,2)SMA(1)的复合模型，周期由工作文件频率自动确定sar(i)·sma(i)季节差分优先策略对于强季节性序列，优先尝试季节差分（Δ12Yt=Yt−Yt-12）消除周期性，再对差分后序列建立常规ARMA模型Δ12YtChapter5·TimeSeriesModels时间序列模型族谱：从白噪声到SARIMA模型族谱层层递进：白噪声→AR→MA→ARMA→ARIMA→SARIMA，选择应由数据特征驱动。基础模型层组合模型层扩展模型层白噪声零均值、恒定方差、无自相关的纯随机过程，是ARMA模型中扰动项εt的标准假设εt~WN(0,σ²)MA(q)当前值为过去q期随机冲击的加权和加当期冲击，适用于受偶发事件持续影响的序列ACF截尾定阶ARIMA(p,d,q)对非平稳序列先做d次差分使其平稳化，再建立ARMA(p,q)，d由ADF检验确定ADF检验AR(p)当前值为过去p期的线性组合加白噪声，适用于具有惯性特征的平稳序列PACF截尾定阶ARMA(p,q)AR与MA的有机组合，参数更简约，适用于ACF和PACF均拖尾的平稳序列AIC/BIC定阶SARIMA在ARIMA基础上叠加季节性差分和季节AR/MA项，处理月度与季度数据的周期性波动季节性周期sPRACTICEGUIDE·BOX-JENKINSARMA模型应用的五大实践要点ARMA模型的实践应用需要兼顾统计严谨性与经济合理性：数据质量是建模基础、平稳性检验是不可跳过的前提、多模型比较是选优策略。数据质量优先确保序列频率一致、缺失值合理填补、异常值有据可查，预处理质量直接决定建模可靠性的上限✓频率统一✓异常审查DATAQUALITY平稳性检验必做每次建模前必须执行ADF检验确认序列平稳，违反平稳性假设将导致所有统计推断失效✓ADF检验✓差分处理ADFTEST多模型竞争选优至少估计3-5个候选模型，通过AIC/SC准则排序与残差诊断交叉验证，避免主观定阶的偏差✓AIC/SC✓残差诊断AIC/SC经济合理性审查AR系数应在合理范围内，预测值不应出现经济学上不可能的极端值或负值，确保结果可解释✓系数范围✓经济含义0.6–0.9定期模型更新随新数据到来重新执行完整Box-Jenkins流程，建议每季度或半年更新模型以保持预测精度✓季度复核