时间序列上机操作.docx

时间序列上机操作.docx

《时间序列上机操作.docx》由会员分享，可在线阅读，更多相关《时间序列上机操作.docx（24页珍藏版）》请在冰豆网上搜索。

时间序列上机操作

第一讲：

基本的eviews操作（包括试验一和实验二）

实验一EVIEWS中时间序列相关函数操作

【实验目的】熟悉Eviews的操作：

菜单方式，命令方式；练习并掌握与时间序列分析相关的函数操作。

【实验内容】

一、EViews软件的常用菜单方式和命令方式；

二、各种常用差分函数表达式；

三、时间序列的自相关和偏自相关图与函数；

【实验步骤】

一、EViews软件的常用菜单方式和命令方式；

㈠创建工作文件

1•菜单方式

启动EViews软件之后，进入EViews主窗口

在主菜单上依次点击File/New/Workfile，即选择新建对象的类型为工作文件，将弹出一个对话框，由用户选择数据的时间频率（frequency）、起始期和终止期。

选择时间频率为Annual（年度），再分别点击起始期栏（Startdate）和终止期栏（Enddate），输入相应的日期，然后点击0K按钮，将在EViews软件的主显示窗口显示相应的工作文件窗口。

工作文件窗口是EViews的子窗口，工作文件一开始其中就包含了两个对象，一个是系数向量C（保存估计系数用），另一个是残差序列RESID（实际值与拟合值之差）。

2.命令方式

在EViews软件的命令窗口中直接键入CREATED令，也可以建立工作文件。

命令格式为：

CREATE时间频率类型起始期终止期则菜单方式过程可写为：

CREATEA19851998

㈡输入丫、X的数据

1DATA命令方式

在EViews软件的命令窗口键入DATA命令，命令格式为：

DATA<序列名1><序列名2>・・<序列名n>

本例中可在命令窗口键入如下命令：

DATA丫X

2鼠标图形界面方式

在EViews软件主窗口或工作文件窗口点击Objects/NewObject，对象类型选择Series，并给定序列名，一次只能创建一个新序列。

再从工作文件目录中选取并双击所创建的新序列就可以展示该对象，选择Edit＋/－，进入编辑状态，输入数据。

㈢生成log（Y、log（X）、XA2>1/X、时间变量T等序列在命令窗口中依次键入以下命令即可：

GENRLOGY=LOG（Y）

GENRLOGX=LOG（X）

GENRX1=XA2

GENRX2=1/X

GENRT=@TREND（84）

㈣选择若干变量构成数组，在数组中增加变量。

在工作文件窗口中单击所要选择的变量，按住Ctrl键不放，继续用鼠标选择要展示的变量，选择完以后，单击鼠标右键，在弹出的快捷菜单中点击Open/asGroup，则会弹出数组窗口，其中变量从左至右按在工作文件窗口中选择变量的顺序来排列。

在数组窗口点击Edit＋/－，进入全屏幕编辑状态，选择一个空列，点击标题栏，在编辑窗口输入变量名，再点击屏幕任意位置，即可增加一个新变量

增加变量后，即可输入数据。

点击要删除的变量列的标题栏，在编辑窗口输入新变量名，再点击屏幕任意位置，弹出RENAM对话框，点击YES按钮即可。

㈤在工作文件窗口中删除、更名变量。

1•在工作文件窗口中选取所要删除或更名的变量并单击鼠标右键，在弹出的

快捷菜单中选择Delete（删除、或Rename（更名）即可

2•在工作文件窗口中选取所要删除或更名的变量，点击工作文件窗口菜单栏中的Objects/Deleteselected•••（Renameselected…），即可删除（更名、变量

3•在工作文件窗口中选取所要删除的变量，点击工作文件窗口菜单栏中的Delete按钮即可删除变量。

三、图形分析与描述统计分析

㈠利用PLOT命令绘制趋势图在命令窗口中键入：

PLOTY也可以利用PLOT命令将多个变量的变化趋势描绘在同一张图中，例如键入以下命令，可以观察变量丫、X的变化趋势

PLOTYX

㈡利用SCAT命令绘制X、丫的散点图

在命令窗口中键入：

SCATX丫

则可以初步观察变量之间的相关程度与相关类型

、各种常用差分函数表达式

表1-1:

