EViews统计分析在计量经济学中的应用第6章时间序列模型

1、EViews统计分析在计量经济学中的应用第6章时间序列模型6.1：时间序列的趋势分解实验目的：熟悉和掌握滤波在时间序列模型中的应用。实验数据：1996年1月-2021年10月世界集装箱船手持订单量单位为万TEU相关数据和工作文件存放于文件夹 “书中资料/第6章 。实验原理：Hodrick-Prescott和BP滤波方法实验预习知识： Hodrick-Prescott和BP滤波方法相关知识8/22/20222实验步骤一：根底数据的录入 在进展本章实验之前，我们要进展工作文件的创立和数据的输入等工作，这些在前面章节已有详细介绍，在此不再赘述。本实验建立了名为“6-1.wfl的工作文件，该文件里包括

2、序列t和x，相关数据已经录入。 8/22/20223实验步骤二：选择滤波方法 以Hodrick-Prescott滤波为例BP滤波操作根本一样分解序列x的趋势要素，具体过程如下： 1翻开工作文件“6-1.wfl，点击工具栏中的Procs/Hodrick Prescott Filter,出现6.1所示的HP滤波对话框。8/22/20224HP滤波对话框 图6.1 HP滤波对话框 首先对分解后的趋势序列进展命名，Eviews将默认一个序列名，如hptrend02，也可填入一个新的趋势序列名；其次，设定参数的取值，一般年度数据取100，季度和月度数据分别取1600和14400，本例取14400，不允许

3、填入非整数。8/22/20225实验步骤三：结果分析 2点击图6.1中的OK按钮，Eviews中将原序列和趋势序列显示在同一图形中，如图6.2所示。图6.2 HP滤波结果 8/22/20226实验步骤三：结果分析 如图6.2所示，是包含长期趋势成分和周期波动成分的经济时间序列，Trend是其中含有的趋势成分，Cycle是其中含有的周期波动成分，即，而Hodrick-Prescott滤波目的是将从中将分解出来。从趋势上看，世界集装箱船手持订单量呈现总体上升趋势，但2021年后出现明显下将趋势；而从周期波动看，世界集装箱船手持订单量的波动幅度那么越来越大，即周期性越来越明显。8/22/20227R

4、eady? Lets go to the next8/22/202286.2：时间序列的平稳性及其检验实验目的：熟悉和掌握图示法和单位根检验法去判断时间序列的平稳性。实验数据：1996年1月-2021年10月世界集装箱船手持订单量单位为万TEU相关数据和工作文件存放于文件夹 “书中资料/第6章 。实验原理：图示法和单位根检验法实验预习知识：图示法和单位根检验法相关知识8/22/20229实验步骤一图示法：图示信息录入 使用图示判断时间序列的平稳性，具体过程如下：1翻开工作文件“6-1.wfl，点击工具栏中的View/Graph,出现图6.6所示的对话框。 图6.6 图示对话框 8/22/202

5、210图示对话框 在图6.6中，可选择数据图的类型Graph Type，Eviews给出9种图示类型，通常系统默认Line Symbol，即线条和符号；另外，在细节局部，主要包含了图标数据来源Graph data、排列方式Orientation、轴线边界Axis border，可按选择默认，进展相关操作。8/22/202211时序图2点击图6.6中的OK按钮，Eviews中将原始数据用线条图形表示出来，如图6.7所示。图6.7 集装箱船手持订单时间序列8/22/202212时序图 从图6.7可发现，世界集装箱船手持订单量总体呈现上升趋势，但在2021年后，出现明显的下降趋势，由此可见，原始的世

6、界集装箱船手持订单量x是不平稳的序列。为进一步验证x的平稳性，需通过自相关图和偏自相关图分析。8/22/202213实验步骤二图示法：相关图分析3点击工具栏中的View按钮，选择Correlogram菜单项，如6.8所示，点击后那么出现图6.9所示的对话框。图6.8 选择Correlogram菜单项8/22/202214相关分析参数 在图6.9中，有两个选择：一是针对何种数据生成相关图，主要分为原变量level、一阶差分变量1st difference及二阶差分变量2st difference，这里选择level；二是确定相关图的滞后期Lags to include，这里选择36。图6.9 相

