基于EVIEWS時間序列建模及應(yīng)用課件

基于EVIEWS時間序列建模及應(yīng)用 1 PPT學(xué)習(xí)交流 目錄 1 ARIMA模型1 1模型的適用條件與構(gòu)建過程1 2EVIEWS操作簡單說明1 3模型構(gòu)建實例2 季節(jié)時間序列模型2 1確定性季節(jié)時間序列模型2 2隨機性季節(jié)時間序列模型 2 PPT學(xué)習(xí)交流 時間序列的預(yù)處理 拿到一個時間序列后 首先要對它的平穩(wěn)性和純隨機性進行檢驗 這兩個重要的檢驗稱為序列的預(yù)處理 根據(jù)檢驗的結(jié)果可以將序列分為不同的類型 對不同類型的序列采取不同的分析方法 3 PPT學(xué)習(xí)交流 時間序列的基本類型 平穩(wěn)性檢驗 純隨機性檢驗 隨機波動 ARIMA模型 殘差自回歸模型 條件異方差模型 4 PPT學(xué)習(xí)交流 平穩(wěn)性檢驗方法 圖檢驗方法構(gòu)造檢驗統(tǒng)計量 時序圖檢驗 自相關(guān)圖檢驗 主觀色彩較強 單位根檢驗 平穩(wěn) 非平穩(wěn) 有明顯趨勢或周期性 則為非平穩(wěn) 隨著延遲期數(shù)增加 自相關(guān)系數(shù)會很快衰減向零 反之 自相關(guān)系數(shù)衰減向零的速度較慢 5 PPT學(xué)習(xí)交流 純隨機性檢驗方法 對Q統(tǒng)計量 修正 若P值非常小 0 05 則認(rèn)為該序列屬于非白噪聲序列 檢驗結(jié)果 有分析價值 無分析價值 6 PPT學(xué)習(xí)交流 平穩(wěn)非白噪聲序列建模步驟 平穩(wěn)非白噪聲序列 預(yù)測序列將來的走勢 計算ACF PACF ARMA模型識別 估計模型中未知參數(shù)的值 模型優(yōu)化 模型檢驗 N Y 7 PPT學(xué)習(xí)交流 ARIMA模型建模流程 獲得觀察值序列 擬合ARMA模型 差分運算 分析結(jié)束 平穩(wěn)性檢驗 白噪聲檢驗 N Y N Y 8 PPT學(xué)習(xí)交流 EVIEWS操作 9 PPT學(xué)習(xí)交流 創(chuàng)建文件 10 PPT學(xué)習(xí)交流 數(shù)據(jù)錄入 11 PPT學(xué)習(xí)交流 畫圖 12 PPT學(xué)習(xí)交流 自相關(guān)和偏自相關(guān)圖 13 PPT學(xué)習(xí)交流 單位根檢驗 14 PPT學(xué)習(xí)交流 建立方程 15 PPT學(xué)習(xí)交流 Q檢驗 16 PPT學(xué)習(xí)交流 預(yù)測 17 PPT學(xué)習(xí)交流 例 某國1980年至1993年GNP平減指數(shù)的季節(jié)時間序列 共56個觀測值 見下表 年 季 18 PPT學(xué)習(xí)交流 該序列時序圖 1 1 和自相關(guān)圖 1 2 如下 圖 1 1 圖 1 2 該圖顯示有明顯的長期趨勢 自相關(guān)系數(shù)隨延遲期數(shù)的增加 衰減向零的速度相當(dāng)緩慢 且后期有反向遞增趨勢 序列非平穩(wěn) 19 PPT學(xué)習(xí)交流 序列GNP的單位根檢驗結(jié)果 檢驗t統(tǒng)計量的值是0 325604 大于各個顯著性水平下的臨界值 所以不能拒絕原假設(shè) 也就是說 序列GNP存在單位根 因此 是非平穩(wěn)的 20 PPT學(xué)習(xí)交流 一階差分后的時序圖與自相關(guān)圖 圖 1 3 圖 1 4 