案例四 我国金融机构储蓄存款余额序列的特征观察.docVIP

案例四 我国金融机构储蓄存款余额序列的特征观察 在本案例中，我们利用我国金融机构1992年1月到2007年12月储蓄存款余额数据（参见数据集/随机时间序列的特征观察数据/我国金融机构储蓄存款余额月度数据.xls，单位：亿元），介绍随机时间序列特征的观察方法。 1. 创建Eviews工作文件（Workfile） 从Eviews主选单中选File/New/Workfile 选择Monthly选项，输入Start date：1992:01 End date：2007:12，方法如案例一介绍。 2. 录入数据，并对序列进行初步分析 在workfile窗口中选Objects/New Object，新建一个序列对象，命名为cxck，用来保存储蓄存款余额数据，并将数据导入。该序列的折线图如图4—1。 图4—1 储蓄存款余额序列的折线图 从图4—1我们可以看到，储蓄存款余额序列有明显的上升趋势，但没有明显的波动和季节因素。 3. 序列特征的观察 （1）原序列的相关分析图观察 打开cxck序列，在序列窗口下选中View/Correlogram，如图4—2。 图4—2 观察储蓄存款余额序列相关分析图 点击后出现如图4—3的对话框。其中，默认level表示不做差分，1st difference表示做一次差分，2nd difference表示做二次差分。这里我们观察原序列的相关分析图，选择level。Lags to include，为定义计算自相关系数的最大滞后阶数K，这里我们取15。 图4—3相关分析图对话框 点击OK后，得到如图4—4的结果。该图左半部分为序列的自相关和偏自相关系数图，虚线为5%显著性水平下的置信带，右半部分的五列数值分别为：滞后期K、自相关系数、偏自相关系数、Q统计量和相伴概率。可以看出，储蓄存款余额原序列的自相关系数随着K增加缓慢下降，但一直到15期也没有落入置信区间，说明该序列非平稳。 同时很难看出季节性成分。 图4—4 储蓄存款余额原序列相关分析图 （2）差分序列的相关分析图观察 为了确定储蓄存款余额序列是否为一个齐次非平稳序列。如果是，需要差分多少次才能平稳。我们观察差分序列的相关分析图。 观察一次差分序列相关分析图。如图4—3中，我们选择1st difference。同时为了观察是否有季节特征，自相关系数的最大滞后阶数K，我们取36。得到的结果如图4—5。 图4—5 储蓄存款余额一次差分序列相关分析图 可以看出一次差分后的序列虽然近似平稳，但样本自相关系数，在k=12，24，36有明显的峰值，这充分反映出季节性。从图4—1和图4—4中，我们很难发现序列的季节特征，这主要是由于原序列的强趋势性掩盖了季节性。可见，相关分析图是我们分析序列特征的一个非常有用的工具。 （3）剔除季节成分后的相关分析图观察 由于季节成分的存在，可能会使我们对储蓄存款余额序列的分析存在偏差，因此我们利用季节调整手段剔除季节成后，再观察序列。这里我们用移动平均加法模型对序列进行季节调整，方法同案例三，得到的序列命名为cxcksa。 观察储蓄存款余额季节调整后序列（cxcksa）相关分析图。如图4—3中，我们选择level。最大滞后阶数K，我们取15。得到的结果如图4—6。可以看出，储蓄存款余额季节调整后序列的自相关系数随着K增加缓慢下降，但一直到15期也没有落入置信区间，说明还是非平稳序列。 图4—6 储蓄存款余额季节调整后序列相关分析图 （4）季节调整后差分序列的相关分析图观察 观察季节调整后序列（cxcksa）的一次差分序列相关分析图。如图4—3中，选择1st difference。最大滞后阶数K，我们还取15。得到的结果如图4—7。可以看出cxcksa的一次差分序列还是不平稳。 图4—7 cxcksa的一次差分序列相关分析图 我们再来观察季节调整后序列（cxcksa）的二次差分序列相关分析图。如图4—3中，选择2nd difference。这次为了观察是否还存在季节成分，自相关系数的最大滞后阶数K，我们取36。得到的结果如图4—8。 图4—8 cxcksa的二次差分序列相关分析图 从图4—8我们可以看出，cxcksa的二次差分序列的自相关系数迅速下降为0（从第二期开始），并且在k=12，24，36处，样本自相关系数与0没有显著区别。可以判断季节调整后的二次差分序列是一个没有季节成分的平稳序列。 图4—9是cxcksa的二次差分序列折线图，图形也支持上述结论。 图4—8 cxcksa的二次差分序列折线图 4.小结 我们在实际中遇到的时间序列很少是平稳序列。但是大部分经济、金融和商业数据是齐次非平稳序列。相关分析图可以确定一个序列是否平稳或确定一个齐次非平稳序列需要差分多少次才能平稳。同时，相关分析图可以识别季