7、关分析参数8/22/202215自相关、偏自相关图 图6.10中，虚线表示到中心线2个标准差宽度，Autocorrelation和AC分别表示自相关函数的图形和数值，Partial Correlation和PAC分别表示偏自相关函数的图形和数值。序列稳定性可以用自相关分析图判断：如果序列的自相关系数很快地滞后阶数K大于2或3时趋于0，即落入随机区内，时间序列是平稳的；反之，那么序列是非平稳的。假设自相关系数大于临界值，那么时间序列数据有显著的自相关性。从图6.10中可以看出自相关函数在延迟36阶的过程中，没有迅速向零趋近的趋势，这说明该序列是非平稳序列。为了进一步获得平稳序列，一般将原序列取对

8、数，在此根底上，分别分析其原序列、一阶及二阶序列。 图6.10自相关、偏自相关图 8/22/202216实验步骤三图示法：取对数后的相关图5翻开取对数后的数据表m,分别重复2-(4)操作，分别得在原序列、一阶差分和二阶差分下的相关图，如图6.11-6.13所示。图6.11 取对数后水平条件下相关图8/22/202217取对数后一及二阶差分相关图图6.12 取对数后一阶差分条件下相关图图6.13 取对数后二阶差分条件下相关图8/22/202218实验步骤四图示法：结果分析 从图6.11和6.12中可以看出自相关函数在延迟36阶的过程中，没有迅速向零趋近的趋势，这说明取取对数后的水平及一阶差分序列

9、是非平稳序列；而图6.13那么说明，自相关函数在延迟36阶的过程中，有迅速向零趋近的趋势，这说明取对数后的二阶差分序列是平稳序列；8/22/202219实验步骤一单位根：检验方法的选择1翻开工作文件“6-1.wfl，点击工具栏中的View，选择Unit Root Test，如图6.14所示，接着会出现单位根检验对话框，如图6.15所示。8/22/202220单位根检验选项 如图6.15所示，单位根检验选项有四个选择区域： Test type检验方法：包括6种检验方法，主要为ADF检验、DF检验、PP检验、KPSS检验、ERSPO检验及NP检验，系统默认选择ADF检验； Test for uni

10、t in所检验的序列，有三种可供选择： Level：表示对水平序列进展单位根检验； 1st difference：表示对序列的一阶差分序列进展单位根检验； 2nd difference：表示对序列的二阶差分序列进展单位根检验； 一般地，如果对原序列进展单位根检验的原假设没有被拒绝，而序列的一阶差分检验拒绝原假设，那么序列存在一个单位根，即该序列是一阶单整I1的；如果序列一阶差分检验仍没有拒绝原假设，那么需要对序列进展二阶差分检验。本系统默认选择水平序列做单位根检验。图6.15 单位根检验选项 8/22/202221单位根检验选项 Include in test equation选择不同检验式，

11、也有三种可供选择： Intercept：表示检验回归方程中仅有截距项； Trend and intercept：表示检验回归方程中既有趋势项，又有截距项； None：表示检验回归方程中既不包含趋势项，也不包含截距项。 注意：不同选择下单位根检验结果会发生变化，系统默认选择检验式中只包括截距项。 Lag length检验式中差分项的最大滞后期数， Automatic selection：表框内有6种选择准那么，即AIC、SIC、HQC、MA、MS、MHQ、t-statistics，系统默认选择SIC；此外，可自行设定相应的最大滞后期数Maximum Lags，本书按系统默认的最大滞后期数14进展

12、操作。 User specified：表示使用者自行设定滞后阶数，如果选择该项，需要在右边的编辑框内输入滞后阶数。8/22/202222实验步骤二单位根：结果分析 2点击图6.15中OK按钮，可得ADF检验结果，如图6.16所示。图 6.16 单位根检验结果含截距项 如图6.16所示，ADF值为-1.089289，分别大于不同检验水平的三个临界值，所以不能拒绝零假设，即该水平序列不是平稳序列，应对序列进展差分运算。8/22/202223实验步骤三单位根：检验式含趋势和截距项 (3)重新设定单位根检验参数，即采用检验式中包含趋势和截距项，点击OK按钮可得新的ADF检验结果，如图6.18所示。图

