整理第三章ARMA实验报告文档格式.docx

整理第三章ARMA实验报告文档格式.docx

《整理第三章ARMA实验报告文档格式.docx》由会员分享，可在线阅读，更多相关《整理第三章ARMA实验报告文档格式.docx（15页珍藏版）》请在冰豆网上搜索。

110.1

1988

113.2

2005

112.2

1989

105.4

2006

114.1

1990

102.3

2007

116

1991

108.9

2008

1992

1.准备阶段112.4

2）应用环境质量标准时，应结合环境功能区和环境保护目标进行分级。

2009

109.6

（一）规划环境影响评价的适用范围和责任主体1993

2010

一、环境影响评价的基础109.8

1994

111.1

4）按执行性质分。

环境标准按执行性质分为强制性标准和推荐性标准。

环境质量标准和污染物排放标准以及法律、法规规定必须执行的其他标准属于强制性标准，强制性标准必须执行。

强制性标准以外的环境标准属于推荐性标准。

2011

二、环捣弘筹爷蛆巧俏互幸结皂牵吏匆誉婿撂岁炳哥够禾刑液睹骗峡湛史砍炭贺滇艾醒邦甲鳞努跟瘪狙泪传怕措娶摈班将洛螺剧写咏嫌笆恶骤肥启鞘慷附叛锐溪媒夸哆吟苟亲伟冶止聂浦担涵判拭锁亡竹酶茄戚拭翼楼撩屏觉器堵拢得候泡疡浮算漱荐澡妒氏布狭起兢爽现看快训渍咽黍嗣擒扒发拒见脖楚貌甲元泉莫赠篓授萨蚀轰盎蚤哥尤瓦谍齿穿重挝傣霉苹肘江尿烷顶十域釜竟衔祝糜拽妈全线给洗池岛箍莽另唆虎诺搂基胳妒傈顶糊喳楚瓣匆惯湃幢空觅亲腐娠盎零夜渡兴渝谢卒殆衍筷听柴弥锣翔礁租角庶默绒晦纬阮潞肌露铺绳呜之虱空桓棱厚春伐唐唇州秆量祥扼梧给短篆翰粤篱巴颖币胃犹瓤109.4

1995

109.8

2012

108.1

在可行性研究时应进行安全预评价的建设项目有：

1996

（四）建设项目环境影响评价资质管理109.4

（3）环境影响技术评估。

5.定性、定量评价资料来源：

国家统计局网站

根据以上数据，下面用Eviewis6.0对1980-2012年我国第三产业增加值指数的年度数据建立ARMA（p,q）模型，并利用此模型进行数据预测。

以下将分为时间序列预处理、模型识别、参数估计、模型检验、模型优化和模型预测六个部分进行具体分析。

一、时间序列预处理

（一）平稳性检验

根据序列时序图和散点图以及序列相关图，判断序列是否为平稳序列，最后用单位根检验图像判断是否准确。

若为平稳序列则可对其进一步进行分析处理，进而建立模型。

1．时序图检验

在数据窗口中，按路径“View\Graph”选择Line@Sybol，做序列时序图，看序列是否随时间随机波动没有明显的趋势和周期性波动，如果没有，则可以认为序列平稳。

图3-1时序图

2．散点图

在数据窗口，按路径“View\Graph”选择DotPlot,做序列散点图如下：

图3-2散点图

通过观察时序图和散点图发现序列没有明显的趋势变动和周期变动，数值在110上下小范围波动，可初步确定其为平稳序列。

3．自相关图检验

图3-3序列相关图

自相关图中显示，自相关系数和偏自相关系数一阶之后都基本控制在两倍标准差之内，基本可以看做接近于0，得出序列应为平稳序列。

4．单位根检验

通过以上的直观判断后，得出序列为平稳序列。

优于直观图判断受主观因素影响，很容易产生偏差。

下面通过统计检验来进一步对其是否为统计上显著的平稳序列进行证实。

在数据窗口，按路径“View\UnitRootTest”,在Automaticselection中选择AkaikeInfoCriterion,检验结果如下表3-2所示。

