eviews非平稳时间序列建模

第1节 有关单位过程的极限分布

对单位根过程这种非平稳序列的分析，传统分析方法失效，需寻找新的处理方法。这些新的分析方法都是建立在维纳过程（布朗运动）和泛函中心极限定理之上的。

一、 维纳过程

维纳过程(Wiener Process)也称为布朗运动过程(Brownian Motion Process)，是现代时间序列经济计量分析中的基本概念之一。设W(t)是定义在闭区间[0，1]上一连续变化的随机过程，若该过程满足：

(a) W(0)=0；

(b) 对闭区间[0，1]上任意一组分割0?t1?t2???tk?1，W(t)的变化量：

W?t2??W?t1?,W?t3??W?t2?,?,W?tk??W?tk?1?

为相互独立的随机变量；

(c) 对任意0?s?t?1，有

W(t)?W(s)~N(0,t?s) (5.2.1)

则称W(t)为标准维纳过程（或标准布朗运动过程）。

从定义我们可以看出，标准维纳过程是一个具有正态独立增量的过程。由定义显然有：

W(t)?W(t)?W(0)~N(0,t) (5.2.2)

W(1)~N(0,1)

即标准维纳过程W(t)在任意时刻t服从正态分布。

Eviews在时间序列建模中的应用

一、工作文件的建立、保存和调用 （一）工作文件的建立

有两种方式创建工作文件，一是菜单方式，另一个是命令方式。 1 菜单方式

运行Eviews软件，在打开的主窗口中，进行如下操作：

File/new/workfile/在出现的对话框中对workfile structure type进行选择/Dated-regular frequency/OK

Workfile structure type选项区共有3种类型：

Unstructured/Undated（非结构/非日期）、Dated-regular frequency和Balanced Panel（平衡面板）。

其中默认的状态是Dated-regular frequency类型。

（1）Unstructured/Undated

此类数据的观测标识代码用整数表示，只需给出总的数据观测值个数，系统将自动从1开始依次为每个样本观测值分配整数型的标识代码。

（2）Dated-regular frequency

在默认状态Dated-regular frequency类型下，另一选项区Date specification（日期设定）中有8个选择，分别是Annual（年度

Eviews在时间序列建模中的应用

一、工作文件的建立、保存和调用 （一）工作文件的建立

有两种方式创建工作文件，一是菜单方式，另一个是命令方式。 1 菜单方式

运行Eviews软件，在打开的主窗口中，进行如下操作：

File/new/workfile/在出现的对话框中对workfile structure type进行选择/Dated-regular frequency/OK

Workfile structure type选项区共有3种类型：

Unstructured/Undated（非结构/非日期）、Dated-regular frequency和Balanced Panel（平衡面板）。

其中默认的状态是Dated-regular frequency类型。

（1）Unstructured/Undated

此类数据的观测标识代码用整数表示，只需给出总的数据观测值个数，系统将自动从1开始依次为每个样本观测值分配整数型的标识代码。

（2）Dated-regular frequency

在默认状态Dated-regular frequency类型下，另一选项区Date specification（日期设定）中有8个选择，分别是Annual（年度

Eviews在时间序列建模中的应用

一、工作文件的建立、保存和调用 （一）工作文件的建立

有两种方式创建工作文件，一是菜单方式，另一个是命令方式。 1 菜单方式

运行Eviews软件，在打开的主窗口中，进行如下操作：

File/new/workfile/在出现的对话框中对workfile structure type进行选择/Dated-regular frequency/OK

Workfile structure type选项区共有3种类型：

Unstructured/Undated（非结构/非日期）、Dated-regular frequency和Balanced Panel（平衡面板）。

其中默认的状态是Dated-regular frequency类型。

（1）Unstructured/Undated

此类数据的观测标识代码用整数表示，只需给出总的数据观测值个数，系统将自动从1开始依次为每个样本观测值分配整数型的标识代码。

（2）Dated-regular frequency

在默认状态Dated-regular frequency类型下，另一选项区Date specification（日期设定）中有8个选择，分别是Annual（年度

非平稳随机序列

习题3.1：某城市连续14年的月度婴儿出生率数据如下：（省略）

（1）选择适当的模型拟合该序列的发展

（2）使用该拟合模型预测下一年度该城市月度婴儿出生率

解：（1）首先分析一下该序列的平稳性，编写SAS程序如下：

data a;

input chusheng@@; month= _n_; cards; /*数据省略*/ ; run;

proc gplot;

plot chusheng*month;

symbol1 v=circle i=join c=red; proc arima data=a;

identify var=chusheng nlag=22; run;

