「運用Eviews軟件進行ARIMA模型的識別診斷估計和預(yù)測」

1、實驗五ARIMA模型的概念和構(gòu)造一、實驗?zāi)康牧私釧R,MA以及ARIMA模型的特點，了解三者之間的區(qū)別聯(lián)系，以及AR與MA的轉(zhuǎn)換，掌握如何利用自相關(guān)系數(shù)和偏自相關(guān)系數(shù)對ARIMA模型進行識別，利用最小二乘法等方法對ARIMA模型進彳T估計，利用信息準(zhǔn)則對估計的ARIMA模型進彳T診斷，以及如何利用ARIMA模型進行預(yù)測。掌握在實證研究如何運用Eviews軟件進行ARIMA模型的識別、診斷、估計和預(yù)測。二、基本概念所謂ARIMA模型， 是指將非平穩(wěn)時間序列轉(zhuǎn)化為平穩(wěn)時間序列， 然后將因變量僅對它的滯后值以及隨機誤差項的現(xiàn)值和滯后值進行回歸所建立的模型。ARIMA模型根據(jù)原序列是否平穩(wěn)以及回歸中所

2、含部分的不同，包括移動平均過程(MA)、自回歸過程(AR)、自回歸移動平均過程(ARMA)以及ARIMA過程。在ARIMA模型的識別過程中，我們主要用到兩個工具：自相關(guān)函數(shù)(簡稱ACF),偏自相關(guān)函數(shù)(簡稱PACF)以及它們各自的相關(guān)圖(即ACF、PACF相對于滯后長度描圖)。對于一個序列Yt來說，它的第j階自相關(guān)系數(shù)(記作j)定義為它的j階自協(xié)方差除以它的方差，即j=j/0,它是關(guān)于j的函數(shù)，因此我們也稱之為自相關(guān)函數(shù)，通常記ACF(j)。偏自相關(guān)函數(shù)PACF(j)度量了消除中間滯后項影響后兩滯后變量之間的相關(guān)關(guān)系。三、實驗內(nèi)容及要求1、實驗內(nèi)容：根據(jù)1991年1月2005年1月我國貨幣供應(yīng)

3、量(廣義貨幣M2)的月度時間數(shù)據(jù)來說明在Evicws3.1軟件中如彳S利用B-J方法論建立合適的ARIMA(p,d,q)模型，并利用此模型進行數(shù)據(jù)的預(yù)測。2、實驗要求：(1)深刻理解上述基本概念；(2)思考：如何通過觀察自相關(guān)，偏自相關(guān)系數(shù)及其圖形，利用最小二乘法，以及信息準(zhǔn)則建立合適的ARIMA模型；如彳S利用ARIMA模型進行預(yù)測；(3)熟練掌握相關(guān)Eviews操作。四、實驗指導(dǎo)1、ARIMA模型的識別(1)導(dǎo)入數(shù)據(jù)打開Eviews軟件，選擇“File菜單中的New-Workfile選項，出現(xiàn)“WorkM話框，在Work”框中選擇Monthly”,在“Startdate”和“Enddate

4、”框中分別輸入“1991:01”和2005:01，然后單擊， 選擇“Fi菜單中的Import-ReadText-LotusExcel選項，找到要導(dǎo)入的名為EX62x1s的Excel文檔，單擊打開”出現(xiàn)“Ex：e1SpreadsheetImport”對話框并在其中輸入相關(guān)數(shù)據(jù)名稱(M2),再單擊“0K”完成數(shù)據(jù)導(dǎo)入。(2)模型的識別首先利用ADF檢驗，確定d值，判斷M2序列為2階非平穩(wěn)過程(由于具體操作方法我們在第五章中予以說明，此處略)，即d的值為2,將兩次差分后得到的平穩(wěn)序列命名為W2;下面我們來看W2的自相關(guān)、偏自相關(guān)函數(shù)圖。打開W2序列，點擊View”Correlogram”菜單，會彈出

