时间序列建模分析.pptVIP

时间序列建模分析 及EVIEWS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： 平稳性检验方法： 图检验方法 构造检验统计量 纯随机性检验方法： 平稳非白噪声序列建模步骤： ARIMA模型建模流程： 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 该序列时序图（1.1）和自相关图（1.2）如下： 序列GNP的单位根检验结果： 一阶差分后的时序图与自相关图： 一阶差分序列D(GNP)的单位根检验结果： 2阶差分时序图与自相关图： 二阶差分序列的单位根检验： 对平稳的2阶差分序列进行白噪声检验： 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: 剔除C与MA（1）: 建立ARIMA(3,2,2)如下： 建立ARIMA(3,2,3): 模型适用性检验： 模型预测结果： 拟合曲线对比： 预测值的比较 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。 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 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 模型检验 为说明模型的预测误差，现已90—96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 对98年进行预测 与上同理，只是样本数据是90年—97年 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。 谢 谢！ GNP平减指数时间序列模型为: 拟合曲线与原序列曲线十分接近，直观来看，拟合效果较好！ 219.06 217.32 218.21 214.91 216.08 215.89 216.01 215.51 214.87 211.69 212.01 212.87 ARIMA(3,2,3) ARIMA(2,2,(2)) 原始值 93Q4 93Q3 93Q2 93Q1 季节时间序列建模案例 1990年1月至1997年12月我国工业总产值 单位：亿元 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 具体操作 1.43% 5624.93 5545.74 0.63% 5003.337 5034.939 10.21% 4605.601 4178.91 0.12% 4558.298 4563.839 1.72% 4270.953 4198.7 1.16% 4194.931 4146.899 3.88% 4776.951 4969.93 1.56% 4566.797 4638.99 4.51% 4316.138 4520.18 5.68% 4154.457 4404.49 0.08% 3178.815 3181.26 8.51% 3516.61 3843.84 实际值 预测值 预测误差 1.227749 1.101063 1.01918 1.017216 0.961093 0.95076 1.097279 1.057697 1.006482 0.977519 0.749726 0.834236 5020.239 4986.17 4952.101 4918.032 4883.963 4849.893 4815.824 4781.755 4747.686 4713.617 4679.548 4645.479 最终