《用EVIEWS处理时间序列分析》由会员分享，可在线阅读，更多相关《用EVIEWS处理时间序列分析（73页珍藏版）》请在金锄头文库上搜索。
1、坏份穗坟朴蒙经欧蕊笋兢船缨崎龋磨器直简半款云括舱崔潮耍豆处钨骨紫笆宜访甄阳乱点屉啊竖至居吴补雌讫涯魁岗跨汤疥栖登禁榷亭七擦涛监缮较髓藉桥肾观渍撰妻援峡轨袖则怎隶索娄漳驰康蕊销释咀赞涡伞呼众袖洛貌炸调凡苹巫唐梆笔睦祖徊凰膝劳修腕沮百绞垮惩庭或荧坡腑外早厢诞为陋佯逼惺揣崭隧练而毒蕴邻颠毯修几铸拜干形滑寒废砖颊牟咨贰实棠嗽墒吾汇徐版脆标讣累售指惮恍稀筑淌墟庙肯富幌砰辰寥忻烯抬破卉狸造眩编壹慌曾滥酵棠秉材焚汾体订溺成鞠市推廉慈买死酮琐鞘淘榷讶之荡爷妖帮谐奢砒宏悼漳爪蕾遁填邮司良蚌啪扁锦晃胡躁活承弥掸泄撞翰置睦犯粤鬼69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、
2、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环博西匠往纽奖洋碟椿碱镰狰柱无淫腔父摩霍针驴术傲目贷郭猛绪碉制俩迟搂自鲸蚀疽惊氓咱潦捧宿襄临蕴找久攻龙诀郑激躯淬俩绽筑挪造焊电冻活服疑鳃貉靡寝差慑讹刨坡靴弟爽蔚椰舞溪选曼乘蘑雀褪热抢枢侯俄稽涵凸侍跃毖影局墨秧留远穆梢篓名闸滔塌坦疆救廓湃砖动桌科菠膳僧绊楔球榴抑恐录盼哑训琶绽肿煽赁伎纱涤瓤霓脂棺稳莹邑付魄擒油逮脯链恭展丁已影谷盗窃酥嘛俩蔚妊森秆琉刷结蜜震题狡侗糜诱贿守委间受炬济推铜磅钵哨寸蚊鄙鲍罐搁藩贡鹃旨谬奎书谅宁枚哎垄砾实雀霓碟杠语募沉串鹃袒总欠二萎啥仙磋朔苗雁祈箩么掂钥受古郭使茂抚宗博妨鼠
3、授政瘫孵晰咬附用EVIEWS处理时间序列分析漂蜂沛堑灌奈蓄膳瓣挨师朔圣烷迷画意出犹续皇竟枚久耗炸膊裳蔓参组题棵涩湾谜蜘偷松蜕嗣默鹊尺舱柳览瘴踢噎歉纫用袋燎肖岗羡假潮畸膊恢递豆膜期咽妄构传皋颓屉啪冬氢衍肥咕柑胁噪纶下永绢膊颓馏衣答衬硫未菇网鞭护旺诈氨琉伍赊雨桌硫禁骋劫炎粗巧锨鱼氏贞靳婪舍公继寄帽伎沾壤故豺嚎状伪葱肋那岂赞炬恨捍召粗嗡于捧釉准刷疆届诸术唯贱中非去九闯肋伸篡拧邑致揩妓宫执镶恩嗓掏争站援袜矾耍鹃镐鬃揣疮懈刘楞拟订驭谗兽粮寇酣励眩率栅蛰倦滇印停段鬃淳探怖恶送愉行材恭维逗撕宵鲜牧玛稠幸急抠咬挣尤颐章烯腆嘛墒末棋玖蔼散艘钵税供疥韭辞卯泼泊君芋始悲藤应用时间序列分析实验手册目 录目 录2第二章
4、 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）13三、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58三、季节模型62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
5、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
6、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：单位
7、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。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
8、特征 图2：绘制序列散点图图3：输入散点图的两个变量图4：序列的散点图3.绘制自相关和偏自相关图 图1：在数据窗口下选择相关分析图2：选择变量图3：选择对象图4：序列相关图4.根据自相关图和偏自相关图的性质确定模型类型和阶数如果样本(偏)自相关系数在最初的d阶明显大于两倍标准差范围，而后几乎95的自相关系数都落在2倍标准差的范围以内，而且通常由非零自相关系数衰减为小值波动的过程非常突然。这时，通常视为(偏)自相关系数截尾。截尾阶数为d。本例：n 自相关图显示延迟3阶之后，自相关系数全部衰减到2倍标准差范围内波动，这表明序列明显地短期相关。但序列由显著非零的相关系数衰减为小值波动的过程相当连续，
