基于EVIEWS时间序列建模及应用.ppt

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！ 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 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) 基于EVIEWS时间序列建模及应用 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