時序圖仍顯示有長期趨勢 自相關(guān)系數(shù)向零衰減的速度依然較慢 一階差分序列仍不平穩(wěn) 21 PPT學(xué)習(xí)交流 一階差分序列D GNP 的單位根檢驗結(jié)果 檢驗t統(tǒng)計量的值是 1 929760 大于各個顯著性水平下的臨界值 所以不能拒絕原假設(shè) 也就是說 一階差分序列D GNP 存在單位根 因此 一階差分序列也是非平穩(wěn)的 22 PPT學(xué)習(xí)交流 2階差分時序圖與自相關(guān)圖 圖 1 5 圖 1 6 差分序列在零附近波動 無明顯趨勢或周期 自相關(guān)系數(shù)在零值附近波動 認(rèn)為2階差分序列平穩(wěn) 23 PPT學(xué)習(xí)交流 二階差分序列的單位根檢驗 檢驗t統(tǒng)計量的值是 3 709559 小于各個顯著性水平下的臨界值 所以拒絕原假設(shè) 也就是說 二階差分序列不存在單位根 二階差分序列平穩(wěn) 24 PPT學(xué)習(xí)交流 對平穩(wěn)的2階差分序列進行白噪聲檢驗 在顯著性水平為0 05的條件下 延遲期數(shù)為6和12時 Q統(tǒng)計量的P值均小于0 05 2階差分序列為非白噪聲序列 結(jié)合前面分析 認(rèn)為該序列為2階差分平穩(wěn)非白噪聲序列 可考慮建立ARIMA模型 25 PPT學(xué)習(xí)交流 根據(jù)2階差分序列的自相關(guān)圖ACF和偏自相關(guān)圖PACF的特點 判斷階數(shù)進行建模 可以嘗試用ARMA 2 2 ARMA 3 2 ARMA 3 3 也就是說 對原序列GNP嘗試用ARIMA 2 2 2 ARIMA 3 2 2 ARIMA 3 2 3 進行擬合 首先建立ARIMA 2 2 2 如下 C與MA 1 系數(shù)的T檢驗顯示 由于P值均大于0 05 故接受原假設(shè) 即二者系數(shù)顯著為零 所以剔除 模型ARiMA 2 2 2 d gnp 2 ar 1 ar 2 cma 1 ma 2 模型一 26 PPT學(xué)習(xí)交流 剔除C與MA 1 ARIMA 2 2 2 d gnp 2 ar 1 ar 2 ma 2 可供選用模型一 模型參數(shù)均通過檢驗 27 PPT學(xué)習(xí)交流 建立ARIMA 3 2 2 如下 ARIMA 3 2 2 d gnp 2 ar 1 ar 2 ar 3 ma 1 ma 2 AR 3 系數(shù)未通過檢驗 予以剔除 結(jié)果和前述模型相同 28 PPT學(xué)習(xí)交流 建立ARIMA 3 2 3 命令為 d gnp 2 ar 1 ar 2 ar 3 ma 1 ma 2 ma 3 可供選用模型二 29 PPT學(xué)習(xí)交流 模型適用性檢驗 模型ARIMA 2 2 2 模型ARIMA 3 2 3 通過對模型的適用性檢驗 左側(cè)擬合模型中的殘差白噪聲檢驗顯示延遲6階 12階 18階的殘差序列屬于白噪聲序列 模型ARIMA 2 2 2 顯著有效 對序列適應(yīng)性更強 因此 選用該模型作為最終擬合模型 30 PPT學(xué)習(xí)交流 模型預(yù)測結(jié)果 GNP平減指數(shù)時間序列模型為 31 PPT學(xué)習(xí)交流 擬合曲線對比 擬合曲線與原序列曲線十分接近 直觀來看 擬合效果較好 32 PPT學(xué)習(xí)交流 預(yù)測值的比較 33 PPT學(xué)習(xí)交流 季節(jié)時間序列建模案例 34 PPT學(xué)習(xí)交流 研究對象及目的 