时间序列建模分析.pptVIP

模型适用性检验：模型ARIMA(2,2,(2))模型ARIMA(3,2,3)通过对模型的适用性检验，左侧拟合模型中的残差白噪声检验显示延迟6阶，12阶，18阶的残差序列属于白噪声序列，模型ARIMA(2,2,(2))显著有效，对序列适应性更强。因此，选用该模型作为最终拟合模型。第30页，共72页，星期日，2025年，2月5日模型预测结果：GNP平减指数时间序列模型为:第31页，共72页，星期日，2025年，2月5日拟合曲线对比：拟合曲线与原序列曲线十分接近，直观来看，拟合效果较好！第32页，共72页，星期日，2025年，2月5日预测值的比较原始值ARIMA(2,2,(2))ARIMA(3,2,3)212.87212.01211.69214.87215.51216.01215.89216.08214.91218.21217.32219.0693Q193Q293Q393Q4第33页，共72页，星期日，2025年，2月5日季节时间序列建模案例第34页，共72页，星期日，2025年，2月5日研究对象及目的对我国1990年1月至1997年12月工业总产值的月度资料（1990年为不变价格）共有96个观测值进行时间序列拟合，并对1998年工业总产值进行预测。第35页，共72页，星期日，2025年，2月5日1990年1月至1997年12月我国工业总产值单位：亿元第36页，共72页，星期日，2025年，2月5日数据预处理数据导入观察原始数据的自相关与偏自相关图观察原始数据的折线图对原始数据进行对数化对处理过的数据进行差分对季节进行差分第37页，共72页，星期日，2025年，2月5日第38页，共72页，星期日，2025年，2月5日第39页，共72页，星期日，2025年，2月5日时间序列特征分析第40页，共72页，星期日，2025年，2月5日第41页，共72页，星期日，2025年，2月5日时间序列特征分析第42页，共72页，星期日，2025年，2月5日第43页，共72页，星期日，2025年，2月5日时间序列特征分析一阶差分二阶差分第44页，共72页，星期日，2025年，2月5日第45页，共72页，星期日，2025年，2月5日时间序列特征分析第46页，共72页，星期日，2025年，2月5日序列自相关图和偏自相关图第47页，共72页，星期日，2025年，2月5日研究方法确定性时间序列分析随机性时间序列分析第48页，共72页，星期日，2025年，2月5日基本原理通常时间序列可分解为长期趋势变动，季节效应和不规则变动因素，如果将长期趋势变动和季节效应视为时间的确定性函数，而且时间数列经过长期趋势的提取和季节效应的分析，剩余不规则因素就应是零均值的白噪声序列。第49页，共72页，星期日，2025年，2月5日

计算季节指数，剔除季节因素

具体操作第50页，共72页，星期日，2025年，2月5日第51页，共72页，星期日，2025年，2月5日第1页，共72页，星期日，2025年，2月5日目录1、ARIMA模型1.1模型的适用条件与构建过程1.2EVIEWS操作简单说明1.3模型构建实例2、季节时间序列模型2.1确定性季节时间序列模型2.2随机性季节时间序列模型第2页，共72页，星期日，2025年，2月5日时间序列的预处理：拿到一个时间序列后，首先要对它的平稳性和纯随机性进行检验，这两个重要的检验称为序列的预处理。根据检验的结果可以将序列分为不同的类型，对不同类型的序列采取不同的分析方法。第3页，共72页，星期日，2025年，2月5日时间序列的基本类型：时间序列平稳时间序列非平稳时间序列平稳白噪声序列平稳非白噪声序列确定性时序分析随机性时序分析没有分析价值模型拟合（常用ARMA模型）长期趋势循环波动季节性变化平稳性检验纯随机性检验随机波动ARIMA模型残差自回归模型条件异方差模型第4页，共72页，星期日，2025年，2月5日平稳性检验方法：图检验方法 构造检验统计量时序图检验自相关图检验主观色彩较强单位根检验平稳非平稳有明显趋势或周期性，则为非平稳随着延迟期数增加，自相关系数会很快衰减向零反之，自相关系数衰减向零的速度较慢第5页，共72页，星期日，2025年，2月5日纯随机性检验方法：对Q统计量修正若P值非常小（0.05）则