得到原序列图如图：

1

从图中可以看到该序列有线性上升的趋势，不是平稳序列。通过一阶差分就可能实现趋势平稳。一阶差分要修改程序：

data a;

input chusheng@@; month= _n_;

dif1=dif(chusheng); dif1_12=dif12(dif1); cards; /*数据省略*/ ; run;

2

proc gplot;

plot chusheng*month; plot dif1_12*month;

symbol1 v

38. 非平稳时间序列的确定性分析

实际中大多数时间序列是非平稳的，对非平稳时间序列的分析方法主要有两类：确定性分析和随机性分析。

确定性分析——提取非平稳时间序列明显的规律性（长期趋势、季节性变化、周期性），目的是：①克服其它因素影响，单纯测度出单一确定因素对序列的影响；②推断各种确定性因素彼此之间相互作用关系及它们对序列的综合影响。

随机性分析——分析非平稳时间序列由随机因素导致的随机波动性。

（一）趋势分析

有的时间序列具有明显的长期趋势，趋势分析就是要找出并利用这种趋势对序列发展做出合理预测。

1. 趋势拟合法

即把时间作为自变量，相应的序列观察值作为因变量，建立序列值随时间变化的回归模型。分为线性拟合和非线性拟合。

2. 平滑法

利用修匀技术，消弱短期随机波动对序列的影响，使序列平滑化，从而显示出长期趋势变化的规律。

（1）移动平均、加权移动平均 已知序列值x1, …, xt-1, 预测xt的值为

xt?1?xt?2???xt?n?t? xn称为n期移动平均值，n的选取带有一定的经验性，n过长或过短，各有利弊，也可以根据均方误差来选取。

一般最新数据更能反映序列变化的趋势。因此，要突出新数据的作用，可采用加权移动平均法：

?tw?

应 用 时 间 序 列 分 析 实 验 报 告 实验名称 第五章 非平稳序列的随机分析 一、上机练习 5.8.1 拟合ARIMA模型 data example5_1; input x@@; difx=dif(x); t=_n_; cards; 1.05 -0.84 -1.42 0.20 2.81 6.72 5.40 4.38 5.52 4.46 2.89 -0.43 -4.86 -8.54 -11.54 -16.22 -19.41 -21.61 -22.51 -23.51 -24.49 -25.54 -24.06 -23.44 -23.41 -24.17 -21.58 -19.00 -14.14 -12.69 -9.48 -10.29 -9.88 -8.33 -4.67 -2.97 -2.91 -1.86 -1.91 -0.80 ; proc gplot; plot x*t; symbol v=star c=black i=join; run; 输出时序图显示这是一个典型的非平稳序列。如图（1）所示： 图（1） 考虑对该序列进行1阶差分运算，同时考察差分序列的平稳性，在原程序基础上添加相关

第六章 平稳时间序列模型

时间序列的分析研究始终是计量经济学和统计学的一个热点，对于制定精确定价和预测决策是至关重要的，近代计量经济学和金融市场的许多研究成果和市场决策理论愈来愈多是建立在时间序列分析的基础上。Engle和Grange因为他们的时间序列模型在经济金融中的广泛应用而获得2003年的诺贝尔经济学奖，就是时间序列分析方法的重要性在世界上被广泛认可的有力证明．近代计量经济和金融市场的许多研究成果都建立在时间序列分析的基础之上。传统应用较广的是Box和Jenkins（1970）提出的ARIMA（自回归求和移动平均）方法；Engle(1982)提出了ARCH模型（一阶自回归条件异方差），用以研究非线性金融时间序列模型，由此开创了金融时序独树一帜的研究思路和方法。随着时间序列分析理论和方法的发展，美国学者Schemas和Lebanon发现股票日收益序列与周收益序列中存在混沌现象，米尔斯也指出金融时间序列似乎通常可以用随机漫步来很好近似，非线性时间序列模型被广泛应用在金融时间序列分析中。就数学方法而言，平稳随机序列的统计分析，在理论上的发展比较成熟，从而构成时间序列分析的基础。因此，本章从基本的平稳时间序列讲起。

第一节 基本概念

一、

应用时间序列分析

实验手册

目 录

目 录 ......................................................................................................... 2 第二章 时间序列的预处理 ...................................................................... 3 一、平稳性检验 .................................................................................. 3 二、纯随机性检验 .............................................................................. 9 第三章 平稳时间序列建模实验教程 .................................................... 10 一、模型识别 ................................................

1、ARIMA模型 1.1 模型的适用条件与构建过程 1.2 EVIEWS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

时间序列建模分析 及EVIEWS应用

1、ARIMA模型 1.1 模型的适用条件与构建过程 1.2 EVIEWS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

目录1、ARIMA模型1.1 模型的适用条件与构建过程 1.2 EVIEWS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

1、ARIMA模型 1.1 模型的适用条件与构建过程 1.2 EVIEWS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

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