1949年1月---I960年12月数据

1949

年

1950

年

1951

年

1952

年

1953

年

1954

年

1955

年

1956

年

1957

年

1958

年

1959

年

1960

年

1

112

115

145

171

196

204

242

284

315

340

360

417

2

118

126

150

180

196

188

233

277

301

318

342

391

3

132

141

178

193

236

235

267

317

356

362

406

419

4

129

135

163

181

235

227

269

313

348

348

396

461

5

121

125

172

183

229

234

270

318

355

363

420

472

6

135

149

178

218

243

264

315

374

422

435

472

535

7

148

170

199

230

264

302

364

413

465

491

548

622

8

148

170

199

242

272

293

347

405

467

505

559

606

9

136

158

184

209

237

259

312

355

404

404

463

508

10

119

133

162

191

211

229

274

306

347

359

407

461

11

104

114

146

172

180

203

237

271

305

310

362

390

12

118

140

166

194

201

229

278

306

306

337

405

432

（一）利用D（x）命令系列对时间序列进行差分（x为表1-1中的数据）。

1、在命令窗口中键入：

genrdx=D（x）

则生成的新序列为序列x的一阶差分序列

2、在命令窗口中键入：

genrdxn=D（x,n）

则生成的新序列为序列x的n阶差分。

3、在命令窗口中键入：

genrdxs=D（x,O,s）

则生成的新序列为序列x的对周期长度为s一阶季节差分。

4、在命令窗口中键入：

genrdxsn=D（x,n,s）

则生成的新序列为对周期长度为s的时间序列x取一阶季节差分后的序列再取n阶差分。

5、在命令窗口中键入：

genrdlx=Dlog（x）

则生成的新序列为x取自然对数后，再取一阶差分。

6、在命令窗口中键入：

genrdlxsn=Dlog（x,n,s）

则生成的新序列为周期长度为s的时间序列x先取自然对数，再取一阶季节差分，然后再对序列取n阶差分。

在EVIEWS^操作的图形分别为：

100

495051525354555657585960

|—DX2

80

60

40

20

0

-20

495051525354555657585960

DX12

60

40

20

0

-20

-40

0.2

0.1

495051525354555657585960

——DX121

0.15

0.10

0.05

0.00

-0.05

-0.10

-0.15

0.3

495051

525354555657585960

0.0_-0.1--0.2_-0.3_

、时间序列的自相关和偏自相关图与函数；

（一）观察时间序列的自相关图。

命令方式：

（1）在命令行输入命令：

Identx（x为序列名称）；2）然后在出现的对话框中输入滞后时期数。

（可取默认数）

菜单方式：

（1）双击序列图标。

菜单操作方式：

View—>Correlogram，在出现的对话框中输入滞后数。

（可取默认数）

，偏自相

（二）练习：

观察一些文件中的序列自相关函数Autocorrelation关函数Partialautocorrelation的特征

实验二时间序列平稳性和随机性检验

1.平稳性检验（分别通过时序图和自相关图检验）：

见教材例2.1.例2.2.例2.3.例2.1（数据附录1.2）

例2.2（数据附录1.3）

例2.3（数据附录1.4）

2.白噪声检验（分别通过自相关图和Q统计量的p值来进行检验）

见课本例2.5（数据附录1.5）.

习题2.2

1•时序图:

342^

197519761977197819791980

2•计算自相关系数:

Sample:

1975:

011900:

12

Includedobservations72

AutocorrelationPartialCorrelation

ACPACQ-StatProb

11

1

1

>

<

1二

1

1

■

1

11

1

1

■I

1

>■

i

1

1i

1

i

1

0160

0.160

1.9128

0.1E7

2

0.449

0.435

17.271

0.000

3-0244-0.440

21.075

0000

4

0109

0068

22.801

0000

5-0.4S3-0.330

41.343

0.000

6-0042^0.021

41487|

0000

7

-0504-0218

62.297

ooo

8

0.026

-0.007

62.352

0.000

9-0296-0.030

69.764

0000

10

0.298

0.129

77.387

0.000

11

0.093

0.268

78.141

0.000

12

0803

0669

135.43

0000

13

0.131

-0.268

136.97

0.000

14

0.346

-0.519

147.94

0000

15-0186

0313

151.19

0000

16

0.053-0.108

151.46

0.000

17-0373

0.169

164.97

0000

18-00B4

0016

165.57

0000

第二讲：

ARMA模型的建立、识别、估计、检验、预测

【实验目的】熟悉对零均值平稳序列建立ARM模型的前三个阶段：

模型识别、模型参数估计、诊断检验。

（1）根据时间序列自相关图对零均值平稳序列进行初步的模型识别。

（2）运用Eviews软件估计ARMAg型参数。

对所建立的模型是否为适应性模型进行诊断检验。

【实验内容】

模型识别

根据零均值平稳化后的序列的自相关函数和偏自相关函数表现出的特征，对

序列进行初步的模型识别（注：

这种方法并不总是有效）。

模型参数估计

Eviews建立ARMAS型的命令用到ARMASARSMA等参数项。

其中SAR

SMA两参数在建立季节性时间序列模型时要用到。

例如：

对一个零均值的平稳序列x建立ARMA（2,1）模型，

（1）命令操作方式为：

Isxar⑴ar⑵ma

（1）

（2）菜单操作方式：

Quick---Estimateequation,输入：

xar

（1）ar⑵ma⑴,OK

以上述操作方式建模时，Eviews自动采用非线性最小二乘法估计模型参数。

模型的诊断检验：

1.判断模型是否为适应性模型

判断模型是否为序列的适应性模型，主要根据模型残差是否为白噪声来判

断，若残差是白噪声，则可认为此模型是序列的适应性模型，否则，不是。

Eviews操作：

在模型窗口，View----Residualtests----Correlogram——Qstatistics

根据输出的残差的Q统计量判断残差是否为白噪声序列。

2.模型中各项的取舍

若建立的模型为适应性模型，还要看输出项中各变量是否显著（通过输出结果中的t统计量值及相应的P值），对不显著的项，要剔除，然后重新建模。

3.模型的选择（定阶）

对于同一个序列来说，可能有多个适应性模型，要从这多个适应性模型中选择，通常根据多个模型输出项中的赤池信息准则（AIC，Akaikeinfocriterion）和施瓦茨准则（SBC,SchwartzBayescriterion）进行比较，一般认为这两个统

计量值越小的模型越好。

4•模型平稳性和可逆性的判断

判断模型是适应性模型后，还应判断模型是否平稳和可逆，判断方法如下。

模型输出结果最下方输出的两项，ARinvertedroot（如果有的话）和MA

invertedroot（如果有的话），其含义分别为：

invertedARroot:

为模型自回归AR部分所对应的差分方程的特征方程的特征根。

若特征根的绝对值都小于1,则说明模型是平稳的；若其中有大于或等于1的，说明模型非平稳；若有等于1或很接近于1的，说明原序列为单位根过程，需要先对序列进行差分平稳化变换（有几个单位根，作几阶差分变换），然后建模。

invertedMAroot:

为模型移动平均MA部分所对应的差分方程的特征方程的特征根。

若特征根绝对值都小于1,则说明模型是可逆的；若有大于或等于1

的，说明模型不可逆；若有等于1或很接近于1的，则很有可能在数据处理过程中，对原序列过度差分了，这时需要减少对序列差分的阶数，再重新建模。

例3.13等时间间隔，连续读取70个某次化学反应的过程。

数据见附录1.8

1.模型识别

根据零均值平稳化后的序列的自相关函数和偏自相关函数表现出的特征，对

序列进行初步的模型识别（注：

这种方法并不总是有效）。

1）.时序图

90

2）.自相关图和偏自相关图

Sample:

170

Includedobservations:

70

ACPAGQ-StatProb

AutocorrelationPartialCorrelation

11J030.001

17.9700.000

20032DODO

204140000

21.1440.001

213190002

21.4190.003

21.5720.006

21.5740.010

21.5920.017

22.6240.020

230350027

24.9720.023

250880034

250920049

27.0050.033

290640034

291030047

1-0390-0390

20.3040,180

3-01660002

40071-0044

5-0.097-0.068

6-0047^0121

700350020

0-0.0430.005

9-0.005-0066

100.0140.004

110.1100.143

12-0069-0009

130.1480.092

1400360.167

15-0007-0001

160.1730.221

17-0,1110053

180020-0105

自相关图显示，p<0・05,所以该序列非白噪声。

2•模型估计

根据自相关图可知，自相关图2阶截尾。

所以选择MA

（2）模型

1）MA

（2）模型估计（OLS估计）

估计结果：

DependentVariable:

