一异方差的检验与修正-时间序列分析.pdf

案例三 ARIMA 模型的建立 一、实验目的 了解 ARIMA 模型的特点和建模过程，了解 AR ，MA 和 ARIMA 模型三者之间的区别 与联系， 掌握如何利用自相关系数和偏自相关系数对 ARIMA 模型进行识别， 利用最小二乘 法等方法对 ARIMA 模型进行估计，利用信息准则对估计的 ARIMA 模型进行诊断，以及如 何利用 ARIMA 模型进行预测。掌握在实证研究如何运用 Eviews 软件进行 ARIMA 模型的 识别、诊断、估计和预测。 二、基本概念 所谓 ARIMA 模型， 是指将非平稳时间序列转化为平稳时间序列， 然后将平稳的时间序 列建立 ARMA 模型。 ARIMA 模型根据原序列是否平稳以及回归中所含部分的不同，包括 移动平均过程（ MA ）、自回归过程（ AR ）、自回归移动平均过程（ ARMA ）以及 ARIMA 过 程。 在 ARIMA 模型的识别过程中， 我们主要用到两个工具： 自相关函数 ACF ，偏自相关函 数 PACF 以及它们各自的相关图。对于一个序列 Xt 而言，它的第 j 阶自相关系数 j 为它 的 j 阶自协方差除以方差，即 j ＝ j 0 ，它是关于滞后期 j 的函数，因此我们也称之为 自相关函数，通常记 ACF( j )。偏自相关函数 PACF( j )度量了消除中间滞后项影响后两滞 后变量之间的相关关系。 三、实验内容及要求 1、实验内容： （1）根据时序图的形状，采用相应的方法把非平稳序列平稳化； （2 ）对经过平稳化后的 1950 年到 2007 年中国进出口贸易总额数据运用经典 B-J 方法论建 立合适的 ARIMA （p, d, q ）模型，并能够利用此模型进行进出口贸易总额的预测。 2、实验要求： （1）深刻理解非平稳时间序列的概念和 ARIMA 模型的建模思想； （2 ）如何通过观察自相关，偏自相关系数及其图形，利用最小二乘法，以及信息准则建立 合适的 ARIMA 模型；如何利用 ARIMA 模型进行预测； （3 ）熟练掌握相关 Eviews 操作，读懂模型参数估计结果。 四、实验指导 1、模型识别 （1）数据录入 打开 Eviews 软件，选择 “File菜单中的” “New-- Workfile ”选项，在“Workfile structure type ” 栏选择“ Dated –regular frequency ”，在“ Date specification ”栏中分别选择“ Annual ”(年数 据) ，分别在起始年输入 1950，终止年输入 2007 ，点击 ok ，见图 3-1 ，这样就建立了一个 工作文件。点击 File/Import ，找到相应的 Excel 数据集，导入即可。 图 3-1 建立工作文件窗口 （2 ）时序图判断平稳性 做出该序列的时序图 3-2 ，看出该序列呈指数上升趋势，直观来看，显著非平稳。 200000 160000 120000 80000 40000 0 50 55 60 65 70 75 80 85 90 95 00 05 图 3-2 中国进出口总额时序图