E-view时间序列

1、用Eviews进行时间序列分析1、 工作文件的创建1 菜单方式 File/new/workfile/在出现的对话框中对workfile structure type进行选择/Dated-regular frequency/OK2 命令方式Create 时间频率类型 起始期 终止期例如创建一个1990年到2004年的时间数据工作文件，则需键入命令：CREATE A 1990 2004工作文件一开始其中就包含了两个对象(Object）,分别为C（系数向量）和resid（残差）。它们当前的取值分别是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单中，进行如下操作：Object/

2、New object/Series/输入序列名称/OK或者：Series 序列名1 序列名2 序列名3或者：genr 序列名=表达式（genr t=trend+1）然后录入数据： 双击序列x点击Edit+/-，将数据复制到序列中（1） 画时序图打开序列窗口，在该窗口中做如下操作：View/Graph（2） 相关性检查打开序列窗口，在该窗口中做如下操作：View/Correlogramlevel表示对原序列的自相关性计算，1st difference和2st difference分别表示1阶以及2阶差分的自相关性的计算。一般默认项为level。当样本量n较大时，k=n/10，较小时取k=n/4。

3、而当数据为周期数据时，k取周期长度的整数倍，如季度数据，k可以取4，8，12等。Ok 得到图形图包括两部分，左半部分是序列的自相关和偏自相关图，右半部分包括5列数据，第一列的自然数表示延迟阶数k，AC是自相关系数，PAC为偏自相关系数，Q-Stat表示对序列进行相关性检验的Q统计量值，Prob表示其P值，即相伴概率。当P0.05时，表示拒绝原假设，即序列相关，否则，当P0.05时，序列不相关。（三）平稳性方法1通过序列的时序图判断根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界、无明显趋势及周期特征。由序列的时序图可见序列

4、没有明显的趋势和周期变化，初步判定序列平稳。方法2通过自相关图判断如果序列的自相关系数很快地（滞后或延迟阶数k大于2或3时）趋于0，即落入随机区间，则序列平稳，反之非平稳。由自相关图可见序列平稳。方法3单位根检验（单侧检验）在序列对象窗口进行如下操作：View/Unit Root Test 窗口有几个需要进行选择的部分，第一个是Test type，共有6种单位根检验凡是可供选择，选择Augmented Dickey-Fuller； Include in test equation中也有三个选项，表示可用于的三种序列的单位根检验：Intercept表示有常数均值，无趋势的p阶自回归过程，Tren

5、d and intercept表示有常数均值，有趋势的p阶自回归过程，None表示无常数均值，无趋势的p阶自回归过程Ok 后得到结果：由图可见，检验t统计量的值为-3.000420，显著性水平1%、5%、10%的临界值分别为-2.615093、-1.9947975、-1.612408，可见t统计量的值小于各显著性水平的临界值，故拒绝原假设，认为序列平稳。接下来通过两个具体的例子进行介绍一、录入数据得到的时间序列图为上图，直观显示此图为一个非平稳的时间序列图除了直观判断我们也可以进行相关分析和单位根检验定量的判断该序列是否平稳2、 接下来我们分两种方式对该序列进行模拟趋势模型（因为该时序图看上去

6、类似一个二次曲线）对数差分化为平稳模型：数据近似一条光滑的上升曲线，可以选择指数曲线描述该序列。或者用二次曲线模型参数估计并建模：创建自变量序列t：在工作文件窗口输入如下命令genr t=trend系统自动为变量t赋值0，1，2，55。指数曲线：在命令输入窗口输入：ls log(x) c t （指数曲线模型，取对数得）以上结果显示模型拟合的很好模型拟合效果图：单击Equation 窗口中的Resid按钮，将显示模型的拟合图和残差图二次曲线拟合：在命令输入窗口输入：ls x c t t2以上结果显示模型拟合的很好模型拟合效果图：单击Equation 窗口中的Resid按钮，将显示模型的拟合图和残

7、差图预测： 扩大样本范围在工作文件窗口输入如下命令：expand或者 range或者在工作文件窗口进行如下操作，Proc/Structure/Resize current page预测在模型窗口点击FORECAST按钮，按OK将原序列与预测序列进行图形比较：在工作文件窗口的Quick按钮中选择Graph选项在空白区域填写欲比较的序列名称，此例中填写y yf（变量名之间用空格分隔），点击OK考虑直接差分发现不平稳genr dlx= D(x)对数后差分在命令窗口中键入：genr dlx= Dlog(x)则生成的新序列为x取自然对数后，再取一阶差分。得到了dlx接下来检验dlx是否平稳相关性检验单位

