时间序列上机实验-ARIMA模型的建立(季节乘积模型)

实验一 ARIMA 模型建立与应用一、实验项目： ARIMA 模型建立与预测。

二、实验目的1、准确掌握 ARIMA （p,d,q ） 模型各种形式和基本原理；2、熟练识别 ARIMA （p,d,q ） 模型中的阶数 p,d,q 的方法；3、学会建立及检验 ARIMA （p,d,q ） 模型的方法；4、熟练掌握运用 ARIMA （p,d,q ） 模型对样本序列进行拟合和预测； 三、预备知识（一）模型1、AR （p ）（p 阶自回归模型）xt 1x t 1 2 xt 2p x t p ut其中u t 白噪声序列，3是常数（表示序列数据没有 0均值化）AR （p ）等价于（1 丄 2L 2丄p ）X tu tAR （p ）的特征方程是：（L ） 1 丄 2L 2pL pAR （p ）平稳的充要条件是特征根都在单位圆之外。

2、MA （ q ）（ q 阶移动平均模型）Xtut 1u t 1 2ut 2q ut qX t （1 1L 2L 2qL q）u t（L ）u t其中｛u t ｝是白噪声过程。

MA （ q ）平稳性MA （q ）是由u t 本身和q 个u t 的滞后项加权平均构造出来的，因此它是平 稳的。

MA （q ）可逆性（用自回归序列表示 u t ）u t ［ （L ）］ 1X t可逆条件：即［（L ）］ 1收敛的条件。

即3（ L ）每个特征根绝对值大于1,即 全部特征根在单位圆之外。

3、ARMA （p , q ）（自回归移动平均过程）(L)X t (L)u tARMA （p , q ）平稳性的条件是方程◎（ 条件是方程3（ L ） =0 的根全部在单位圆外。

Xt 1Xt 12 Xt 2p Xtput 1ut 12ut 2q ut2(L)X t (11L 2L 2pL p)X t(11L 2L 2qL q)u t(L)u tL ） =0 的根都在单位圆外；可逆性4、ARIMA (p , d , q )(单整自回归移动平均模型) 差分算子： x t x t x t 1 x t Lx t (1 L)x t2 2X tX t X t 1 (1 L)X t (1 L)X t 1 (1 L) X tddX t (1 L) X t对d 阶单整序列Xt~I(d)w tdX t (1 L)dX t则wt 是平稳序列，于是可对 wt 建立ARMA (p , q )模型，所得到的模型 称为Xt~ARIMA ( p ，d ，q )，模型形式是Wt 1Wt1 2 Wt2 p WtpUt 1Ut 12Ut 2q Ut q(L) dX t(L)u t由此可转化为ARMA 模型。

实验一ARMA模型建模一、实验目的学会检验序列平稳性、随机性。

学会分析时序图与自相关图。

学会利用最小二乘法等方法对ARMA模型进行估计，以及掌握利用ARMA模型进行预测的方法。

学会运用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、基本概念宽平稳：序列的统计性质不随时间发生改变，只与时间间隔有关。

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：乂2『t2 川p y t 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：y t t 1 t 1 2 t 2 川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：y t 1 y t 1 2 y t 2 p y t p t 1 t 1 2 t 2 q t q三、实验内容（1）通过时序图判断序列平稳性；（2）根据相关图，初步确定移动平均阶数q 和自回归阶数p；（3）对时间序列进行建模四、实验要求学会通过各种手段检验序列的平稳性；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。

五、实验步骤1．模型识别（1）绘制时序图在Eviews 软件中,建立一个新的工作文件, 500个数据。

通过Eviews 生成随机序列“ e，再根据“ x=*x（-1）*x（-2）+e ”生成AR（2）模型序列“ x” 默认x（1）=1, x（2）=2,得到下列数据，由于篇幅有限。

39. 时间序列分析Ⅱ——ARIMA 模型随着对时间序列分析方法的深入研究，人们发现非平稳序列的确定性因素分解方法（如季节模型、趋势模型、移动平均、指数平滑等）只能提取显著的确定性信息，对随机性信息浪费严重，同时也无法对确定性因素之间的关系进行分析。

而非平稳序列随机分析的发展就是为了弥补确定性因素分解方法的不足。

时间序列数据分析的第一步都是要通过有效手段提取序列中所蕴藏的确定性信息。

Box 和Jenkins 使用大量的案例分析证明差分方法是一种非常简便有效的确定性信息的提取方法。

而Gramer 分解定理则在理论上保证了适当阶数的差分一定可以充分提取确定性信息。

（一）ARMA 模型即自回归移动平均移动模型，是最常用的拟合平稳时间序列的模型，分为三类：AR 模型、MA 模型和ARMA 模型。

一、AR(p )模型——p 阶自回归模型 1. 模型：011t t p t p t x x x φφφε--=+++其中，0p φ≠，随机干扰序列εt 为0均值、2εσ方差的白噪声序列（()0t s E εε=, t ≠s ），且当期的干扰与过去的序列值无关，即E(x t εt )=0.由于是平稳序列，可推得均值011pφμφφ=---. 若00φ=，称为中心化的AR (p )模型，对于非中心化的平稳时间序列，可以令01(1)p φμφφ=---，*t t x x μ=-转化为中心化。