對我國1990年1月至1997年12月工業(yè)總產(chǎn)值的月度資料 1990年為不變價格 共有96個觀測值進行時間序列擬合 并對1998年工業(yè)總產(chǎn)值進行預(yù)測 35 PPT學(xué)習(xí)交流 1990年1月至1997年12月我國工業(yè)總產(chǎn)值 單位 億元 36 PPT學(xué)習(xí)交流 數(shù)據(jù)預(yù)處理 數(shù)據(jù)導(dǎo)入觀察原始數(shù)據(jù)的自相關(guān)與偏自相關(guān)圖觀察原始數(shù)據(jù)的折線圖對原始數(shù)據(jù)進行對數(shù)化對處理過的數(shù)據(jù)進行差分對季節(jié)進行差分 37 PPT學(xué)習(xí)交流 38 PPT學(xué)習(xí)交流 39 PPT學(xué)習(xí)交流 時間序列特征分析 40 PPT學(xué)習(xí)交流 41 PPT學(xué)習(xí)交流 時間序列特征分析 42 PPT學(xué)習(xí)交流 43 PPT學(xué)習(xí)交流 時間序列特征分析 一階差分 二階差分 44 PPT學(xué)習(xí)交流 45 PPT學(xué)習(xí)交流 時間序列特征分析 46 PPT學(xué)習(xí)交流 序列自相關(guān)圖和偏自相關(guān)圖 47 PPT學(xué)習(xí)交流 研究方法 確定性時間序列分析隨機性時間序列分析 48 PPT學(xué)習(xí)交流 基本原理 通常時間序列可分解為長期趨勢變動 季節(jié)效應(yīng)和不規(guī)則變動因素 如果將長期趨勢變動和季節(jié)效應(yīng)視為時間的確定性函數(shù) 而且時間數(shù)列經(jīng)過長期趨勢的提取和季節(jié)效應(yīng)的分析 剩余不規(guī)則因素就應(yīng)是零均值的白噪聲序列 49 PPT學(xué)習(xí)交流 計算季節(jié)指數(shù) 剔除季節(jié)因素 具體操作 50 PPT學(xué)習(xí)交流 51 PPT學(xué)習(xí)交流 模型檢驗 為說明模型的預(yù)測誤差 現(xiàn)已90 96年數(shù)據(jù)為樣本 對97年進行預(yù)測 并與其真實值進行對比 計算預(yù)測誤差 52 PPT學(xué)習(xí)交流 53 PPT學(xué)習(xí)交流 54 PPT學(xué)習(xí)交流 利用指數(shù)平滑法對以上圖形進行擬合 55 PPT學(xué)習(xí)交流 56 PPT學(xué)習(xí)交流 實際值 預(yù)測值 預(yù)測誤差 57 PPT學(xué)習(xí)交流 對98年進行預(yù)測 與上同理 只是樣本數(shù)據(jù)是90年 97年 58 PPT學(xué)習(xí)交流 最終預(yù)測值 季節(jié)指數(shù) 指數(shù)平滑預(yù)測值 59 PPT學(xué)習(xí)交流 該方法的優(yōu)缺點 優(yōu)點 快速便捷的提取信息 缺點 從殘差的自相關(guān)圖可以看出新序列仍存在一定的相關(guān)性 這說明擬合的這個模型沒有完全把元序列蘊含的相關(guān)差分提取出來 60 PPT學(xué)習(xí)交流 61 PPT學(xué)習(xí)交流 模型建立 EViews的估計命令是 DLOG gy 1 12 CAR 1 AR 2 AR 3 SAR 12 MA 1 SMA 12 62 PPT學(xué)習(xí)交流 63 PPT學(xué)習(xí)交流