8、根检验模型识别由相关性检验的图，可以尝试做如下几个模型：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） 拟合效果图考察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）对比以上三个模型，ARIMA（0，1，1）模型相对最好模型检验1 参数的显著性检验根据图中的P值检验参数的显著性，当它小于0.05时，拒绝原假设，即参数显著不为0。2 检验t是否为白噪声序列（1）检验均值是否为零打开残差序列Resi

9、d窗口，进行如下操作：View/Descriptive statistics &tests/simple hypothesis tests在Test value选项中的Mean处填0，点击OK即可得图3.10。由于P值=1.0000，所以接受原假设，即期望值为0。（2）检验纯随机性进行残差纯随机性Q检验，在模型窗口中进行如下操作：View/Residual Tests/correlogram-Q-Statistics所有P值均大于0.05，接受残差为随机序列的原假设。（3）异方差检验首先可以通过残差图粗略判断异方差性，在模型窗口中进行如下操作：View/Actual，Fitted，Re

10、sidual/residual Graph残差图，可见残差序列没有明显的异方差性。其次也可以通过异方差的White检验进行判定。在残差序列窗口进行如下操作：View/Residual Tests/Heteroskedasticity test/White/ok通常考察Obs*R-Squared所对应的P值，可见该值为0.82510.05，所以接受方差具有齐性的原假设。至此可以表明残差序列为白噪声序列，因此信息提取的比较充分，模型比较合理。（九）预测1追溯预测在方程（Equation）窗口中，点Forecast按钮，出现图3.15所示的对话框。在series names中，系统自动在Foreca

11、st name选项中填写预测序列的变量名chuxuf（如果要用其它变量名可自行填写），而S.E用于存放预测的估计标准误差，便于计算置信区间。S.E.（optional）处，可以填写一个变量名，用来保存chuxu序列的预测标准差值，此值系统自动计算并填入；如果此处不填写变量名，则不保留这个预测标准差值。Forecast sample处，应设定预测区间，默认的预测区间为当前估计式的样本区间。Method处选择static forecast，是静态（或追溯）预测，Dynamic forecast为动态（或向前多步）预测。此处选择静态预测。Output处表示输出预测结果时的其它输出功能，选择forec

12、ast graph时，则除了将预测预测结果保存在指定变量名中外，同时还绘制出预测值的图形以及2倍标准差线，见图3.16的左侧部分；选项forecast evaluation表示输出对预测结果的评价，见图3.16的右侧部分。图中给出了对预测的4个评价指标和3个比率值，它们分别是：（1）评价指标 误差均方根 绝对误差平均 相对误差绝对值平均MAPE Theil不等式系数Theil不等式系数的取值在0，1之间，当等于0时，表示100%拟合（2）比率值 偏倚比率 方差比率 协方差比率2向前多步预测（动态预测）（1）扩大样本期限在工作文件窗口进行如下操作，Proc/Structure/Resize cu

13、rrent page预测在模型窗口点击FORECAST按钮，按OK即可得图4.6。将原序列与预测序列进行图形比较：在工作文件窗口的Quick按钮中选择Graph选项下一个例子对1952-1988年中国农业实际国民收入指数序列建模。数据见下表。年份指数年份指数年份指数年份指数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、录入数据得到的时间序列图为上图，直观显示此图为一个非平稳的时间序列图除了直观判断我们也可以进行相关分析和单位根检验定量的判断该序列是否平稳3、 接下来我们分两种方式对该序列进行模拟差分化为平稳模型趋势模型（因为该时序图看上去类似一个二次曲线） 做时序图与自相关图（x表示195

15、2-1988年中国农业实际国民收入指数序列）图3.23图3.24可见序列为非平稳序列。 序列平稳化进行一阶差分，得差分序列dx，操作如下：genr dx=x-x（-1）或者 series dx=x-x（-1）一阶差分序列dx的时序图见图3.25，趋势性已经得到了平滑。其自相关图见图3.26。可见一阶差分序列dx为平稳序列。图3.25图3.26 模型识别由图3.26，可以尝试做如下几个模型：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）得到图3.27。图3.27模型为 该模型的特征根如图3.28，在单位圆内，所以可逆。图3.28残差的纯随机性检验及异方差检验分别见图3.29和3.30，可知为纯随机序列，且不存在异方差。由图3.31可见残差序列的均值为0，所以残差序列为白噪声序列。由图3.27也可以看到模型的参数显著不为0。图3.29图3.30图3.31模型ARIMA（1，1，1）和ARIMA（1，1，0）的建模命令分别为ls d（x） c ar（1） ma（1）ls d（x） c ar（1）：数据近似一条光滑