E-view時間序列

1、用Eviews進行時間序列分析1、 工作文件的創(chuàng)建1 菜單方式 File/new/workfile/在出現(xiàn)的對話框中對workfile structure type進行選擇/Dated-regular frequency/OK2 命令方式Create 時間頻率類型 起始期 終止期例如創(chuàng)建一個1990年到2004年的時間數(shù)據(jù)工作文件，則需鍵入命令：CREATE A 1990 2004工作文件一開始其中就包含了兩個對象(Object）,分別為C（系數(shù)向量）和resid（殘差）。它們當前的取值分別是0 和NA（空值）。2、 序列的建立及使用在主窗口或工作文件窗口的菜單中，進行如下操作：Object/

2、New object/Series/輸入序列名稱/OK或者：Series 序列名1 序列名2 序列名3或者：genr 序列名=表達式（genr t=trend+1）然后錄入數(shù)據(jù)： 雙擊序列x點擊Edit+/-，將數(shù)據(jù)復制到序列中（1） 畫時序圖打開序列窗口，在該窗口中做如下操作：View/Graph（2） 相關性檢查打開序列窗口，在該窗口中做如下操作：View/Correlogramlevel表示對原序列的自相關性計算，1st difference和2st difference分別表示1階以及2階差分的自相關性的計算。一般默認項為level。當樣本量n較大時，k=n/10，較小時取k=n/4。

3、而當數(shù)據(jù)為周期數(shù)據(jù)時，k取周期長度的整數(shù)倍，如季度數(shù)據(jù)，k可以取4，8，12等。Ok 得到圖形圖包括兩部分，左半部分是序列的自相關和偏自相關圖，右半部分包括5列數(shù)據(jù)，第一列的自然數(shù)表示延遲階數(shù)k，AC是自相關系數(shù)，PAC為偏自相關系數(shù)，Q-Stat表示對序列進行相關性檢驗的Q統(tǒng)計量值，Prob表示其P值，即相伴概率。當P0.05時，表示拒絕原假設，即序列相關，否則，當P0.05時，序列不相關。（三）平穩(wěn)性方法1通過序列的時序圖判斷根據(jù)平穩(wěn)時間序列均值、方差為常數(shù)的性質，平穩(wěn)序列的時序圖應該顯示出該序列始終在一個常數(shù)值附近隨機波動，而且波動的范圍有界、無明顯趨勢及周期特征。由序列的時序圖可見序列

4、沒有明顯的趨勢和周期變化，初步判定序列平穩(wěn)。方法2通過自相關圖判斷如果序列的自相關系數(shù)很快地（滯后或延遲階數(shù)k大于2或3時）趨于0，即落入隨機區(qū)間，則序列平穩(wěn)，反之非平穩(wěn)。由自相關圖可見序列平穩(wěn)。方法3單位根檢驗（單側檢驗）在序列對象窗口進行如下操作：View/Unit Root Test 窗口有幾個需要進行選擇的部分，第一個是Test type，共有6種單位根檢驗凡是可供選擇，選擇Augmented Dickey-Fuller； Include in test equation中也有三個選項，表示可用于的三種序列的單位根檢驗：Intercept表示有常數(shù)均值，無趨勢的p階自回歸過程，Tren

5、d and intercept表示有常數(shù)均值，有趨勢的p階自回歸過程，None表示無常數(shù)均值，無趨勢的p階自回歸過程Ok 后得到結果：由圖可見，檢驗t統(tǒng)計量的值為-3.000420，顯著性水平1%、5%、10%的臨界值分別為-2.615093、-1.9947975、-1.612408，可見t統(tǒng)計量的值小于各顯著性水平的臨界值，故拒絕原假設，認為序列平穩(wěn)。接下來通過兩個具體的例子進行介紹一、錄入數(shù)據(jù)得到的時間序列圖為上圖，直觀顯示此圖為一個非平穩(wěn)的時間序列圖除了直觀判斷我們也可以進行相關分析和單位根檢驗定量的判斷該序列是否平穩(wěn)2、 接下來我們分兩種方式對該序列進行模擬趨勢模型（因為該時序圖看上去

