应用eviews分析数据和预测

应用eviews分析数据和预测01预备知识

ARIMA模型预测的基本程序:1)根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。一般来讲，经济运行的时间序列都不是平稳序列。2)对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。3)根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。4)进行参数估计，检验是否具有统计意义。5)进行假设检验，诊断残差序列是否为白噪声。利用已通过检验的模型进行预测分析。02过程与步骤

本次选取A股市场一只股票从2019年8月至2022年8月份，前后涉及732个交易日数据的分析。1．建立Workfile和对象，录入股票价格X和变量t支出数据如图2.6.1。图2.6.12．双击打开x序列表格形式，点击表格左端View\Gragh\Line，或者在命令框中输入“linex”。可以看出x是有一定时间趋势的，如图2.6.2。图2.6.2

可见序列x具有明显的趋势和季节波动，宜采用模型3或模型2检验。3．点击序列x表格上菜单命令：View\UnitRootTest，出现对话框（图2.6.3）

图2.6.3可从图中看到，默认的检验方法为ADF，默认检验水平数据（原始数据，后两者1st、2nd为1阶差分和二阶差分数据），默认的检验模式为模型2。而右边在滞后阶数的选取上，默认采用SIC最小。4．将检验模型改为模型3，其余采用默认设定，点OK，出来结果如图2.6.4：图2.6.4从结果可以判断序列x有单位根。大家可以选择其他模式和滞后期来检验，以形成最终的判断。检验序列x一阶差分序列的平稳性：在图2.6.3所示对话框中选1stdiferent，检验模型为模型2，点OK，得下图2.6.5图2.6.5从结果中可见序列x为一阶差分平稳的，故序列x为一阶单整的。03建立ARIMA模型趋势图：plotx或者linex一阶差分之后的趋势图，显示数据平稳先看自相关系数和偏相关系数图Identx或者直接点开

可尝试AR——46927MA——4627

lsd(x)car(4)ar(6)ar(9)ar(27)

ma(4)

ma(6)

ma(27)分析：F统计量显示显著，说明整个模型建立通过，DW值为2.0295，不存在自相关性了。ar(9)、ma(27)不显著，可以考虑去掉，拟合优度仅0.054，很差，AIC值2.09（越小越好）。进一步，检验残差是否为白噪声序列，若为白噪声序列说明信息提取充分，否则需要重新建模。结果如下：信息的提取并不充分，需要重新建模分析。

lsd(x)car(4)ar(6)

ar(27)ma(4)

ma(6)依然较差。变换模型lsd(x)car(4)ar(6)ar(9)ar(11)ar(27)ar(28)ar(29)ma(4)

ma(6)

ma(11)ma(27)经过反复尝试，建立以下模型：lsd(x)c

ar(4)ar(5)ar(6)ar(9)ar(11)

ar(27)

ar(28)ar(29)

ar(32)

ma(4)ma(5)ma(6)ma(9)

ma(11)ma(14)

ma(27)ma(33)ma(34)从残差图来看，信息提取基本充分，可以选择此模型。但值得说明的是，这个模型的效果并不好，因为从拟合优度来看只有0.11，效果并不是很好。04预

测

第一步，双击“range”扩充数据格，

第二步，重新建模，在建立的模型表选择“forcast”，序列选中原序列“x”，“dx”为差分序列，选择“staticforcast”,每次只能预测一期，静态预测较为接近，动态预测