基于EVIEWS時(shí)間序列建模及應(yīng)用課件

基于EVIEWS時(shí)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(guò)程1 2EVIEWS操作簡(jiǎn)單說(shuō)明1 3模型構(gòu)建實(shí)例2 季節(jié)時(shí)間序列模型2 1確定性季節(jié)時(shí)間序列模型2 2隨機(jī)性季節(jié)時(shí)間序列模型 2 PPT學(xué)習(xí)交流 時(shí)間序列的預(yù)處理 拿到一個(gè)時(shí)間序列后 首先要對(duì)它的平穩(wěn)性和純隨機(jī)性進(jìn)行檢驗(yàn) 這兩個(gè)重要的檢驗(yàn)稱為序列的預(yù)處理 根據(jù)檢驗(yàn)的結(jié)果可以將序列分為不同的類型 對(duì)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(shí)間序列的基本類型 平穩(wěn)性檢驗(yàn) 純隨機(jī)性檢驗(yàn) 隨機(jī)波動(dòng) 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(yàn)方法 圖檢驗(yàn)方法構(gòu)造檢驗(yàn)統(tǒng)計(jì)量 時(shí)序圖檢驗(yàn) 自相關(guān)圖檢驗(yàn) 主觀色彩較強(qiáng) 單位根檢驗(yàn) 平穩(wěn) 非平穩(wěn) 有明顯趨勢(shì)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(huì)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(jī)性檢驗(yàn)方法 對(duì)Q統(tǒng)計(jì)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(yàn)結(jié)果 有分析價(jià)值 無(wú)分析價(jià)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(cè)序列將來(lái)的走勢(shì) 計(jì)算ACF PACF ARMA模型識(shí)別 估計(jì)模型中未知參數(shù)的值 模型優(yōu)化 模型檢驗(yàn) 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(yùn)算 分析結(jié)束 平穩(wěn)性檢驗(yàn) 白噪聲檢驗(yàn) 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(yàn) 14 PPT學(xué)習(xí)交流 建立方程 15 PPT學(xué)習(xí)交流 Q檢驗(yàn) 16 PPT學(xué)習(xí)交流 預(yù)測(cè) 17 PPT學(xué)習(xí)交流 例 某國(guó)1980年至1993年GNP平減指數(shù)的季節(jié)時(shí)間序列 共56個(gè)觀測(cè)值 見(jiàn)下表 年 季 18 PPT學(xué)習(xí)交流 該序列時(shí)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(zhǎng)期趨勢(shì) 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(shì) 序列非平穩(wěn) 19 PPT學(xué)習(xí)交流 序列GNP的單位根檢驗(yàn)結(jié)果 檢驗(yàn)t統(tǒng)計(jì)量的值是0 325604 大于各個(gè)顯著性水平下的臨界值 所以不能拒絕原假設(shè) 也就是說(shuō) 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(shí)序圖與自相關(guān)圖 圖 1 3 圖 1 4 時(shí)序圖仍顯示有長(zhǎng)期趨勢(shì) 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(yàn)結(jié)果 檢驗(yàn)t統(tǒng)計(jì)量的值是 1 929760 大于各個(gè)顯著性水平下的臨界值 所以不能拒絕原假設(shè) 也就是說(shuō) 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(shí)序圖與自相關(guān)圖 圖 1 5 圖 1 6 差分序列在零附近波動(dòng) 無(wú)明顯趨勢(shì)或周期 自相關(guān)系數(shù)在零值附近波動(dòng) 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(yàn) 檢驗(yàn)t統(tǒng)計(jì)量的值是 3 709559 小于各個(gè)顯著性水平下的臨界值 所以拒絕原假設(shè) 也就是說(shuō) 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(duì)平穩(wěn)的2階差分序列進(jìn)行白噪聲檢驗(yàn) 在顯著性水平為0 05的條件下 延遲期數(shù)為6和12時(shí) Q統(tǒng)計(jì)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(diǎn) 