6、類似一個二次曲線）對數(shù)差分化為平穩(wěn)模型：數(shù)據(jù)近似一條光滑的上升曲線，可以選擇指數(shù)曲線描述該序列。或者用二次曲線模型參數(shù)估計并建模：創(chuàng)建自變量序列t：在工作文件窗口輸入如下命令genr t=trend系統(tǒng)自動為變量t賦值0，1，2，55。指數(shù)曲線：在命令輸入窗口輸入：ls log(x) c t （指數(shù)曲線模型，取對數(shù)得）以上結果顯示模型擬合的很好模型擬合效果圖：單擊Equation 窗口中的Resid按鈕，將顯示模型的擬合圖和殘差圖二次曲線擬合：在命令輸入窗口輸入：ls x c t t2以上結果顯示模型擬合的很好模型擬合效果圖：單擊Equation 窗口中的Resid按鈕，將顯示模型的擬合圖和殘

7、差圖預測： 擴大樣本范圍在工作文件窗口輸入如下命令：expand或者 range或者在工作文件窗口進行如下操作，Proc/Structure/Resize current page預測在模型窗口點擊FORECAST按鈕，按OK將原序列與預測序列進行圖形比較：在工作文件窗口的Quick按鈕中選擇Graph選項在空白區(qū)域填寫欲比較的序列名稱，此例中填寫y yf（變量名之間用空格分隔），點擊OK考慮直接差分發(fā)現(xiàn)不平穩(wěn)genr dlx= D(x)對數(shù)后差分在命令窗口中鍵入：genr dlx= Dlog(x)則生成的新序列為x取自然對數(shù)后，再取一階差分。得到了dlx接下來檢驗dlx是否平穩(wěn)相關性檢驗單位

8、根檢驗模型識別由相關性檢驗的圖，可以嘗試做如下幾個模型：ARIMA（1，1，1），ARIMA（1，1，0），ARIMA（0，1，1）首先考察ARIMA（0，1，1）模型的建立：ls dlx c ma（1） 擬合效果圖考察ARIMA（1，1，1）模型的建立：ls d（x） c ar（1） ma（1）考察ARIMA（1，1，0）模型的建立：ls d（x） c ar（1）對比以上三個模型，ARIMA（0，1，1）模型相對最好模型檢驗1 參數(shù)的顯著性檢驗根據(jù)圖中的P值檢驗參數(shù)的顯著性，當它小于0.05時，拒絕原假設，即參數(shù)顯著不為0。2 檢驗t是否為白噪聲序列（1）檢驗均值是否為零打開殘差序列Resi

9、d窗口，進行如下操作：View/Descriptive statistics &tests/simple hypothesis tests在Test value選項中的Mean處填0，點擊OK即可得圖3.10。由于P值=1.0000，所以接受原假設，即期望值為0。（2）檢驗純隨機性進行殘差純隨機性Q檢驗，在模型窗口中進行如下操作：View/Residual Tests/correlogram-Q-Statistics所有P值均大于0.05，接受殘差為隨機序列的原假設。（3）異方差檢驗首先可以通過殘差圖粗略判斷異方差性，在模型窗口中進行如下操作：View/Actual，F(xiàn)itted，Re

10、sidual/residual Graph殘差圖，可見殘差序列沒有明顯的異方差性。其次也可以通過異方差的White檢驗進行判定。在殘差序列窗口進行如下操作：View/Residual Tests/Heteroskedasticity test/White/ok通?？疾霴bs*R-Squared所對應的P值，可見該值為0.82510.05，所以接受方差具有齊性的原假設。至此可以表明殘差序列為白噪聲序列，因此信息提取的比較充分，模型比較合理。（九）預測1追溯預測在方程（Equation）窗口中，點Forecast按鈕，出現(xiàn)圖3.15所示的對話框。在series names中，系統(tǒng)自動在Foreca

