用EVIEWS处理时间序列分析 - 图文

应用时间序列分析

实验手册

目 录

目 录 ......................................................................................................... 2 第二章 时间序列的预处理 ...................................................................... 3 一、平稳性检验 .................................................................................. 3 二、纯随机性检验 .............................................................................. 9 第三章 平稳时间序列建模实验教程 .................................................... 10 一、模型识别 .................................................................................... 10 二、模型参数估计（如何判断拟合的模型以及结果写法） ........ 14 三、模型的显著性检验 .................................................................... 17 四、模型优化 .................................................................................... 18 第四章 非平稳时间序列的确定性分析 ................................................ 19 一、趋势分析 .................................................................................... 19 二、季节效应分析 ............................................................................ 34 三、综合分析 .................................................................................... 38 第五章 非平稳序列的随机分析 ............................................................ 44 一、差分法提取确定性信息 ............................................................ 44 二、ARIMA模型 ............................................................................. 57 三、季节模型 .................................................................................... 62

2

第二章 时间序列的预处理

一、平稳性检验

时序图检验和自相关图检验 （一）时序图检验

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 例2.1

检验1964年——1999年中国纱年产量序列的平稳性 1.在Eviews软件中打开案例数据

图1：打开外来数据

图2：打开数据文件夹中案例数据文件夹中数据

3

文件中序列的名称可以在打开的时候输入，或者在打开的数据中输入

图3：打开过程中给序列命名

图4：打开数据

4

2.绘制时序图

可以如下图所示选择序列然后点Quick选择Scatter或者XYline； 绘制好后可以双击图片对其进行修饰，如颜色、线条、点等

图1：绘制散点图

图2：年份和产出的散点图

5

600500400OUTPUT3002001000196019701980YEAR19902000 图3：年份和产出的散点图

（二）自相关图检验 例2.3

导入数据，方式同上；

在Quick菜单下选择自相关图，对Qiwen原列进行分析；

可以看出自相关系数始终在零周围波动，判定该序列为平稳时间序列。

图1：序列的相关分析

6

图2：输入序列名称

图2：选择相关分析的对象

图3：序列的相关分析结果:1. 可以看出自相关系数始终在零周围波动，判定该序列为平稳时间序列2.看Q统计量的P值：该统计量的原假设为X的1期，2期……k期的自相关系数均等于0，备择假设为自相关系数中至少有一个不等于0，因此如图知，该P值都>5%的显著性水平,所以接受原假设,即序列是纯随机序列,即白噪声序列(因为序列值之间彼此之间没有任何关联,所以说过去的行为对将来的发展没有丝毫影响,因此为纯随机序列,即白噪声序列.) 有的题目平稳性描述可以模仿书本33页最后一段.

（三）平稳性检验还可以用：

7

单位根检验：ADF,PP检验等； 非参数检验：游程检验

图1：序列的单位根检验

表示不包含截距项

图2：单位根检验的方法选择

8

图3：ADF检验的结果：如图，单位根统计量ADF=-0.016384都大于EVIEWS给出的显著性水平1%-10%的ADF临界值，所以接受原假设，该序列是非平稳的。

二、纯随机性检验

计算Q统计量，根据其取值判定是否为纯随机序列。

例2.3的自相关图中有Q统计量，其P值在K=6、12的时候均比较大，不能拒绝原假设，认为 该序列是白噪声序列。

另外，小样本情况下，LB统计量检验纯随机性更准确。

9

第三章 平稳时间序列建模实验教程

一、模型识别

1.打开数据

图1：打开数据

2.绘制趋势图并大致判断序列的特征

图2：绘制序列散点图

10

图5：输入模型中变量，选择参数估计方法

图6：参数估计结果

1AR模型：?81.32034??t

x1?0.703332Bt

16

三、模型的显著性检验

检验内容：

整个模型对信息的提取是否充分；

参数的显著性检验，模型结构是否最简。

图1：模型残差

17

图2：残差的平稳性和纯随机性检验

对残差序列进行白噪声检验，可以看出ACF和PACF都没有显著异于零，Q统计量的P值都远远大于0.05，因此可以认为残差序列为白噪声序列，模型信息提取比较充分。

常数和滞后一阶参数的P值都很小，参数显著；因此整个模型比较精简，模型较优。

四、模型优化

当一个拟合模型通过了检验，说明在一定的置信水平下，该模型能有效地拟合观察值序列的波动，但这种有效模型并不是唯一的。

当几个模型都是模型有效参数显著的，此时需要选择一个更好的模型，即进行优化。 优化的目的，选择相对最优模型。 优化准则：

最小信息量准则（An Information Criterion） ? 指导思想

? 似然函数值越大越好 ? 未知参数的个数越少越好

? AIC准则的缺陷

在样本容量趋于无穷大时，由AIC准则选择的模型不收敛于真实模型，它通常比真实模型所含的未知参数个数要多

??2)?2(未知参数个数AIC?nln(?) ??2)?ln(n)(未知参数SBC?nln(?) 但是本例中滞后二阶的参数不显著，不符合精简原则，不必进行深入判断。

18

第四章 非平稳时间序列的确定性分析

第三章介绍了平稳时间序列的分析方法，但是自然界中绝大多数序列都是非平稳的，因而对非平稳时间序列的分析跟普遍跟重要，人们创造的分析方法也更多。这些方法分为确定性时序分析和随机时序分析两大类，本章主要介绍确 …… 此处隐藏：3695字，全部文档内容请下载后查看。喜欢就下载吧 ……