基于EVIEWS实现AMMA模型.pptVIP

MATLAB、SAS、SPSS与EVIEWS SPSS：社会科学统计软件包 主要应用于统计领域，优势在于可 处理横截面积数据. EVIEWS ：计量经济学软件包 在处理时间序列分析问题时较方便. 横截面数据 经济计量学专用名词。 横截面数据是在同一时间，不同统计单位相同统计指标组成的数据列。 与时序数据相比较，其区别在于数据的排列标准不同，时序数据是按时间顺序排列的，横截面数据是按照统计单位排列的。 ARMA模型 借助时间序列的随机特性来描述事物的发展变化规律，即运用时间序列的过去值、当期值以及滞后随机扰动项的加权来建立模型，从而解释并预测时间序列的变化发展规律. 模型使用的前提—— 分析的时间序列是平稳的时间序列 对于非平稳 的时间序列需要差分至平稳 ARMA（p,d,q）模型 AR（p）自回归模型 依赖于序列滞后项的加权之和与一个随机扰动项 MA（q）移动平均模型 完全由随机扰动项的当前值和滞后项的加权之和确定 ARMA（p,q）自回归移动平均模型 序列滞后项和随机扰动项的当期以及滞后项的线性函数 ARMA （p,d,q）模型的识别 参数d的识别 对于分析的原序列进行单位根检验， 若有单位根，则对其差分后序列进行判断 如果d阶差分后序列为平稳的，则称序列为 d阶单整序列，对这个差分后序列建立模型. 如果d阶差分无平稳序列或为对研究无意义 的平稳序列，则对序列无法建立模型. ARMA （p,d,q）模型的识别 参数q的识别 借助自相关函数ACF对q进行判断. MA（q）过程ACF值在q期后为零. ARMA （p,d,q）模型的识别 参数p的识别 借助偏自相关函数PACF对p进行判断. AR（p）过程PACF值在滞后p期后为零. ARMA（p,d,q）模型的估计 数据准备 序列平稳性检验 ARMA（p,d,q）模型的识别 ARMA（p,d,q）模型的建立 比较ARMA（p,d,q）模型的优劣 数据准备 以2000年1月至2009年11月中国货币供应量为例 分析中国货币供应量的时间序列. 序列平稳性检验 自相关图示检验 ARMA（p,d,q）模型的识别 参数d的识别 d=1 参数p的识别 p=3或4 参数q的识别 自相关系数拖尾 q=0 ARMA（3,1,0）模型的建立 生产新序列 建立ARMA（3,1,0）模型 对模型进行残差序列相关性检验 生产新序列 生产新序列 对模型进行残差序列相关性检验 ARMA（4,1,0）模型的建立 生产新序列 建立ARMA（4,1,0）模型 对模型进行残差序列相关性检验 比较ARMA（3,1,0）模型和 ARMA（4,1,0）的优劣 估计结果 单位根检验 新序列生产方程 由m2序列一次差分后生成dm2的新序列 回归模型方程 回归方法选择 方程各项解释变量回归系数 回归结果评价重要指标 方程中各项系数的显著性 序列相关显著性 不相关 19.2870 19.16631 0.32135 ARMA （4,1,0） 相关 19.2767 19.18074 0.30554 ARMA （3,1,0） 残差序列相关 SC AIC 调整R2 模型 越大越好 越小越好 基于EVIEWS实现AMMA模型 时间序列平稳性检验方法 自相关函数检验 单位根检验 自相关函数检验 理论部分（一） 自相关函数 的定义式： 自相关函数检验 理论部分（二） 模型的： 随机游走模型： 自相关函数检验 理论部分（三） 模型的 表达式： 随机游走模型的 表达式： 较小时，则 的 值随着 的 增加而迅速减小，从而反推序列的平稳性. 当 的绝对值较大接近1时，则不易区分序列的平稳性. 看柱状图是否随着滞后阶数的增加而快速地下降为0：是则平稳，不是则非平稳 自相关函数检验 检验步骤 1）文件窗口打开M2序列 2）绘制自相关图 3）根据图示判断序列的平稳性 生产序列的自相关函数图 原序列 原序列的一阶差分序列 原序列的二阶差分序列 需要观察的 自相关函数的期数 单位根检验 检验时间序列是否有单位根，称为单位根检验，若有单位根则时间序列为非平稳序列. 单位根 检验方法 最常用 序列形式选择 原序列的单位根检验 原序列的一阶差分