11、st name選項中填寫預測序列的變量名chuxuf（如果要用其它變量名可自行填寫），而S.E用于存放預測的估計標準誤差，便于計算置信區(qū)間。S.E.（optional）處，可以填寫一個變量名，用來保存chuxu序列的預測標準差值，此值系統(tǒng)自動計算并填入；如果此處不填寫變量名，則不保留這個預測標準差值。Forecast sample處，應設定預測區(qū)間，默認的預測區(qū)間為當前估計式的樣本區(qū)間。Method處選擇static forecast，是靜態(tài)（或追溯）預測，Dynamic forecast為動態(tài)（或向前多步）預測。此處選擇靜態(tài)預測。Output處表示輸出預測結果時的其它輸出功能，選擇forec

12、ast graph時，則除了將預測預測結果保存在指定變量名中外，同時還繪制出預測值的圖形以及2倍標準差線，見圖3.16的左側部分；選項forecast evaluation表示輸出對預測結果的評價，見圖3.16的右側部分。圖中給出了對預測的4個評價指標和3個比率值，它們分別是：（1）評價指標 誤差均方根 絕對誤差平均 相對誤差絕對值平均MAPE Theil不等式系數(shù)Theil不等式系數(shù)的取值在0，1之間，當?shù)扔?時，表示100%擬合（2）比率值 偏倚比率 方差比率 協(xié)方差比率2向前多步預測（動態(tài)預測）（1）擴大樣本期限在工作文件窗口進行如下操作，Proc/Structure/Resize cu

13、rrent page預測在模型窗口點擊FORECAST按鈕，按OK即可得圖4.6。將原序列與預測序列進行圖形比較：在工作文件窗口的Quick按鈕中選擇Graph選項下一個例子對1952-1988年中國農(nóng)業(yè)實際國民收入指數(shù)序列建模。數(shù)據(jù)見下表。年份指數(shù)年份指數(shù)年份指數(shù)年份指數(shù)1952100196288.71972140.51982201.61953101.6196398.91973153.11983218.71954103.31964111.91974159.219842471955111.51965122.91975162.31985253.71956116.51966131.91976159

14、.11986261.41957120.11967134.21977155.11987273.21958120.31968131.61978161.21988279.41959100.61969132.21979171.5196083.61970139.81980168.4196184.719711421981180.4一、錄入數(shù)據(jù)得到的時間序列圖為上圖，直觀顯示此圖為一個非平穩(wěn)的時間序列圖除了直觀判斷我們也可以進行相關分析和單位根檢驗定量的判斷該序列是否平穩(wěn)3、 接下來我們分兩種方式對該序列進行模擬差分化為平穩(wěn)模型趨勢模型（因為該時序圖看上去類似一個二次曲線） 做時序圖與自相關圖（x表示195

15、2-1988年中國農(nóng)業(yè)實際國民收入指數(shù)序列）圖3.23圖3.24可見序列為非平穩(wěn)序列。 序列平穩(wěn)化進行一階差分，得差分序列dx，操作如下：genr dx=x-x（-1）或者 series dx=x-x（-1）一階差分序列dx的時序圖見圖3.25，趨勢性已經(jīng)得到了平滑。其自相關圖見圖3.26?？梢娨浑A差分序列dx為平穩(wěn)序列。圖3.25圖3.26 模型識別由圖3.26，可以嘗試做如下幾個模型：ARIMA（1，1，1），ARIMA（1，1，0），ARIMA（0，1，1）首先考察ARIMA（0，1，1）模型的建立：ls d（x） c ma（1）得到圖3.27。圖3.27模型為 該模型的特征根如圖3.28，在單位圓內(nèi)，所以可逆。圖3.28殘差的純隨機性檢驗及異方差檢驗分別見圖3.29和3.30，可知為純隨機序列，且不存在異方差。由圖3.31可見殘差序列的均值為0，所以殘差序列為白噪聲序列。由圖3.27也可以看到模型的參數(shù)顯著不為0。圖3.29圖3.30圖3.31模型ARIMA（1，1，1）和ARIMA（1，1，0）的建模命令分別為ls d（x） c ar（1） ma（1）ls d（x） c ar（1）：數(shù)據(jù)近似一條光滑