13、6.18 单位根检验结果含趋势项和截距项 如图6.18所示，ADF值为-1.875039，分别大于不同检验水平的三个临界值，所以不能拒绝零假设，即该水平序列不是平稳序列。8/22/202224实验步骤三单位根：取对数后的ADF检验4为获得平稳性序列，结合数据的特征，一般将原序列取对数，并对其进展单位单位根检验。下文分别对取对数后的水平序列、一及二阶差分序列进展单位根检验，采用默认的ADF检验法、检验方程形式及最大滞后阶数，最终检验结果如图6.23-25所示。图 6.23单位根检验结果ADF，取对数后水平序列 8/22/202225对数后一和二阶差分序列ADF检验图 6.24单位根检验结果ADF

14、，取对数后一阶序列图 6.25单位根检验结果ADF，取对数后二阶序列8/22/202226实验步骤四单位根：结果分析 如图6.23-6.25所示，取对数后水平序列、一阶序列和二阶序列的ADF值分别为-2.288405、-3.645854及-16.68912，取对数后水平序列及一阶序列分别大于不同检验水平的三个临界值，所以不能拒绝零假设，而取对数后二阶序列分别小于不同检验水平的三个临界值，可以拒绝零假设，即取对数后二阶序列为平稳序列。8/22/202227Ready? Lets go to the next8/22/2022286.3：随机时间序列分析模型实验目的：掌握判断时间序列识别主要步骤

15、、模型的估计、预测及检验方法。实验数据： 1996年1月-2021年10月世界集装箱船手持订单量单位为万TEU相关数据和工作文件存放于文件夹 “书中资料/第6章 。实验原理：时间序列模型的识别、估计及检验实验预习知识：AIC与SC准那么、t检验、静态预测与动态预测8/22/202229实验步骤一：时间序列模型的识别 1翻开工作文件“6-1.wfl，在样本数据m的窗口，点击工具栏中的View/Correlogram，出现图6.26所示的对话框。根据本书6.2节结论，图6.26中的序列选择m二阶差分序列，在此滞后期选择24。 图6.26 图示对话框8/22/202230自相关函数和偏自相关函数 2

16、点击图6.26中的“OK按钮，可得自相关函数和偏自相关函数，如图6.27所示。图6.27 对数二阶差分自相关函数 8/22/202231自相关函数和偏自相关函数 对数二阶差分序列自相关和偏自相关函数，如图6.27所示，由两局部组成，左半局部为自相关Autocorrelation与偏自相关Partial Correlation分析图，右半局部为自相关系数AC、偏自相关系数PAC、Q统计量Q-Stat与相伴概率Prob。由图6.27可知，自相关和偏自相关函数的峰值同为滞后1期，自相关函数1阶截尾，偏自相关函数2阶截尾，可初步判定p=1，2，q=1，即可能适合的模型有ARMA(2,1)，ARMA(1

17、,1)，AR(1)，AR(2)，MA(1)。8/22/202232实验步骤二：时间序列模型的估计 1翻开工作文件“6-1.wfl，在主窗口中点击Quick/Estimation Equation，出现图6.28所示的对话框。在图6.26的Equation specification中输入d(d(m) ar(1) ar(2) ma(1)，在Equation setting中选择最小二乘法。图6.28 图示对话框8/22/202233ARMA2，1参数估计2点击6.28中确定按钮，可得模型参数估计结果，如图6.29所示。 图6.29 ARMA2，1参数估计结果8/22/202234ARMA1，1参

18、数估计 3由上文，可得其他模型的估计结果，如图6.30-6.33所示。 图6.30 ARMA1，1参数估计结果8/22/202235AR1和 AR2参数估计图6.31 AR1参数估计结果图6.32 AR2参数估计结果 8/22/202236MA1参数估计 分析ARMA(2,1)，ARMA(1,1)，AR(1)，AR(2)，MA(1)各模型检验结果，可得AIC、SC值。根据AIC和SC准那么评判模型的相对优劣，一般选择AIC和SC函数值到达最小的模型。由图6.29-图6.33知MA(1)模型与ARMA(1，1)模型较好，且MA(1)模型稍优于ARMA(1，1)模型，应选择MA(1)模型作为最终模型。也即图6.33为最终的参数估计结果。 图6.33 MA1参数估计结果 8/22/202237实验步骤三：时间序列模型的预测4在图6.33界面中，点击Forecast按钮，可得预测对话框，如图6.34所示。图6.34 预测对话框 8/22/202238预测方法的选择