方程法剔除确定性趋势后的ARMA模型建模

实验四 方程法剔除确定性趋势后的ARMA模型建模

一、实验目的

掌握根据数据的变化形态，找到合适的方法提取确定性趋势；学会验证数据的平稳性；学会根据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，学会利用最小二乘法等方法对ARMA模型进行估计，学会利用信息准则对估计的ARMA模型进行诊断，以及掌握利用ARMA模型进行预测。掌握在实证研究中如何运用Eviews软件进行ARMA模型的识别、诊断、估计和预测和相关具体操作。

二、基本概念

确定性趋势就是时间序列在一个比较长的时期内，受某种或某几种确定性因素影响而表

现出的某种持续上升或持续下降的趋势。可以通过适当的数学模型很好地拟合这种趋势。

AR模型：AR模型也称为自回归模型。它的预测方式是通过过去的观测值和现在的干扰值的线性组合预测, 自回归模型的数学公式为:

yt??1yt?1??2yt?2???pyt?p??t

式中: p为自回归模型的阶数,?i（i=1,2, ?,p）为模型的待定系数,?t为误差, yt为一个平稳时间序列。

MA模型：MA模型也称为滑动平均模型。它的预测方式是通过

过去的干扰值和现在的干扰值的线性组合预测。滑动平均模型的数学公式为:

yt??t??1?t?1??2?t?2???q?t?q

式中: q为模型的阶数； ?j（j=1,2,?,q）为模型的待定系数；?t为误差； yt为平稳时间序列。

ARMA模型：自回归模型和滑动平均模型的组合, 便构成了用于描述平稳随机过程的自回归滑动平均模型ARMA, 数学公式为:

yt??1yt?1??2yt?2?

??pyt?p??t??1?t?1??2?t?2???q?t?q

三、实验内容及要求

1、实验内容：

（1）根据时序图的形状，采用相应的数学模型拟合趋势；

（2）对剔除趋势后的序列，判断其平稳性，进而运用经典B-J方法对剔除了确定性趋势后的1978~2006年国内石油消费量序列cx建立合适的ARMA（p,q）模型，并能够利用此模型进行2007年石油需求的预测。 2、实验要求：

（1）深刻理解确定性趋势和残差平稳性的要求以及ARMA模型的建模思想；

（2）如何通过观察自相关，偏自相关系数及其图形，利用最小二乘法，以及信息准则建立合适的ARMA模型；如何利用ARMA模型进行预测； （3）熟练掌握相关Eviews操作，读懂模型参数估计结果。

四、实验指导 1、模型识别

（1）数据录入

打开Eviews软件，选择“File”菜单中的“New--Workfile”选项，在“Workfile structure type”栏选择“Dated –regular frequency”，在“Date specification”栏中分别选择“Annual”(年数据) ，分别在起始年输入1978，终止年输入2006，点击ok，见图4-1，这样就建立了一个工作文件。点击File/Import，找到相应的Excel数据集，导入即可。

图4-1 建立工作文件窗口

（2） 时序图判断平稳性

双击序列cx，点击View/Graph/line，见图4-2，就可绘制时序图见图4-3：

图4-2 360003200028000240002000016000120008000788082848688909294969800020406CX 图4-3 cx时序图

从时序图看出序列呈现上升趋势，显然不平稳。

（3）用数学模型提取趋势

通常做法是通过差分比如一阶差分，二阶差分甚至更高阶差分来消除趋势，但差分会丢失原始数据的信息，这里考虑对原始数据直接处理。因为是年度数据，无需考虑季节因素，因为数据在上升的过程中，曲线的斜率越来越大，可以考虑关于时间的二次曲线来拟合。因此第一步，建立时间序列t，以1978年为 1，1979年为时间2，依次类推，得到时间序列t。 在主窗口命令栏里输入ls cx c t t^2，见图4-4，即是做二次曲线，曲线拟合的结果见图4-5：

图4-4

图4-5 二次曲线拟合图

从图4-5可以看出来，R2高达0.992，各参数也是高度显著的，现在来看残差，命名残差resid为xt，残差检验是平稳的，可以对其建立ARMA模型。

（4）利用自相关系数和偏自相关系数判断ARMA模型的p和q

双击残差序列xt，点击view/correlogram，出现图4-6的对话框，选择对残差序列xt本身做相关图，且选择默认滞后阶数12，点击ok，出现图4-7，xt的自相关系数和偏自相关系数，从图上能够明显看出，自相关系数一阶截尾，偏自相关系数一阶截尾，初步认定p和q 都是一阶，考虑建立ARMA(1,1)模型。

图4-6

图4-7 残差序列xt的自相关系数和偏自相关系数

2、ARMA模型的参数估计 根据上面的模型识别，初步建立ARMA(1,1)模型，在主窗口命令栏里输入ls xt ar(1) ma(1)，

并按回车，得到图4-8的参数估计结果，可以看出当p和q都取1时，两个系数都不显著，ma(1)的系数尤其不显著，因此去掉ma(1)项，在主窗口命令栏输入ls xt ar(1)，得到图4-9的AR(1)参数估计结果。

图4-8 ARMA(1,1)模型估计结果

图4-9 AR(1)模型估计结果

3、模型的诊断

从上面估计的ARMA(1,1)和AR(1)模型的结果来看，AR(1)模型的AIC值和SC值都小于ARMA(1,1)模型的AIC值和SC值，我们确定AR(1)模型要更优。来看AR(1)模型的残差相关图4-10，直到第7阶的p值都相当大，说明残差已经平稳，那么对提取过确定性趋势的残差所拟合的AR(1)模型是适合的。

图4-10 模型残差的相关图

综上，我们通过两步得到了1978~2006年国内石油消费量序列cx的ARMA模型如下（括号内为t值），模型拟合很好，见图4-11：

cx?9532.04?394.165 t?42.612t2?xt (21.39) (-5.76) (19.25)xt?0.482xt?1??t （2.74）2000100003000200010000-1000-20008082848688909294969800020406ResidualActualFitted-1000-2000

图4-11 模型拟合图 4、模型的预测

原来建立的工作文件样本期为1978年到2006年，我们现在要预测2007年的石油消费量，首先扩展样本期，在主菜单命令栏三里输入expand 1978 2008，此时数据就数据序列就包含了2007和2008的样本。在方程结果输入窗口工具栏中点击“Forecast”，会弹出如图4

－12所示的窗口。此时样本期就从1978到2008了，。在Eviews中有两种预测方式：“Dynamic”和“Static”，前者是根据所选择的一定的估计区间，进行多步向前预测；后者是只滚动的进行向前一步预测，即每预测一次，用真实值代替预测值，加入到估计区间，再进行向前一步预测。点击Static forecast，“Forecast sample”中输入1978 2008，此时就是进行静态预测，预测结果保存在xtf的对象中，预测图见4-13。

图4-12 3000Forecast: XTFActual: XTForecast sample: 1978 2008Adjusted sample: 1979 2007Included observations: 28Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion 634.7909431.1370151.01620.6028580.0009650.3641600.634875200010000-1000-2000-30008082848688909294969800020406XTF 图4-13 剔除趋势后的AR模型预测图 现在我们将原始序列和经过模型预测出来的序列进行对比，见图4-14，进一步说明模型拟合较好。我们得到2007预测值为451.84，进而可以带入方程

cx?9532.04?394.165 t?42.612t2?xt中，相应的t取30就可得到2007年的石油消费预测

量为36509.73万吨。

200010000-1000-2000198019851990XTF1995XT20002005 图4-14

本文来源：https://www.bwwdw.com/article/2ppo.html