记B 为延迟算子，1()p p p B I B B φφΦ=---称为p 阶自回归多项式，则AR (p )模型可表示为：()p t t B x εΦ=.2. 格林函数用来描述系统记忆扰动程度的函数，反映了影响效应衰减的快慢程度（回到平衡位置的速度），G j 表示扰动εt -j 对系统现在行为影响的权数。

例如，AR(1)模型（一阶非齐次差分方程），1, 0,1,2,j j G j φ==模型解为0t j t j j x G ε∞-==∑.3. 模型的方差对于AR(1)模型，2221()()1t jt j j Var x G Var εσεφ∞-===-∑. 4. 模型的自协方差对中心化的平稳模型，可推得自协方差函数的递推公式：用格林函数显示表示：200()()i j t j t k j j kj i j j k G G E GG γεεσ∞∞∞---+=====∑∑∑对于AR(1)模型，21121()(0)1k k k εσγφγφφ==- 5. 模型的自相关函数 递推公式：对于AR(1)模型，11()(0)k k k ρφρφ==.平稳AR(p )模型的自相关函数有两个显著的性质： （1）拖尾性指自相关函数ρ(k)始终有非零取值，不会在k 大于某个常数之后就恒等于零；（2）负指数衰减随着时间的推移，自相关函数ρ(k)会迅速衰减，且以负指数k iλ（其中i λ为自相关函数差分方程的特征根）的速度在减小。

arima乘法模型ARIMA乘法模型是一种常用的时间序列预测模型，可以用于预测各种一维时间序列数据的趋势和季节性。

本文将介绍ARIMA乘法模型的概念、建模步骤和应用。

一、概念ARIMA乘法模型是指自回归移动平均模型（ARIMA）在对季节成分的建模过程中采用乘以季节分量（seasonal component）的方式进行求解，也就是说，ARIMA乘法模型能够捕捉时间序列数据的周期性和趋势性。

二、建模步骤1. 数据预处理首先需要对数据进行预处理。

主要包括数据清洗、异常值处理、缺失值处理以及数据平稳处理。

2. 确定模型阶数ARIMA模型是以自相关图和偏自相关图为基础的。

通过观察ACF 和PACF，可以确定ARIMA模型的阶数。

其中自相关图可以用来判断模型中的MA项，偏自相关图可以用来判断模型中的AR项。

如果自相关图和偏自相关图均呈现出阶跃函数状，则说明数据存有季节性成分，需要加入季节性成分。

3. 建立ARIMA乘法模型建立ARIMA乘法模型需要考虑到趋势、季节性和周期性因素。

在时间序列建模中，需要选择匹配上述三种因素的模型。

4. 模型评估评估建立的ARIMA乘法模型的拟合程度。

评估方法包括均方根误差（RMSE）和平均绝对误差（MAE），以及建立模型中的参数是否显著等。

5. 模型预测根据建立的ARIMA乘法模型对时间序列数据进行预测。

三、应用ARIMA乘法模型被广泛用于各行各业的时间序列预测中。

例如，教育行业可以利用ARIMA乘法模型预测学生人数、课程数等；金融行业可以利用ARIMA乘法模型预测股票价格、汇率等；制造业可以利用ARIMA乘法模型预测销售量、库存等。

总之，ARIMA乘法模型是一种强大的时间序列预测模型，能够较准确地预测时间序列数据的趋势和季节性，为各行各业提供了有力的决策支持。

2.8 季节时间序列模型在某些时间序列中，存在明显的周期性变化。

这种周期是由于季节性变化（包括季度、月度、周度等变化）或其他一些固有因素引起的。

这类序列称为季节性序列。

比如一个地区的气温值序列（每隔一小时取一个观测值）中除了含有以天为周期的变化，还含有以年为周期的变化。

在经济领域中，季节性序列更是随处可见。

如季度时间序列、月度时间序列、周度时间序列等。

处理季节性时间序列只用以上介绍的方法是不够的。

描述这类序列的模型之一是季节时间序列模型(seasonal ARIMA model)，用SARIMA表示。

较早文献也称其为乘积季节模型（multiplicative seasonal model）。

设季节性序列（月度、季度、周度等序列都包括其中）的变化周期为s，即时间间隔为s的观测值有相似之处。

首先用季节差分的方法消除周期性变化。

季节差分算子定义为，∆s = 1- L s若季节性时间序列用y t表示，则一次季节差分表示为∆s y t = (1- L s) y t = y t- y t - s对于非平稳季节性时间序列，有时需要进行D次季节差分之后才能转换为平稳的序列。

在此基础上可以建立关于周期为s的P阶自回归Q阶移动平均季节时间序列模型（注意P、Q 等于2时，滞后算子应为(L s)2 = L2s。

A P (L s) ∆s D y t =B Q(L s) u t(2.60)对于上述模型，相当于假定u t是平稳的、非自相关的。

当u t非平稳且存在ARMA成分时，则可以把u t描述为Φp (L)∆d u t = Θq (L) v t(2.61)其中v t为白噪声过程，p, q分别表示非季节自回归、移动平均算子的最大阶数，d表示u t的一阶（非季节）差分次数。

