ARMA模型建模指导.docx
《ARMA模型建模指导.docx》由会员分享,可在线阅读,更多相关《ARMA模型建模指导.docx(18页珍藏版)》请在冰点文库上搜索。
ARMA模型建模指导
实验二ARMA模型建模与预测指导
一、实验目的
学会通过各种手段检验序列的平稳性;学会根据自相关系数和偏自相关系数来初步判断
ARMA模型的阶数p和q,学会利用最小二乘法等方法对ARMA模型进行估计,学会利用
信息准则对估计的ARMA模型进行诊断,以及掌握利用ARMA模型进行预测。
掌握在实证研究中如何运用Eviews软件进行ARMA模型的识别、诊断、估计和预测和相关具体操作。
二、基本概念
宽平稳:
序列的统计性质不随时间发生改变,只与时间间隔有关。
AR模型:
AR模型也称为自回归模型。
它的预测方式是通过过去的观测值和现在的干扰值的线性组合预测,自回归模型的数学公式为:
乂二d」「2%m」pyt』;t
式中:
p为自回归模型的阶数i(i=i,2,…,p)为模型的待定系数,;t为误差,y为
一个平稳时间序列。
MA模型:
MA模型也称为滑动平均模型。
它的预测方式是通过
过去的干扰值和现在的干扰值的线性组合预测。
滑动平均模型的数学公式为:
yt=;t-R;t」-门2;t_2TI|一6;t_q
式中:
q为模型的阶数;片(j=i,2,…,q)为模型的待定系数;;t为误差;yt为平稳
时间序列。
ARMA模型:
自回归模型和滑动平均模型的组合,便构成了用于描述平稳随机过程的
自回归滑动平均模型ARMA,数学公式为:
yt二必」「yt/\yt『•;t一“;t」一二2;t^一丨()—^q;t“
三、实验内容及要求
1、实验内容:
(1)根据时序图判断序列的平稳性;
(2)观察相关图,初步确定移动平均阶数q和自回归阶数p;
(3)运用经典B-J方法对某企业201个连续生产数据建立合适的ARMA(p,q)模型,并能够利用此模型进行短期预测。
2、实验要求:
(1)深刻理解平稳性的要求以及ARMA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,禾U用最小二乘法,以及信息准则建立合适的ARMA模型;如何利用ARMA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“Nev^Workfile选项,在"Workfilestructuretype栏选择"Unstructured/Undated”在"Daterange"栏中输入数据个数201,点击ok,见图
2-1,这样就建立了一个工作文件。
WorkfileGreat?
Wcferkfileetrueluretype
[Unstructurftdl/Uridat*|
Qbservation^201
IrregularDatedand
Panelworkfiles,mayb电maide-fromUnstructursdw&rkfilesby
sp«cifyingd电t«rand/or
图2-1建立工作文件窗口
点击File/lmport,找到相应的Excel数据集,打开数据集,出现图2-2的窗口,在"Data
order"选项中选择"Byobservation"即按照观察值顺序录入,第一个数据是从a2开始的,
所以在"Upper-leftdatacell"中输入a2,本例只有一列数据,在"Namesforseriesornumberifnamedinfile"中输入序列的名字production或1,点击ok,则录入了数据。
(2)绘制序列时序图
双击序列production,点击view/Graph/line,则出现图2-3的序列时序图,时序图看出
201个连续生产的数据是平稳的,这个判断比较粗糙,需要用统计方法进一步验证。
prOodu-ctiON
(3)绘制序列相关图
双击序列production,点击view/Correlogram,出现图2-4,我们对原始数据序列做相关
图,因此在"Correlogramof”对话框中选择"Level”即表示对原始序列做相关,在滞后阶
CorrelogramSpecification
o£
r*Level
厂1stdiffer&nc
(2nddi££erenc
图2-4
从相关图看出,自相关系数迅速衰减为0,说明序列平稳,但最后一列白噪声检验的Q
统计量和相应的伴随概率表明序列存在相关性,因此序列为平稳非白噪声序列。
我们可以对
序列采用B-J方法建模研究。
AutocorrelationPanialCorrelationACPACQ-SlatProb
匚
1
匚
1
14)292-023217.4260000
c
II
匚
1
24).123-0.22820.5340QOD
[
1
匚
1
30.04641IS1209750.000
1
1
1
40099-0010230100000
L
■[
1
5^031-0.096243620.000
1
II
□
C0.1510127291070000
l[
1
II
7-0.0450.04729.5420.000
1
1
1
丿
S00110067295690000
l[
II
11
1
&-0.079-002930.9030.000
1
II
1
i
100Q50-Q002314430000
I
1
1
]l
1100270.039315970.001
l[
1
匚
1
120098-01124336630001
1
1
'1
1
130.024-0034338090.001
JI
■1
14009700S436S45O.flOl
图2-5
(4)ADF检验序列的平稳性
通过时序图和相关图判断序列是平稳的,我们通过统计检验来进一步证实这个结论,双击序列production,点击view/unitroottest,出现图2-6的对话框,我们对序列本身进行检
验,序列不存在明显的趋势,所以选择对常数项,不带趋势的模型进行检验,其他采用默认设置,点击ok,出现图2-7的检验结果,表明拒绝存在一个单位根的原假设,序列平稳。
图2-6
t-StatisticP「Qb*
AugmentedDick日屮Fullerteststatistic
-119964700000
Testcriticalvalues1%level
-3463405
5%level
-2875972
10%level
-2.574541
'MacKinnon(1996)one-sidedp-values.
