时间序列分析论文.docx

时间序列分析论文.docx

《时间序列分析论文.docx》由会员分享，可在线阅读，更多相关《时间序列分析论文.docx（15页珍藏版）》请在冰豆网上搜索。

时间序列分析论文

时间序列分析

——国内生产总值

班级：

*********

姓名：

***

学号：

********

ARMA模型建模与预测

一、实验目的

通过各种方法检验关于“国内生产总值”时间序列数据的平稳性，若是非平稳的数据，要对数据进行一系列的处理使之变成平稳数据，然后根据数据的自相关系数和偏自相关系数来初步判断ARMA模型的阶数p和q，并利用最小二乘法等方法对ARMA模型进行多次尝试与估计，利用信息准则对估计的ARMA模型进行诊断，找到对“国内生产总值”数据模拟效果最好的模型，最后利用ARMA模型进行预测

二、实验内容

（1）根据时序图判断序列的平稳性并进行处理。

（2）观察相关图，初步识别移动平均阶数q和自回归阶数p。

（3）对1978-1999年的“国内生产总值”数据建立合适的ARMA（

）模型，并利用此模型进行短期预测。

三、实验过程

1、模型识别

（1）数据录入

年份

国内生产

年份

国内生产

年份

国内生产

年份

国内生产

总值

总值

总值

总值

1978

3624.1

1985

8964.4

1992

26638.1

1999

81910.9

1979

4038.2

1986

10202.2

1993

34634.4

1980

4517.8

1987

11962.5

1994

46759.4

1981

4862.4

1988

14928.3

1995

58478.1

1982

5294.7

1989

16909.2

1996

67884.6

1983

5934.5

1990

18547.9

1997

74462.6

1984

7171

1991

21617.8

1998

78345.2

（2）绘制序列时序图，结果如图1-1所示，可以明显看出1978-1999年的“国内生产总值”的数据是不平稳的，并且呈指数形式变化，因此需对该数据进行平稳性处理。

图1-1

a.首先进行对数处理，生成一个新的数据ly，使得ly=log（y），再次绘制时序图如图1-2所示：

可以明显看出此时的数据仍然是不平稳的，并且大概呈直线形式变化，因此还需对该数据进行一阶差分。

图1-2

b.对数据进行一阶差分处理，生成一个新的数据dly，使得dly=ly-ly（-1），再次绘制时序图如图1-3所示：

可以明显看出此时的数据大致可以认为是平稳的，但这个判断比较粗糙，需要用统计方法进一步验证，因此继续对其进行一系列的检验。

图1-3

（3）绘制序列相关图

我们对进行平稳性处理之后的数据序列做相关图，在滞后阶数中选择12，得到的相关图如图1-4所示。

从相关图看出，自相关系数迅速衰减为0，说明序列平稳，并且最后一列白噪声检验的Q统计量和相应的伴随概率P值表明序列存在相关性，因此序列为平稳非白噪声序列。

我们可以对序列采用经典时间序列方法进行建模研究。

图1-4

（4）ADF检验序列的平稳性

通过时序图和相关图可以判断出处理后的序列是平稳的，我们通过统计检验来进一步证实，选择对常数项，不带趋势的模型进行检验，出现图1-5的检验结果，由P值=0.044知，拒绝序列存在一个单位根的原假设，所以处理后的序列是平稳的。

（5）模型定阶

由图1-4看出，偏自相关系数在k=2后很快趋于0即1阶截尾，尝试拟合AR

（2）；自相关系数在k=1处显著不为0，可以考虑拟合MA

（1）；同时可以考虑ARMA（2，1）模型等。

对处理后的序列做描述统计分析见图1-6，可见序列均值为0.148477，接近0，因此直接对处理后的平稳序列做建模分析。

2、模型参数估计

（1）尝试AR模型。

经过模型识别所确定的阶数，可以初步建立AR

（1），估计方法选择最小二乘估计（LS），得到的结果如图2-1所示：

DependentVariable:

DLY

Method:

LeastSquares

Date:

12/19/14Time:

14:

32

Sample（adjusted）:

19801999

Includedobservations:

20afteradjustments

Convergenceachievedafter3iterations

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

0.142673

0.042578

3.350875

0.0036

AR

（1）

0.710604

0.183288

3.876987

0.0011

R-squared

0.455058

    Meandependentvar

0.150492

AdjustedR-squared

0.424783

    S.D.dependentvar

0.071677

S.E.ofregression

0.054362

    Akaikeinfocriterion

-2.891674

Sumsquaredresid

0.053194

    Schwarzcriterion

-2.792100

Loglikelihood

30.91674

    Hannan-Quinncriter.

-2.872236

F-statistic

15.03103

    Durbin-Watsonstat

1.357721

Prob（F-statistic）

0.001105

InvertedARRoots

      .71

图2-1

模型估计结果和相关诊断统计量见图2-1。

DependentVariable:

Y

Method:

LeastSquares

Date:

12/19/14Time:

18:

51

Sample（adjusted）:

19801999

Includedobservations:

20afteradjustments

Convergenceachievedafter6iterations

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

-15761.59

13504.16

-1.167165

0.2584

AR

（2）

1.200080

0.061521

19.50686

0.0000

R-squared

0.954833

    Meandependentvar

30001.30

AdjustedR-squared

0.952323

    S.D.dependentvar

27453.76

S.E.ofregression

5994.527

    Akaikeinfocriterion

20.32972

Sumsquaredresid

6.47E+08

    Schwarzcriterion

20.42929

Loglikelihood

-201.2972

    Hannan-Quinncriter.