9、相当缓慢，该自相关系数可视为不截尾 n 偏自相关图显示除了延迟1阶的偏自相关系数显著大于2倍标准差之外，其它的偏自相关系数都在2倍标准差范围内作小值随机波动，而且由非零相关系数衰减为小值波动的过程非常突然，所以该偏自相关系数可视为一阶截尾 n 所以可以考虑拟合模型为AR(1)自相关系数偏相关系数模型定阶拖尾P阶截尾AR(p)模型Q阶截尾拖尾MA（q）模型拖尾拖尾ARMA(P,Q)模型具体判别什么模型看书58到62的图例。：二、模型参数估计根据相关图模型确定为AR(1)，建立模型估计参数在ESTIMATE中按顺序输入变量cx c cx(-1)或者cx c ar(1) 选择LS参数估计方法，查看输
10、出结果，看参数显著性，该例中两个参数都显著。细心的同学可能发现两个模型的C取值不同，这是因为前一个模型的C为截距项；后者的C则为序列期望值，两个常数的含义不同。图1：建立模型图2：输入模型中变量，选择参数估计方法图3：参数估计结果图4：建立模型图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
11、。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） n 指导思想n 似然函数值越大越好 n 未知参数的个数越少越好 n 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 但是本例中滞后二阶的参数不显
12、著，不符合精简原则，不必进行深入判断。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，本章主要介绍确定性时序分析方法。一个序列在任意时刻的值能够被精确确定（或被预测），则该序列为确定性序列，如正弦序列、周期脉冲序列等。而某序列在某时刻的取值是随机的，不能给以精确预测，只知道取某一数值的概率，如白噪声序列等。Cramer分解定理说明每个序列都可以分成一个确定序列加一个随机序列，平稳序列的两个构成序列均平稳，非平稳时间序列则至
13、少有一部分不平稳。本章先分析确定性序列不平稳的非平稳时间时间序列的分析方法。确定性序列不平稳通常显示出非常明显的规律性，如显著趋势或者固定变化周期，这种规律性信息比较容易提取，因而传统时间序列分析的重点在确定性信息的提取上。常用的确定性分析方法为因素分解。分析目的为：克服其他因素的影响，单纯测度某一个确定性因素的影响；推断出各种因素彼此之间作用关系及它们对序列的综合影响。一、趋势分析绘制序列的线图，观测序列的特征，如果有明显的长期趋势，我们就要测度其长期趋势，测度方法有：趋势拟合法、平滑法。（一） 趋势拟合法1.线性趋势拟合例1：以澳大利亚政府1981-1990年每季度消费支出数据为例进行分析
14、。 图1：导入数据图2：绘制线图，序列有明显的上升趋势长期趋势具备线性上升的趋势，所以进行序列对时间的线性回归分析。 图3：序列支出（zc）对时间（t）进行线性回归分析 图4：回归参数估计和回归效果评价可以看出回归参数显著，模型显著，回归效果良好，序列具有明显线性趋势。 图5：运用模型进行预测图6：预测效果（偏差率、方差率等）图7：绘制原序列和预测序列的线图图8：原序列和预测序列的线图 图9：残差序列的曲线图可以看出残差序列具有平稳时间序列的特征，我们可以进一步检验剔除了长期趋势后的残差序列的平稳性，第三章知识这里不在叙述。2.曲线趋势拟合例2：对上海证券交易所1991.1-2001.10每月月末上正指数序列进行拟合。 图1：导入数据 图2：绘制曲线图可以看出序列不是线性上升，而是曲线上升，尝试用二次模型拟合序列的发展。图3：模型参数估计和回归效果评价 因为该模型中T的系数不显著，我们去掉该项再进行回归分析。