图2-7
(5)模型定阶
由图2-5看出,偏自相关系数在k=3后很快趋于0即3阶截尾,尝试拟合AR(3);自相关系数在k=1处显著不为0,当k=2时在2倍标准差的置信带边缘,可以考虑拟合MA
(1)或MA
(2);同时可以考虑ARMA(3,1)模型等。
在序列工作文件窗口点击View/DescriptiveStatistics/HistogramandStates对原序列做描
述统计分析见图2-8,可见序列均值非0,我们通常对0均值平稳序列做建模分析,所以需要在原序列基础上生成一个新的0均值序列。
点击主菜单Quick/GenerateSeries,在对话框
中输入赋值语句Seriesx=production-84.11940,点击ok则生成新序列x,这个序列是0均值的平稳非白噪声序列,新序列的描述统计量见图2-9,相当于在原序列基础上作了个整体平
移,所以统计特性没有发生根本改变。
我们对序列x进行分析。
2、模型参数估计
(1)尝试AR模型。
经过模型识别所确定的阶数,可以初步建立AR(3),可用菜单或命令
两种方式分别建立。
在主菜单选择Quick/EstimateEquation,出现图2-10的方程定义对话框,在方程定义空白区键入xar
(1)ar
(2)ar(3),其中ar(i)(i=1,2…)表示自回归系数;
估计方法选择项见图2-11,有最小二乘估计(LS)、两阶段最小二乘估计(TSLS)等,我们
选择LS。
也可通过命令方式实现,在主窗口输入Isxar
(1)ar
(2)ar(3)。
pEstimationsettin音三
Method:
|ls-Lea^tSquares(KLSandARMA)
Sample|1201
图2-10方程定义对话框
SpeciticatiotL|ripti。
巩三|
Equatidtlspecific:
=ltidtl
IleperLderLtt:
eli_iablefollowedbylistofregi-essorsand.FDLtermSjOR:
=ltlexplicitequationlike
Xar(1;lar
(2)ar(3)ma
(1)
Variable
Coefficient
Std.Errort-Statistic
Prab.
AR
(1)
0394981
0.070261-5620048
00000
AR(2J
-0298569
0.0724&44120081
00001
AR⑶
4166269
0.069846-2.666841
0.0083
R-squared
0.161239
Meandependentvar
0.010398
AdjustedR-squared
0.152636
SDdependentvar
2S77D53
SEofregression
2543396
Akaikeinfocriterion
4300621
Sumsquaredresid
1367730
Schwarzcriterion
4.850643
Loghkelihoad
■472.2812
Durbin-Watsonstat
2.001689
InvertedARRoots
J6&0i
06+.6Qi-.52
图2-12AR
(3)建模结果
内时,过程才平稳。
利用复数知识可知表中的三个根都在单位圆内。
择模型的重要标准,在做比较时,希望这两个指标越小越好。
DW统计量是对残差的自相关
检验统计量,在2附近,说明残差不存在一阶自相关。
得到的自回归模型见下:
X^-0.394981Xt-1-0.298559Xt-2-0.186269Xt-^;t
(2)尝试MA模型。
按上面介绍方法,方程定义空白区键入xma
(1)ma
(2)(其中ma(j),
j=1,2…代表移动平均系数)或在主窗口输入Isxma
(1)ma
(2)。
模型输出结果见图2-13。
从MA
(2)估计结果的相伴概率可知,该系数不显著,故剔除该项,继续做模型估计,结果见图2-14。
表中最下方是滞后多项式(x-1)=0的倒数根,只有这些值都在单位圆内,
过程才平稳,可以发现过程是符合要求的即平稳。
Xt-;t-0.480530;t」
Variable
Co&fficient
StdErrort-Statistic
Prob.
MA
(1)
MA
(2)
-0412936
-0107318
0.070846-5.828632
0.070850-1.514712
0.0000
01314
R-&quared
AdjustedR-squaredS.E.ofregressionSumsquaredresidLoglikelihood
0.16901201547S626722221421013
4817666
MeandependentvarSDdependentvarAkaikeinfocriterionSchwarzcriterionDurbin-Watsonstat
299E-06
2906625
4813596
4.846467
1993040
InvertedMARoots
.59
-1E
图2-13ma
(2)建模结果
Vanable
Coefficient
Std.Errort-Statistic
Prob.