20.34916

F-statistic

380.5175

    Durbin-Watsonstat

0.361726

Prob（F-statistic）

0.000000

InvertedARRoots

      1.10

         -1.10

EstimatedARprocessisnonstationary

图2-2

由图2-2可知，常数项p值为0.2584>0.1，所以拒绝原假设，AR

（2）模型未通过检验

把dly记作Y，则得到的自回归模如下:

（2）尝试MA

（1）模型。

结果如图2-3，由P值可知ma

（1）系数是显著的。

如图2-3所示，建立移动平均模型如下：

DependentVariable:

DLY

Method:

LeastSquares

Date:

12/19/14Time:

19:

02

Sample（adjusted）:

19791999

Includedobservations:

21afteradjustments

Convergenceachievedafter10iterations

MABackcast:

1978

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

0.147590

0.019140

7.711065

0.0000

MA

（1）

0.928930

0.037017

25.09463

0.0000

R-squared

0.605731

    Meandependentvar

0.148477

AdjustedR-squared

0.584980

    S.D.dependentvar

0.070469

S.E.ofregression

0.045397

    Akaikeinfocriterion

-3.256329

Sumsquaredresid

0.039158

    Schwarzcriterion

-3.156851

Loglikelihood

36.19146

    Hannan-Quinncriter.

-3.234740

F-statistic

29.19050

    Durbin-Watsonstat

1.120545

Prob（F-statistic）

0.000033

InvertedMARoots

     -.93

图2-3

（3）尝试ARMA模型。

由模型定阶发现，p可能等于1或2，q可能等于1，根据各种组合来选择最优模型，首先选择ARMA（1，1），得到的参数估计结果见图2-4：

DependentVariable:

DLY

Method:

LeastSquares

Date:

12/19/14Time:

19:

04

Sample（adjusted）:

19801999

Includedobservations:

20afteradjustments

Convergenceachievedafter10iterations

MABackcast:

1979

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

0.140601

0.034921

4.026275

0.0009

AR

（1）

0.456452

0.230860

1.977185

0.0645

MA

（1）

0.925956

0.049320

18.77459

0.0000

R-squared

0.669717

    Meandependentvar

0.150492

AdjustedR-squared

0.630861

    S.D.dependentvar

0.071677

S.E.ofregression

0.043548

    Akaikeinfocriterion

-3.292405

Sumsquaredresid

0.032240

    Schwarzcriterion

-3.143045

Loglikelihood

35.92405

    Hannan-Quinncriter.

-3.263248

F-statistic

17.23554

    Durbin-Watsonstat

1.818405

Prob（F-statistic）

0.000081

InvertedARRoots

      .46

InvertedMARoots

     -.93

图2-4

DependentVariable:

DLY

Method:

LeastSquares

Date:

12/19/14Time:

19:

05

Sample（adjusted）:

19811999

Includedobservations:

19afteradjustments

Convergenceachievedafter7iterations

MABackcast:

1980

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

0.150866

0.023432

6.438338

0.0000

AR

（2）

0.083642

0.267699

0.312446

0.7587

MA

（1）

0.928330

0.044134

21.03418

0.0000

R-squared

0.612813

    Meandependentvar

0.152506

AdjustedR-squared

0.564414

    S.D.dependentvar

0.073057

S.E.ofregression

0.048217

    Akaikeinfocriterion

-3.082278

Sumsquaredresid

0.037198

    Schwarzcriterion

-2.933156

Loglikelihood

32.28164

    Hannan-Quinncriter.

-3.057040

F-statistic

12.66183

    Durbin-Watsonstat

1.213918

Prob（F-statistic）

0.000505

InvertedARRoots

      .29

         -.29

InvertedMARoots

     -.93

图2-5

由以上两表可以看出，均有不显著的值，说明模型并不适合拟合ARMA（2，1）和ARMA（1,1）模型。

综上可知，我们可以对同一个平稳序列建立多个适合模型，AIC、SC准则都是选择模型的重要标准，在做比较时，希望这两个指标越小越好，最后比较AIC和SC的值，以及综合考虑其他检验统计量，并且考虑模型的简约原则，把MA

（1）模型作为较优选择。

3、模型检验

参数估计后，对模型残差序列进行白噪声检验。

若残差序列不是白噪声，说明还有一些重要信息没被提取，应重新设定模型。

在残差显示，残差为白噪声，也显示拟合模型有效，模型拟合图见图3-1：

4、模型预测

国内生产总值，首先需要扩展样本期至2001，然后在MA

（1）的方程估计窗口点击Forecast，选择动态预测，结果如图4-1所示：

预测值存放在DLYF序列中，此时我们可以观察原序列dly和dlyf之间的动态关系，如图4-2，动态预测值几乎是一条直线，说明动态预测效果很不好。

进行静态预测，见图4-3，预测值仍然存放在dlyf中，做dly和dlyf图4-4，可以看出静态预测效果不错。

经过向前2步预测，dly的未来2期预测值分别为0.089412和0.147590，考虑生产总值对原数据进行的对数与差分处理，就可以得出未来2期的国民生产总值分别为89572.174和103817.518