基于EVIEWS时间序列建模及应用

1、时间序列平稳时间序列非平稳时间序列平稳白噪声序列平稳非白噪声序列确定性时序分析随机性时序分析没有分析价值模型拟合（常用ARMA模型）长期趋势循环波动季节性变化平稳性检验纯随机性检验随机波动ARIMA模型残差自回归模型条件异方差模型时序图检验自相关图检验 主观色彩较强单位根检验平稳非平稳有明显趋势或周期性，则为非平稳随着延迟期数增加，自相关系数会很快衰减向零反之，自相关系数衰减向零的速度较慢构造检验统计量大样本场合大，小样本场合Q统计量LB统计量否则，认为该序列为纯随机序列对Q统计量修正若P值非常小（0.05）则认为该序列属于非白噪声序列检验结果（有分析价值）（无分析价值）平稳非白噪声序列预测序

2、列将来的走势计算ACF,PACFARMA模型识别估计模型中未知参数的值模型优化模型检验NY获得观察值序列拟合ARMA模型差分运算分析结束平稳性检验白噪声检验NYNY表5.1 某国GNP平减指数季度资料 1234198089.8991.0791.7993.03198194.495.796.5297.39198298.7299.42100.25101.541983102.95104.75106.53108.741984110.72113.48116.42119.791985122.88124.44126.68128.991986130.12131.3132.89134.991987136.8139

3、.01141.03143.241988145.12148.89152.02155.381989158.6161.85165.12168.051990171.94176.46180.24185.131991190.01193.03197.7201.691992203.98206.77208.53210.271993212.87214.25215.89218.21年/季图（1.1）图（1.2）该图显示有明显的长期趋势 自相关系数随延迟期数的增加，衰减向零的速度相当缓慢，且后期有反向递增趋势序列非平稳检验t统计量的值是0.325604，大于各个显著性水平下的临界值，所以不能拒绝原假设。也就是说，序列

4、GNP存在单位根，因此，是非平稳的。图（1.3）图（1.4）时序图仍显示有长期趋势自相关系数向零衰减的速度依然较慢一阶差分序列仍不平稳检验t统计量的值是-1.929760，大于各个显著性水平下的临界值，所以不能拒绝原假设。也就是说，一阶差分序列D(GNP)存在单位根，因此，一阶差分序列也是非平稳的。图（1.5）图（1.6） 差分序列在零附近波动，无明显趋势或周期自相关系数在零值附近波动认为2阶差分序列平稳检验t统计量的值是-3.709559，小于各个显著性水平下的临界值，所以拒绝原假设。也就是说，二阶差分序列不存在单位根。二阶差分序列平稳。 在显著性水平为0.05的条件下，延迟期数为6和12时

5、，Q统计量的P值均小于0.052阶差分序列为非白噪声序列 结合前面分析，认为该序列为2阶差分平稳非白噪声序列，可考虑建立ARIMA模型可以尝试用ARMA(2,2) ARMA(3,2) ARMA(3,3);也就是说，对原序列GNP尝试用ARIMA(2,2,2) ARIMA(3,2,2) ARIMA(3,2,3)进行拟合，首先建立ARIMA(2,2,2)如下：C与MA(1)系数的T检验显示：由于P值均大于0.05，故接受原假设，即二者系数显著为零，所以剔除模型ARiMA(2,2,2)：d(gnp,2) ar(1) ar(2) c ma(1) ma(2)ARIMA(2,2,(2) : d(gnp,2

6、) ar(1) ar(2) ma(2)可供选用模型一模型参数均通过检验ARIMA(3,2,2):d(gnp,2) ar(1) ar(2) ar(3) ma(1) ma(2)AR(3)系数未通过检验，予以剔除结果和前述模型相同命令为：d(gnp,2) ar(1) ar(2) ar(3) ma(1) ma(2) ma(3)可供选用模型二模型ARIMA(2,2,(2)模型ARIMA(3,2,3)通过对模型的适用性检验，左侧拟合模型中的残差白噪声检验显示延迟6阶，12阶，18阶的残差序列属于白噪声序列，模型ARIMA(2,2,(2)显著有效，对序列适应性更强。因此，选用该模型作为最终拟合模型。2220.868001ttt（1-B） （1+0.328913B+0.806248B）X2220.868001ttt（1-B） （1+0.328913B+0.806248B ）X 拟合曲线与原序列曲线十分接近，直观来看，拟合效果较好！1990年年1月至月至1997年年12月我国工业总产值月我国工业总产值单位：亿元单位：亿元