MA
(1)
-0.480530
0.062207*7724724
0.0000
R-squared
AdjustedR-squaredSEofregressionSumsquaredresidLaglikelihood
014SQ57
0.148057
2682037
1439.523-483.0672
Meandepend&ntvarS.D.dependentvarAkaikeinfocriterion
SchwarzcriterionDurbm-Watsonatat
299E-06
2906G25
4816589
4.833024
1873173
InvertedMARoots
.48
图2-14ma
(1)建模结果
(3)尝试ARMA模型
由模型定阶发现,p可能等于3,q可能等于2或1,我们根据各种组合来选择最优模
型,在主窗口命令栏输入lsxar
(1)ar
(2)ar(3)ma
(1),按回车,即得到参数估计结果见图2-15:
Variable
Coefficient
StdError
t-StatisticProb
ARt1)
ARF2:
AR(3)
MA⑴
■0090304
4185049
-0106372
-0.316730
0.232509012604801056990.285416
■0.31965107496
-14680S001437-10063670.3155
-1.1097130.2635
R-squared
AdjustedR-scuaredSEofregressionSumsquaredresidLeglikelihood
016S696
0.152794
2.643148
1360462
471.7538
Meandependentvar0010398
S.D.dependentvar2.S77053
Akaikeinfocriterion4305694
Schwarzcriterion4盯2023
Durbin-Watsanstat1993534
InvertedARRoots
Invertedf4ARoots
14-r52i
32
U+52i
-37
图2-15ARMA(3,1)模型估计结果
由参数估计结果看出,各系数均不显著,说明模型并不适合拟合ARMA(3,1)模型。
经过进一步筛选,逐步剔除不显著的滞后项或移动平均项,最后得到如下ARMA(2,1)模型:
Variable
Coefficient
StdError
t-Statistic
Prob
AR
(2)
-0140021
0,076320
-1845132
00665
MA(1]
-0424083
0069455
-6105907
00000
^■scuared
0154444
Meandependentvar
-0.015380
AdjustedR-squared
0150152
SDdependentvar
2B92726
3Ecifregression
2666723
Akaikeinfocriterion
4809578
Sumsquaredresid
1400949
Sch'^arzcriterion
4842676
_ogli4765530
Durbin-Watsonstat
1929203
nvertedMARoots.42
图2-16ARMA(2,1)模型估计结果
综上可见,我们可以对同一个平稳序列建立多个适合模型,但比较AIC和SC的值,以
及综合考虑其他检验统计量,考虑模型的简约原则,我们认为ARMA(2,1)模型是较优
选择。
3、模型检验
参数估计后,应对拟合模型的适应性进行检验,实质是对模型残差序列进行白噪声检
验。
若残差序列不是白噪声,说明还有一些重要信息没被提取,应重新设定模型。
可以对残
差进行纯随机性检验,也可用针对残差的2检验。
通常有两种方法进行2检验。
当一个模型估计完毕之后,会自动生成一个对象resid,
它便是估计模型的残差序列值,对其进行相关图分析便可看出检验结果;另一种方法是在方
程输出窗口中点击View/ResidualTests/Correlogram-Q-Statistics,输入相应的滞后阶数14,即
出现残差的相关图2-17,相关图显示,残差为白噪声,也显示拟合模型有效,模型拟合图
见图2-18。
1
II
1
h
100200.02301566
1
11
1
1
20009000901741
IE
1
||
1
3-0.076-0-076135010.245
1
]■
1
]■
400670072227630320
1:
1
'1
1
5-0027-0Q30242200490
1
□
□
G01750.V2B.74790.063
11
1
1
1
7-0011-0.013B77170.119
1
11
1
1
800170009833540163
IL
1
1
1
9卫064卫038970440206
1
1
1
1
10-0001-0024970470286
11
1
1
1
114)022-0008930590.3G6
|[
1
□
1
12-0.079-0J22111380.347
1
11
1
]|
1300210.04211.2320.424
1
J
1
]|
U0093006513.0900363
AutocorrelationPartialCorrelationACPACQ-StatProb
ARMA(2,1)模型残差相关图
图2-18ARMA(2,1)模型拟合图
4、模型预测
我们用拟合的有效模型进行短期预测,比如我们预预测未来2期的产量,首先需要扩
展样本期,在命令栏输入expand1203,回车则样本序列长度就变成203了,且最后面2个
变量值为空。
在方程估计窗口点击Forecast,出现图2-19对话框,预测方法常用有两种:
Dynamicforecast和Staticforecast,前者是根据所选择的一定的估计区间,进行多步向前预
测;后者是只滚动的进行向前一步预测,即每预测一次,用真实值代替预测值,加入到估计
区间,再进行向前一步预测。
选择Dynamicforecast,点击ok,出现图2-20预测对话框:
—XF
图2-20序列动态预测图
预测值存放在XF序列中,此时我们可以观察原序列x和xf之间的动态关系,同时选中
x和xf,击右键,点open/asgroup,然后点击view/graph/line,则出现图2-21,动态预测值几乎是一条直线,说明动态预测效果很不好。
XF
图2-21动态预测效果图
进行静态预测,见图2-22,预测值仍然存放在xf中,做x和xf图2-21,可以看出静
态预测效果不错。
10
XF
图2-22静态预测图
XFX
图2-23预测效果图
经过向前2步预测,x的未来2期预测值分别为1.1482和0.5519,考虑产量均值84.11940,就可以得出未来2期的产量分别为85.2676和84.6713。