时间序列实验教程.docVIP

学生学号 0121315940324实验课成绩学 生 实 验 报 告 书 实验课程名称应用时间序列分析开 课 学 院理学院指导教师姓名桂预风学 生 姓 名魏丽学生专业班级金融sy1301 2015--2016学年第2学期 实验一： 实验项目名称平稳序列建模实验成绩实 验 者魏丽专业班级金融sy1301实验日期2016年4月5日一、实验目的 在某个时间序列经过预处理后为平稳非白噪声序列时，可继续学会通过Eviews软件利用ARMA模型对该序列建模，熟悉建模步骤，并且利用拟合模型对序列的将来走势进行预测。 二、实验原理 1.ARMA模型定阶原则：AR（p）模型自相关图拖尾，偏自相关图q阶截尾，MA（q）模型自相关图q阶截尾，偏自相关图拖尾，ARMA（p,q）模型自相关图和偏自相关图均拖尾。 2.未知参数估计可用矩估计、极大似然估计、和最小二乘估计 3.模型显著性检验即对残差序列的白噪声检验，检验统计量为： 三实验步骤 模型一 1.模型识别 1）选择1950-2008年我国邮路及农村投递线路每年新增里程数作为实验序列，在Eviews中做出时序图，如图1-1 图1-  SEQ 图1- \* ARABIC 1 由时序图可以看出，序列在均值0附近上下波动，序列平稳，可用来建立模型 2）自相关性检验 在Eviews中点击Correlogram，检验序列是否为白噪声序列，以及通过自相关、偏自相关图确定模型形式。 图1-  SEQ 图1- \* ARABIC 2 由上图可知，Q统计量对应的p值均为0，拒绝序列不相关的假设，即序列不是白噪声，同时自相关图拖尾，偏自相关图2阶截尾，因此，可建立AR（2）模型。 2.模型建立与参数估计 在Eviews中点击Quick，在空白框输入“x c ar(1)ar(2) ”，得到图2-1 图2-  SEQ 图2- \* ARABIC 1 各项系数t统计量对应的p值都小于0.05，说明在95%的显著水平下拒绝系数为0的假设，说明系数均显著，则模型为： 3.模型检验 在Eviews中点击View-Residual diagnostics，对残差序列进行白噪声检验，判断序列是否正确，结果如图3-1 图3-  SEQ 图3- \* ARABIC 1 从上图看出，Q统计量对应的p值均大于0.05，接受序列不具有相关性的假设，即残差序列是白噪声序列，说明模型拟合效果较好。 4.实验预测 用该模型对1950到2009的数据进行拟合预测，得到静态预测图4-1 图4-1 5.实验结论 从上述实验过程及分析可知，该序列可用AR（2）模型进行拟合，且拟合效果较好。模型拟合为 二）模型二 1.模型识别 选择美国科罗拉多州某个加油站连续57天的OVERSHORT作为实验序列，在Eviews中做出时序图，如图1-1 图1- 1 由时序图可以看出，序列在均值0附近上下波动，序列平稳，可用来建立模型 2）自相关性检验 在Eviews中点击Correlogram，检验序列是否为白噪声序列，以及通过自相关、偏自相关图确定模型形式。 图1- 2 由上图可知，Q统计量对应的p值均小于0.05，拒绝序列不相关的假设，即序列不是白噪声，同时自相关图1阶截尾，偏自相关图拖尾，因此，可建立MA（1）模型。 2.模型建立与参数估计 在Eviews中点击Quick，在空白框输入“OVERSHORT c MA(1)，得到图2-1 图2- 1 各项系数t统计量对应的p值都小于0.05，说明在95%的显著水平下拒绝系数为0的假设，说明系数均显著，则模型为： 3.模型检验 在Eviews中点击View-Residual diagnostics，对残差序列进行白噪声检验，判断序列是否正确，结果如图3-1 图3-  SEQ 图3- \* ARABIC 1 从上图看出，Q统计量对应的p值均大于0.05，接受序列不具有相关性的假设，即残差序列是白噪声序列，说明模型拟合效果较好。 4.实验结论 从上述实验过程及分析可知，该序列可用MA（1）模型进行拟合，且拟合效果较好。模型拟合为 三）模型三 1.模型识别 选择1880-1985年全球气表平均温度做为序列，并对其进行一阶差分，在Eviews中做出时序图，如图1-1 图1- 1 由时序图可以看出，差分序列在均值0附近上下波动，序列平稳，可用来建立模型 2）自相关性检验 在Eviews中点击Correlogram，检验序列是否为白噪声序列，以及通过自相关、偏自相关图确定模型形式。 图1- 2 由上图可知，Q统计量对应的p值均小于0.05，拒绝序列不相关的假设，即序列不是白噪声，同时自相关图和偏自相