X

Method:

LeastSquares

Date:

11/23/12Time:

11:

27

Sample:

170

Includedobservations:

70

Convergeneeachievedafter7iterations

Backcast:

-10

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

51.16381

1.289980

39.66249

0.0000

MA

（1）

-0.323107

0.121043

-2.669354

0.0095

MA

（2）

0.313320

0.121452

2.579782

0.0121

R-squared

0.181611

Meandependentvar

51.12857

AdjustedR-squared

0.157182

S.D.dependentvar

11.90898

S.E.ofregression

10.93305

Akaikeinfocriterion

7.663370

Sumsquaredresid

8008.621

Schwarzcriterion

7.759734

Loglikelihood

-265.2180

F-statistic

7.434104

Durbin-Watsonstat

1.974944

Prob（F-statistic）

0.001214

InvertedMARoots

.16-.54i

.16+.54i

模型检验，残差白噪声检验：

View-——Residualtests-——

Correlogram

Eviews操作：

在模型窗口,——Qstatistics

Print|

IName

Freez-e

Sample

iGenr1Sheet

ViewProcsObiec"|

CoiieloghirnofRESID

Date：

111/23/12Time:

11:

31

Sample:

170

Includedobservations:

70

ACPACQ-StatProb

AutoccrrelationPartialCorrelation

1

-0.034-0034

0.0642

0772

2

0.023

0.022

0.1233

lJ.'.MJ

3

-0130

-0129

1.3919

0.707

4

-0.010

-0019

13999

0.84J

5

■0.086

-0.083

1.9E88

0.853

6

-0.064

-0.088

2.2885

0891

1

0.048

0042

24736

0.929

8

■0.059-0.079

2,7558

0.949

9

-□.047

-0.078

2.9369

0.967

10

0.086

0089

3.5519

D965

11

0.099

0.079

4.3816

0957

12

0033

-0.048

4.4749

0.973

13

0.089

0109

5.1814

D971

14

0057

0.076

54763

0978

15

0.093

0.106

6.2711

0.975

16

0.179

0269

9.2669

0902

17

■0102

-0074

10.254

0993

ie

-0.073

-0.047

10.767

0.904

p>0.05，所以残差为白噪声序列，所以模型拟合显著有效

参数显著性检验，通过估计结果图，可看到p<0.05,所以参数均显著。

2）AR

（1）估计

根据偏自相关图可知，自相关图1阶截尾。

所以选择AR

（1）模型

估计结果

DependentVariable:

X

Method:

LeastSquares

Date:

11/23/12Time:

11:

35

Sample（adjusted）:

270

Includedobservations:

69afteradjustingendpoints

Convergeneeachievedafter3iterations

Variable

Coeffieient

Std.Error

t-Statistic

Prob.

C

51.29213

0.931844

55.04368

0.0000

AR

（1）

-0.424903

0.116343

-3.652167

0.0005

R-squared

0.166027

Meandependentvar

51.18841

AdjustedR-squared

0.153580

S.D.dependentvar

11.98562

S.E.ofregression

11.02691

Akaikeinfoeriterion

7.667111

Sumsquaredresid

8146.708

Schwarzeriterion

7.731868

Loglikelihood

Durbin-Watsonstat

-262.5153

1.738796

F-statistic

Prob（F-statistic）

13.33832

0.000511

Correlogram

MA

（2）模型的,

InvertedARRoots-.42

估计结果：

Xt=51.2921-0.4249xt-1

模型检验

残差白噪声检验：

残差白噪声检验：

Eviews操作：

在模型窗口，View----Residualtests----——Qstatistics

CoiielouiainofResiduals

Date:

11/29/12Time:

20:

04

Sample:

270

Includedobservations:

69

Q*statisticprobabilltleBadjustedfor1ARMAfermfs）

AutocorrelationPartialCorrelationACPACQ-StatProb

1

11

1

g|

10.0780.07304397

1

□1

1

ni

20.1430.1381.93760.164

11

1

1【

1