时间序列上机实验-ARIMA模型建立(季节乘积模型)资料.pdfVIP

实用标准 实验二 ARIMA 模型的建立 一、实验目的 熟悉 ARIMA模型，掌握利用 ARIMA模型建模过程， 学会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， 以及学会利用 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 ARIMA模型，即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，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 X t 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 （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 2000年 1 月到 2011 年 10 月美国的失业率数据建立 ARIMA （p,d ,q ）模型，并利用此模型进行失业率的预测。 四、实验要求： 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。 五、实验步骤 （1） 输入原始数据 打开 Eviews 软件，选择“File ”菜单中的 “New--Workfile ”选项，在“Workfile structure type ”栏中选择“ Dated-regular frequency ”，在“ Frequency ”栏 中选择 “Monthly ”，分别在起始月输入 1991.01 ，终止月输入 2010.12 ，点击 ok， 见图 1。再建立一个 New object ，将选取的 x 的月度数据复制进去 。 文档大全 实用标准 图一 （2）做出时序图并判断 做出该序列的时序图 2，看出该序列呈一定的上升趋势， 周期性不是很明显。 直观来看，显著非平稳。 图 2 ：时序图 进一步考察其自相关图和偏自相关图，如图 3 文档大全 实用标准 图 3：x 的自相关图和偏自相关图 自相关系数可以看出，衰减到零的速度非常缓慢，所以断定 x 序列非平稳。