5、如圖51所示的窗口，圖5-1自相關(guān)形式設(shè)定我們選擇滯后項數(shù)為36,然后點擊。右,就得到了02的自相關(guān)函數(shù)圖和偏自相關(guān)函數(shù)圖,如圖5-2所示。AutocorrelationPartialCorrelationAC=PACQ-StatProti1111: :1c c11.1IIII111IIII1111111111IIII1 11 1N1 11 11 11 11 1i il l1 1i i1 1I IIIIIl l1 1l ll lIIIIl li i1 1aL L1_IIII匚1 11 1n n1 1I I1 11 1iEI II I11111 1IIIIIIIII I11111 11 11 1

6、1 1l ll li ii i:11IIII1II11 11 1111IIn n1 11 1IIII1111II11IIIIIIIIII11-0.701-070183.J370.00020.141-0.608BS.B140.00030.277-0.143100.040,0004-0.453-0295135.53000050.371-0.224159.500,00060.135-0.156162.690,0007-0.0S5-0.095163970.00080.143-0.304167.590,0009-O.aiO0.052167.610,00010-0.1420029171.240,00011

7、0.143-0.121174.960.00012-0.011-0.015174.980,00013-0.1150.122177420.000140.136-0.050180.960,00015-0010,00016-0.Q140054132.050000170.066-0.130182.630,00013-0.023-0.0971S272O.OOC19-0.0300.057182.090,000200.028-0.162183.0J0,000210.042-0.092183.380,00022-0.140-0.1041S7.190,000230.2030.042195

8、.660,00024-0.1540.070200.350,00025-0.0190.0462 口口 420.00026 口.15-0,108205.200,00027-0.175-0.103211.410,000280.117-0.019214.170,00029-0.002OOG22U.170,00030-0.069-0.032215.200000310.131O,OB5219770.00032-0.0810.067221160.00033-0.0Q8-0015221.320,000340.075-0.118222.500,00035-0B120.02B222.53O.OOC3B0 0055

9、0DOB223.190,000圖5-2W2自相關(guān)函數(shù)圖和偏自相關(guān)函數(shù)圖從W2的自相關(guān)函數(shù)圖和偏自相關(guān)函數(shù)圖中我們可以看到，他們都是拖尾的，因此可設(shè)定為ARMA過程。W2的自相關(guān)函數(shù)1-5階都是顯著的，并且從第6階開始下降很大，數(shù)值也不太顯著，因此我們先設(shè)定q值為5。W2的偏自相關(guān)函數(shù)1-2階都很顯著，并且從第3階開始下降很大，因此我們先設(shè)定p的值為2,于是對于序列W2,我們初步建立了ARMA(2,5)模型。2、模型的估計點擊QuickEstimateEquation,會彈出如圖5-3所示的窗口，在EqiationSpecification”空白欄中鍵入“W2CMA(1)MA(2)MA(3)MA

10、(4)MA(5)AR(1)AR(2)；在“EstimationSettings”中選擇“LS_LeastSquares(NLSandARMA)”,然后“OK:得到如圖5-4所示的估計結(jié)果。FView?FView?- -Eguatxon:UKTTTLEDTorkfile;WTITLEDIEguatxon:UKTTTLEDTorkfile;WTITLEDIFileEdit.OlbOlbjeelsViewroc csQuiQuicfcO O tianstiansffiTtdowHelpEstim4itfrFcrscastStEstim4itfrFcrscastSt tsRtsidEtsRtsidED

11、ependentVariatle:W2Method:LeastSquaresDate:03/26/05Time:23:26Sample(adjustecT):1991,052005:01Includedobservations:165afteradjustingendpaintsConvergenceachievedaR 日 i4Citerations=iackcast:1990:121991:D4variabeCoefficientStd.ErrorStatisticProb.R-squared0.805271Meandependentvai1634363Adjusted艮-總qunr白日0

12、.796590S.D.dependentvar2309544S.E.ofnegrassiori1041.632Akaikeinfocriterion1B7E223Sumsquaredresid17口EMBSchvwgrzcriterion16.932B3Loglikelihood-137EM4F-statistic92,74953Durbin-Watsonstat2053S93ProbfF-staiistic)o.oooooo圖54ARMA(2,5)回歸結(jié)果PrintPrintNULFH*FrFrcacaYI.i,，1.H(2aG(3(4(5CRR14.4260410784D6133772001829-10071580.05496918.322280.000