ARIMA模型建立与应用_第1页
ARIMA模型建立与应用_第2页
ARIMA模型建立与应用_第3页
ARIMA模型建立与应用_第4页
ARIMA模型建立与应用_第5页
已阅读5页,还剩14页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

1、 #聽EViews-Equation:UNTITLEDWorkFile:实鑿一UJntitL=旦11FileEditObjectViewProcQuickOEltionsWindowHelp_n1XViewPb匚Obj已匚t|FTintNam已FreezeEstimateFore匚已st|宝已乜|尺巴引日生DependentVariable:DEUROMethod:LeastSquaresDate:04/12/11Time:10:48Sample(adjusted):1993M032007M12Includedobservations:178afteradjustmentsConvergenc

2、eachievedafter3iterationsVariableCoefficientStd.Errort-StatisticProb.C-0.0009220.002097-0.4398900.6606AR0.3082790.0714844.3125520.0000R-squared0.095572Meandependentvar-.886AdjustedR-squared0.090433S.D.dependentvar0.020291S.E.ofregression0.019352Akaikeinfocriterion-5.040911Sumsquaredresid0.065909Schw

3、arzcriterion-5.005160Loglikelihood450.6411F-statistic18.59810Durbin-Watsonstat1.871573Prob(F-statistic)0.000027InvertedARRoots.31Path=匚:do匚uiti已itsandsettingsadministrdtormydo匚umentsDB=non已WF常数c的概率太大(0.6606),接受C=0的假设,所以模型应该去掉常数。QuickEstimateLS(NLSandARMA)在对话框输入d(euro)ar(1)EViews-Equation:UNTITLEDWor

4、kFile:实豊一UJntitL.I!FileEditObjectViewProcQuickOptionsWindowHelp_n1XViewProc|Obie匚PrintPJameFreezeEstimateForecast|Stats|ResidsDependentVariable:DEUROMethod:LeastSquaresDate:04/12/11Time:10:52Sample(adjusted):1993M032007M12Includedobservations:178afteradjustmentsConvergenceachievedafter2iterationsVar

5、iableCoefficientStd.Errort-StatisticProb.AR0.3095220.0712654.3432280.0000R-squared0.094579Meandependentvar-.0886AdjustedR-squared0.094579S.D.dependentvar0.020291S.E.ofregression0.019307Akaikeinfocriterion-5.051050Sumsquaredresid0.065982Schwarzcriterion-5.033174Loglikelihood450.5434Durbin-Watsonstat1

6、.871488InvertedARRoots.31模型为:w二0.309522wtt1t=(4.343228)p=(0.0000)w二,-(1L)xttt从p值看,系数是显者的。从InvertedARRoots(自回归特征方程根的倒数)是0.31,在单位圆之外,说明模型是平稳的。但还要对残差进行白噪声检验:在QuickEstimateLS(NLSandARMA)在对话框输入d(euro)ar(1)OK出结果的页面上ViewResidualTestsCorrelogram-Q-statistics选K=13(由178/10或178平方根来)Date:04/11/11Time:10:51Sampl

7、e:1993M032007M12Includedobservations:178Q-statisticprobabilitiesadjustedfor1ARMAterm(s)AutocorrelationPartialCorrelationACPACQ-StatProb.|.|.|.|10.0650.0650.7661*|.|*|.|2-0.165-0.1705.73060.017*|.|*|.|3-0.104-0.0847.72760.021.|.|.|.|4-0.021-0.0387.80870.050.|*|.|.|50.0810.0569.01900.061.|.|.|.|60.000

8、-0.0279.01910.108.|.|.|.|70.0310.0519.19580.163.|*|.|*|80.1000.10611.0720.136.|.|.|.|9-0.0020.00111.0730.198.|*|.|*|100.0990.14312.9480.165.|.|.|.|110.0230.03413.0540.221.|.|.|.|12-0.0270.01113.1960.281.|.|.|.|130.0100.03013.2160.354从K=13一行找到Q统计量值为13.216,相伴概率(记为p-Q)为0.3540.05,接受序列不相关的假设,即认为残差序列是白噪声。

9、类似地,对模型ARIMA(2,1,0)、ARIMA(0,1,1)、ARIMA(1,1,1)、ARIMA(2,1,1)进行估计与检验。ARIMA(1,1,0),ARIMA(2,1,0)、ARIMA(0,1,1)三个检验都通过参数显者性检验,模型平稳性和可逆性检验,残差序列白噪声检验。但是模型ARIMA(1,1,1)、ARIMA(2,1,1)没有通过检验。模型评价与比较模型e1e1e1ARIMA(1,1,0)0.3100.0950.340ARIMA(2,1,0)0.373-0.2020.1260.698ARIMA(0,1,1)0.3850.1220.727RA2和p-Q两指标越大越好,ARIMA(1,1,0)不好,在一样好的两模型ARIMA(2,1,0)和ARIMA(0,1,1)中,ARIMA(2,1,0)用自回归信息预测,所以在预测方面ARIMA(2,1,0)明显好。最终选择ARIMA(2,1,0):w二0.373w-0.202wtt1t2w二,-(1L)xttt即(1L)x=0.373(1L)x0.202(1L)xtt1t2x=1.373x0.575x+0.202xtt1t2t3(五)模型外推应用已知2007:12,2007:

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论