判斷階數(shù)進(jìn)行建模 可以嘗試用ARMA 2 2 ARMA 3 2 ARMA 3 3 也就是說(shuō) 對(duì)原序列GNP嘗試用ARIMA 2 2 2 ARIMA 3 2 2 ARIMA 3 2 3 進(jìn)行擬合 首先建立ARIMA 2 2 2 如下 C與MA 1 系數(shù)的T檢驗(yàn)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(guò)檢驗(yàn) 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(guò)檢驗(yàn) 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(yàn) 模型ARIMA 2 2 2 模型ARIMA 3 2 3 通過(guò)對(duì)模型的適用性檢驗(yàn) 左側(cè)擬合模型中的殘差白噪聲檢驗(yàn)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(duì)序列適應(yīng)性更強(qiáng) 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(cè)結(jié)果 GNP平減指數(shù)時(shí)間序列模型為 31 PPT學(xué)習(xí)交流 擬合曲線對(duì)比 擬合曲線與原序列曲線十分接近 直觀來(lái)看 擬合效果較好 32 PPT學(xué)習(xí)交流 預(yù)測(cè)值的比較 33 PPT學(xué)習(xí)交流 季節(jié)時(shí)間序列建模案例 34 PPT學(xué)習(xí)交流 研究對(duì)象及目的 對(duì)我國(guó)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(jià)格 共有96個(gè)觀測(cè)值進(jìn)行時(shí)間序列擬合 并對(duì)1998年工業(yè)總產(chǎn)值進(jìn)行預(yù)測(cè) 35 PPT學(xué)習(xí)交流 1990年1月至1997年12月我國(guó)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(duì)原始數(shù)據(jù)進(jìn)行對(duì)數(shù)化對(duì)處理過(guò)的數(shù)據(jù)進(jìn)行差分對(duì)季節(jié)進(jìn)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(shí)間序列特征分析 40 PPT學(xué)習(xí)交流 41 PPT學(xué)習(xí)交流 時(shí)間序列特征分析 42 PPT學(xué)習(xí)交流 43 PPT學(xué)習(xí)交流 時(shí)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(shí)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(shí)間序列分析隨機(jī)性時(shí)間序列分析 48 PPT學(xué)習(xí)交流 基本原理 通常時(shí)間序列可分解為長(zhǎng)期趨勢(shì)變動(dòng) 季節(jié)效應(yīng)和不規(guī)則變動(dòng)因素 如果將長(zhǎng)期趨勢(shì)變動(dòng)和季節(jié)效應(yīng)視為時(shí)間的確定性函數(shù) 而且時(shí)間數(shù)列經(jīng)過(guò)長(zhǎng)期趨勢(shì)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(jì)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(yàn) 為說(shuō)明模型的預(yù)測(cè)誤差 現(xiàn)已90 96年數(shù)據(jù)為樣本 對(duì)97年進(jìn)行預(yù)測(cè) 并與其真實(shí)值進(jìn)行對(duì)比 計(jì)算預(yù)測(cè)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(duì)以上圖形進(jìn)行擬合 55 PPT學(xué)習(xí)交流 56 PPT學(xué)習(xí)交流 實(shí)際值 預(yù)測(cè)值 預(yù)測(cè)誤差 57 PPT學(xué)習(xí)交流 對(duì)98年進(jìn)行預(yù)測(cè) 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(cè)值 季節(jié)指數(shù) 指數(shù)平滑預(yù)測(cè)值 59 PPT學(xué)習(xí)交流 該方法的優(yōu)缺點(diǎn) 優(yōu)點(diǎn) 快速便捷的提取信息 缺點(diǎn) 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(shuō)明擬合的這個(gè)模型沒(méi)有完全把元序列蘊(yùn)含的相關(guān)差分提取出來(lái) 60 PPT學(xué)習(xí)交流 61 PPT學(xué)習(xí)交流 模型建立 EViews的估計(jì)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