基于EVIEWS时间序列建模和应用教育课件.ppt

,*,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,单击此处编辑母版标题样式,*,基于EVIEWS时间序列建模和应用,目录,1,、,ARIMA,模型,1.1,模型的适用条件与构建过程,1.2 EVIEWS,操作简单说明,1.3,模型构建实例,2,、,季节时间序列模型,2.1,确定性季节时间序列模型,2.2,随机性季节时间序列模型,时间序列的预处理：,拿到一个时间序列后，首先要对它的平稳性和纯随机性进行检验，这两个重要的检验称为序列的预处理。,根据检验的结果可以将序列分为不同的类型，对不同类型的序列采取不同的分析方法。,时间序列的基本类型：,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,平稳性检验方法：,图检验方法,构造检验统计量,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,纯随机性检验方法：,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）,平稳非白噪声序列建模步骤：,平稳非白噪声序列,预测序列将来的走势,计算,ACF,PACF,ARMA,模型识别,估计模型中未知参数的值,模型优化,模型检验,N,Y,ARIMA,模型建模流程：,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,N,Y,N,Y,EVIEWS,操作,创建文件,数据录入,画图,自相关和偏自相关图,单位根检验,建立方程,Q,检验,预测,例：某国,1980,年至,1993,年,GNP,平减指数的季节时间序列，共,56,个观测值，见下表,表,5.1,某国,GNP,平减指数季度资料,1,2,3,4,1980,89.89,91.07,91.79,93.03,1981,94.4,95.7,96.52,97.39,1982,98.72,99.42,100.25,101.54,1983,102.95,104.75,106.53,108.74,1984,110.72,113.48,116.42,119.79,1985,122.88,124.44,126.68,128.99,1986,130.12,131.3,132.89,134.99,1987,136.8,139.01,141.03,143.24,1988,145.12,148.89,152.02,155.38,1989,158.6,161.85,165.12,168.05,1990,171.94,176.46,180.24,185.13,1991,190.01,193.03,197.7,201.69,1992,203.98,206.77,208.53,210.27,1993,212.87,214.25,215.89,218.21,年,/,季,该序列时序图（,1.1,）和自相关图（,1.2,）如下：,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,序列,GNP,的单位根检验结果：,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,GNP,存在单位根，因此，是非平稳的。,一阶差分后的时序图与自相关图：,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,一阶差分序列,D(GNP),的单位根检验结果：,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。,2,阶差分时序图与自相关图：,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,二阶差分序列的单位根检验：,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。,对平稳的,2,阶差分序列进行白噪声检验：,在显著性水平为,0.05,的,条件下，延迟期数为,6,和,12,时,，,Q,统计量的,P,值均小于,0.05,2,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,根据,2,阶差分序列的自相关图,ACF,和偏自相关图,PACF,的特点，判断阶数进行建模,:,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),模型一,剔除,C,与,MA,（,1,）,:,ARIMA(2,2,(2):,d(gnp,2)ar(1)ar(2)ma(2),可供选用模型一,模型参数均通过检验,建立,ARIMA(3,2,2),如下：,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,建立,ARIMA(3,2,3):,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,模型适用性检验：,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。,模型预测结果：,GNP,平减指数时间序列模型为,:,拟合曲线对比：,拟合曲线与原序列曲线十分接近，直观来看，拟合效果较好！,预测值的比较,原始值,ARIMA(2,2,(2),ARIMA(3,2,3),212.87,212.01,211.69,214.87,215.51,216.01,215.89,216.08,214.91,218.21,217.32,219.06,93Q1,93Q2,93Q3,93Q4,季节时间序列建模案例,研究对象及目的,对我国,1990,年,1,月至,1997,年,12,月工业总产值的月度资料（,1990,年为不变价格）共有,96,个观测值进行时间序列拟合，并对,1998,年工业总产值进行预测。,1990,年,1,月至,1997,年,12,月我国工业总产值,单位：亿元,数据预处理,数据导入,观察原始数据的自相关与偏自相关图,观察原始数据的折线图,对原始数据进行对数化,对处理过的数据进行差分,对季节进行差分,时间序列特征分析,时间序列特征分析,时间序列特征分析,一阶差分,二阶差分,时间序列特征分析,序列自相关图和偏自相关图,研究方法,确定性时间序列分析,随机性时间序列分析,基本原理,通常时间序列可分解为长期趋势变动，季节效应和不规则变动因素，如果将长期趋势变动和季节效应视为时间的确定性函数，而且时间数列经过长期趋势的提取和季节效应的分析，剩余不规则因素就应是零均值的白噪声序列。,计算季节指数，剔除季节因素,具体操作,模型检验,为说明模型的预测误差，现已,9096,年数据为样本，对,97,年进行预测，并与其真实值进行对比，计算预测误差。,利用指数平滑法对以上图形进行拟合,3843.84,3516.61,8.51%,3181.26,3178.815,0.08%,4404.49,4154.457,5.68%,4520.18,4316.138,4.51%,4638.99,4566.797,1.56%,4969.93,4776.951,3.88%,4146.899,4194.931,1.16%,4198.7,4270.953,1.72%,4563.839,4558.298,0.12%,4178.91,4605.601,10.21%,5034.939,5003.337,0.63%,5545.74,5624.93,1.43%,实际值,预测值,预测误差,对,98,年进行预测,与上同理，只是样本数据是,90,年,97,年,0.834236,0.749726,0.977519,1.006482,1.057697,1.097279,0.95076,0.961093,1.017216,1.01918,1.101063,1.227749,4645.479,4679.548,4713.617,4747.686,4781.755,4815.824,4849.893,4883.963,4918.032,4952.101,4986.17,5020.239,最终预测值,季节指数,3875.427,3508.379,4607.65,4778.458,5057.65,5284.303,4611.082,4693.941,5002.702,5047.084,5490.089,6163.593,指数平滑预测值,该方法的优缺点,优点：快速便捷的提取信息。,缺点：从,残差的自相关图,可以看出新序列仍存在一定的相关性，这说明拟合的这个模型没有完全把元序列蕴含的相关差分提取出来。,模型建立,根据,相关图,，可首选建立,阶季节时间序列模型。,EViews,的估计命令是：,DLOG(gy,1,12)C AR(1)AR(2)AR(3)SAR(12)MA(1)SMA(12),模型参数估计与相关检验结果,阶季节乘积模型,模型预测,谢 谢！,