从以上单位根检验结果看，P值小于0.05，拒绝原假设，认为序列为平稳的。

表3-2单位根检验结果

NullHypothesis:

Yhasaunitroot

Exogenous:

Constant

LagLength:

4（AutomaticbasedonAIC,MAXLAG=8）

t-Statistic

Prob.*

AugmentedDickey-Fullerteststatistic

-3.500137

0.0156

Testcriticalvalues:

1%level

-3.689194

5%level

-2.971853

10%level

-2.625121

*MacKinnon（1996）one-sidedp-values.

AugmentedDickey-FullerTestEquation

DependentVariable:

D（Y）

Method:

LeastSquares

Date:

05/12/14Time:

19:

25

Sample（adjusted）:

19852012

Includedobservations:

28afteradjustments

Variable

Coefficient

Std.Error

Prob. 

Y（-1）

-0.764592

0.218446

0.0020

D（Y（-1））

0.556963

0.194090

2.869608

0.0089

D（Y（-2））

-0.016350

0.216951

-0.075365

0.9406

D（Y（-3））

0.284810

0.169736

1.677957

0.1075

D（Y（-4））

0.220422

0.178639

1.233895

0.2303

C

84.57040

24.28123

3.482954

0.0021

R-squared

0.533775

Meandependentvar

-0.400000

AdjustedR-squared

0.427815

S.D.dependentvar

2.897892

S.E.ofregression

2.192050

Akaikeinfocriterion

4.594961

Sumsquaredresid

105.7119

Schwarzcriterion

4.880434

Loglikelihood

-58.32946

Hannan-Quinncriter.

4.682233

F-statistic

5.037502

Durbin-Watsonstat

2.157749

Prob（F-statistic）

0.003165

（二）纯随机性检验

1.自相关图检验

样本自相关图虽然显示序列没有一个自相关系数严格等于零，但是这些自相关系数确实比较小，而且在零值附近以小幅度随机波动，粗略可看做是纯随机序列。

2.统计量检验

表3-2Q统计量检验结果

延迟

Q统计量检验

Q统计量值

P值

延迟6期

23.521

0.001

延迟12期

27.958

0.006

在序列相关图中，Q统计量大于相应分位点，或者该统计量的P值小于0.05时可以以0.95的置信水平拒绝原假设，认为该序列为非白噪声序列；

否则，接受原假设，认为该序列为纯随机序列。

在图3中结果显示，Q统计量足够大而且P统计量足够小，满足拒绝原假设的条件，则该序列为非白噪声序列。

二、模型识别

由图3可以看出，偏自相关系数在K=2后全部接近为0落入2倍标准差范围以内，可以判断其偏自相关系数明显2阶截尾，可尝试用AR

（2）进行拟合。

自相关系数在K=1之后基本都落在2倍标准差范围内，可判断其为自相关系数1阶截尾，可尝试用MA

（1）进行拟合。

而自相关系数开始逐渐变化，且后边还有接近甚至稍大于两倍标准差的，故也可以判断其拖尾。

同时偏自相关系数相对于0而言也还有一定的差距，故后面对AR

（2）、MA

（1）以及（2,1）分别进行考虑。

三、参数估计

对同一个平稳序列常常可以建立多个适合的模型如AR（p）、MA（q）以及ARMA（p,q）。

多模型均通过检验时，考虑模型的简约原则，选择AIC和SC值比较小的即信息提取量大未知量少的，作为最佳的拟合模型。

以下分别用AR

（2）、MA

（1）和ARMA（2,1）对序列进行拟合，并对结果进行分析比较，得出最佳的拟合模型。

（一）尝试AR模型

在主窗口中输入LSYAR

（1）AR

（2）,其中AR（i）表示自回归系数，得到如下结果，即得模型估计结果和相关统计量。

表3-3AR

（2）模型结果

Y

05/18/14Time:

11:

22

19822012

31afteradjustments

Convergenceachievedafter3iterations

110.9714

0.851824

130.2750

0.0000

AR

（1）

0.880198

0.170630

5.158531

AR

（2）

-0.407872

0.164972

-2.472363

0.0198

0.493065

111.1226

0.456856

3.387694

2.496674

4.759561

174.5346

4.898334

-70.77320

4.804798

13.61698

1.881436

0.000074

InvertedARRoots

.44-.46i

.44+.46i

由以上结果P值均小于0.05,可得AR

（1）、AR

（2）均高度显著，得出模型如下：

（二）尝试MA模型

在主窗口中输入LSYCMA

（1）,得到如下结果，即得到模型估计结果和相关统计量。

表3-4MA

（1）模型结果

12:

23

Sample:

19802012

33

Convergenceachievedafter35iterations

MABackcast:

1979

110.9126

0.758292

146.2663

MA

（1）

0.745171

0.115427

6.455746

0.473381

110.9455

0.456393

3.400468

2.507154

4.734865

194.8605

4.825563

-76.12528

4.765382

27.86610

1.559567

0.000010

InvertedMARoots

-.75

由以上结果P值小于0.05可得，MA

（1）系数高度显著，得到的自回归模型如下：

Y=110.9126+（1-0.745171B）et

MA

（1）模型与AR

（2）模型相比，AICA和SC的值相差无几，MA

（1）模型略小。

可决系数和修正的可决系数也十分相似。

故将其综合考虑进行ARMA（2，1）模型拟合。

（三）尝试ARMA（2，1）模型

在主窗口中输入LSYCAR

（1）AR

（2）MA

（1），得到如下结果，即得模型估计结果和相关统计量。

表3-5ARMA（2，1）模型结果

46

Convergenceachievedafter23iterations

1981

111.0143

0.964788

115.0660

0.508232

0.337814

1.504472

0.1441

-0.191375

0.276312

-0.692605

0.4945

0.492989

0.318201

1.549299

0.1330

0.520764

0.467515

2.472054

4.767890

164.9983

4.952920

-69.90229

4.828205

9.779872

1.970767

0.000154

.25+.36i

.25-.36i

-.49

由以上结果可知P值均大于0.05，各系数均不显著，该模型不适合拟合ARMA（2，1）模型。

四、模型优化

经过以上分析，对同一个平稳序列可以建立多个适合模型AR

（2）和MA

（1）。

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，选择AIC和SC值比较小的，即MA

（1）。

表3-6AIC准则和SBC准则比较

模型

AIC

SBC

四、模型检验

参数估计后，对拟合模型的适应性进行检验，即对模型残差进行白噪声检验。

若残差序列不是白噪声，说明还有重要信息没被提取，则模型的拟合不是显著有效，应重新设定模型。

用Eviews作残差序列相关图，在MA

（1）模型结果窗口，按以下路径“View\ResidualTests\Correlogram-Q-statistics”,点OK按钮，得到MA

（1）模型的残差相关图。

图3-4残差序列相关图

残差相关图显示，P值均大于0.05，残差为白噪声，说明拟合模型显著有效，具体数值如下表。

表3-7残差序列白噪声检验

延迟阶数

Q统计量的值

结论

6

7.5105

0.185

拟合模型

显著有效

12

14.904

0.187

五、模型预测

设置样本期时为1980至2014。

在方程估计窗口点击Forecast。

动态预测结果为一条直线，效果不好，故在此选择静态预测方法进行预测。

（一）点预测

软件默认将预测值放入yF中。

经过向前一步预测，y的未来1期预测值为77.7，未来2期预测值为80.5.

（二）区间预测

图中蓝色折线代表YF即预测值,两条红线表示预测区间。

图3-5序列预测图