由上式得u t = Φp-1(L)∆-dΘq (L) v t(2.62)把(2.62) 式代入(2.60) 式，于是得到季节时间序列模型的一般表达式。

Φp(L) A P(L s) (∆d∆s D y t) = Θq(L) B Q(L s) v t(2.63)其中下标P, Q, p, q分别表示季节与非季节自回归、移动平均算子的最大滞后阶数，d, D分别表示非季节和季节性差分次数。

实验二 ARIMA 模型的建立一、实验目的熟悉ARIMA 模型，掌握利用ARIMA 模型建模过程，学会利用自相关系数和偏自相关系数对ARIMA 模型进行识别，利用最小二乘法等方法对ARIMA 模型进行估计，利用信息准则对估计的ARIMA 模型进行诊断，以及学会利用ARIMA 模型进行预测。

掌握在实证研究如何运用Eviews 软件进行ARIMA 模型的识别、诊断、估计和预测。

二、基本概念ARIMA 模型，即将非平稳时间序列转化为平稳时间序列，然后将平稳的时间序列建立ARMA 模型。

ARIMA 模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA ）、自回归过程（AR ）、自回归移动平均过程（ARMA ）以及ARIMA 过程。

在ARIMA 模型的识别过程中，主要用到两个工具：自相关函数ACF ，偏自相关函数PACF 以及它们各自的相关图。

对于一个序列{}t X 而言，它的第j 阶自相关系数j ρ为它的j 阶自协方差除以方差，即j ρ＝j 0γ ，它是关于滞后期j 的函数，因此我们也称之为自相关函数，通常记ACF(j )。

偏自相关函数PACF(j )度量了消除中间滞后项影响后两滞后变量之间的相关关系。

三、实验内容（1）根据时序图的形状，采用相应的方法把非平稳序列平稳化；（2）对经过平稳化后的2000年1月到2011年10月美国的失业率数据建立ARIMA （,,p d q ）模型，并利用此模型进行失业率的预测。

四、实验要求：了解ARIMA 模型的特点和建模过程，了解AR ，MA 和ARIMA 模型三者之间的区别与联系，掌握如何利用自相关系数和偏自相关系数对ARIMA 模型进行识别，利用最小二乘法等方法对ARIMA 模型进行估计，利用信息准则对估计的ARIMA 模型进行诊断，以及如何利用ARIMA 模型进行预测。

五、实验步骤（1） 输入原始数据打开Eviews 软件，选择“File ”菜单中的“New--Workfile ”选项，在“Workfile structure type ”栏中选择“Dated-regular frequency ”，在“Frequency ”栏中选择“Monthly ”，分别在起始月输入1991.01，终止月输入2010.12，点击ok ，见图1。

第三章 季节时间序列模型在某些时间序列中, 存在明显的周期性变化。

这种周期是由于季节性变化（包括季度、月度、周度等变化）或其他一些固有因素引起的。

这类序列称为季节性序列。

在经济领域中, 季节性序列更是随处可见。

如季度时间序列、月度时间序列、周度时间序列等。

处理季节性时间序列只用以上介绍的方法是不够的。

描述这类序列的模型之一是季节时间序列模型(seasonal ARIMA model), 用SARIMA 表示。

较早文献也称其为乘积季节模型（multiplicative seasonal model ）。

3.1 季节时间序列模型的建立设季节性序列（月度、季度、周度等序列都包括其中）的变化周期为s, 则通常时间间隔为s 的观测值之间存着一定的相关关系。

1.季节差分: 消除季节单位根与非季节时间序列模型一样, 当存在季节单位根时, 即季节性时间序列yt= yt – s + ut, 则首先用季节差分的方法消除季节单位根，即yt - yt – s.季节差分算子定义为， ∆s = 1- L s 也称为s 阶差分, 则对yt 进行一次季节差分表示为∆s y t = (1- L s ) y t = y t - y t - s若非平稳季节性时间序列存在D 个季节单位根, 则需要进行D 次季节差分之后才能转换为平稳的序列。

即∆s D y t = (1- L s ) D y t2.季节自回归算子与移动平均算子: 描述季节相关性类比一般的时间序列模型, 序列xt=(s Dyt 中含有季节自相关和移动平均成份意味着,1221221t t s t s P t Ps t t s t s t Qs x x x x u u u u αααβββ------=++++++++即∆s D y t 可以建立关于周期为s 的P 阶自回归Q 阶移动平均季节时间序列模型。

A P (L s ) ∆s D y t =B Q (L s ) u t (2.60)其中(P (Ls)=(1-(1 Ls-(2 L2s-(P LPs)称为季节自回归算子; (Q (Ls) =(1+(1Ls+(2 L2s+(Q LPs)称为季节移动平均算子（注意季节自回归项和季节移动平均项的表示方法, 例如P 、Q 等于2时, 滞后算子应为(Ls)1 = Ls, (Ls)2 = L2s ）。