当前位置：文档之家 › 实验三 SPSS 多元时间序列分析方法

实验三 SPSS 多元时间序列分析方法

  • 格式：doc
  • 大小：554.00 KB
  • 文档页数：19

实验三多元时间序列分析方法1.实验目的了解协整理论及协整检验方法；掌握协整的两种检验方法：E-G两步法与Johansen方法；熟悉向量自回归模型VAR的应用；掌握误差修正模型ECM的含义及检验方法；掌握Granger因果关系检验方法。

2.实验仪器装有EViews7.0软件的微机一台。

3.实验内容【例6-2】时间与M2之间的关系首先用单位根检验是否为平稳序列。

原假设为H0：非平稳序列H1：平稳序列。

用Eviews软件解决该问题，得到如下结果：Null Hypothesis: M2 has a unit rootExogenous: NoneLag Length: 3 (Automatic - based on SIC, maxlag=13)t-Statistic Prob.* Augmented Dickey-Fuller test statistic 5.681169 1.0000Test criticalvalues: 1% level -2.5790525% level -1.94276810% level -1.615423*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test Equation Dependent Variable: D(M2)Method: Least SquaresDate: 04/16/13 Time: 10:36Sample (adjusted): 1991M05 2005M01 Included observations: 165 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.M2(-1) 0.013514 0.002379 5.681169 0.0000 D(M2(-1)) -0.490280 0.074458 -6.584611 0.0000 D(M2(-2)) 0.070618 0.083790 0.842797 0.4006 D(M2(-3)) 0.387086 0.073788 5.245935 0.0000R-squared 0.480147 Mean dependentvar 1440.037AdjustedR-squared 0.470461 S.D. dependent var 1509.489S.E. of regression 1098.447 Akaike info criterion 16.86513Sum squared resid 1.94E+08 Schwarz criterion 16.94042Log likelihood -1387.373 Hannan-Quinncriter. 16.89569Durbin-Watsonstat 1.965242从上图我们可以看出t-statistic的值是5.681169，大于临界值，p>a，故不能拒绝被检验的指数序列是非平稳的原假设。

因此一阶差分序列进行ADF检验，结果如下图显示。

Null Hypothesis: D(M2) has a unit rootExogenous: NoneLag Length: 8 (Automatic - based on SIC, maxlag=13)t-Statistic Prob.* Augmented Dickey-Fuller test statistic 0.988183 0.9143Test criticalvalues: 1% level -2.5795875% level -1.94284310% level -1.615376*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test Equation Dependent Variable: D(M2,2)Method: Least SquaresDate: 04/16/13 Time: 10:37Sample (adjusted): 1991M11 2005M01 Included observations: 159 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.D(M2(-1)) 0.053616 0.054257 0.988183 0.3247 D(M2(-1),2) -1.526069 0.096352 -15.83852 0.0000 D(M2(-2),2) -1.519649 0.149134 -10.18981 0.0000 D(M2(-3),2) -1.225623 0.184003 -6.660869 0.0000 D(M2(-4),2) -1.237445 0.196285 -6.304319 0.0000 D(M2(-5),2) -0.972024 0.197161 -4.930093 0.0000 D(M2(-6),2) -0.810098 0.185290 -4.372060 0.0000 D(M2(-7),2) -0.605069 0.144997 -4.172983 0.0001 D(M2(-8),2) -0.333781 0.080550 -4.143781 0.0001R-squared 0.801713 Mean dependentvar 16.07001Adjusted 0.791137 S.D. dependent var 2352.91R-squared 9S.E. of regression 1075.320 Akaike info criterion 16.85356Sum squared resid 1.73E+08 Schwarz criterion 17.02727Log likelihood -1330.858 Hannan-Quinncriter. 16.9241Durbin-Watsonstat 1.970407从上图我们可以看出t-statistic的值是0.988183，大于临界值，p>a，故不能拒绝被检验的指数序列是非平稳的原假设。

因此二阶差分序列进行ADF检验，结果如下图显示Null Hypothesis: D(M2,2) has a unit rootExogenous: NoneLag Length: 7 (Automatic - based on SIC, maxlag=13)t-Statistic Prob.* Augmented Dickey-Fuller test statistic -9.223132 0.0000Test criticalvalues: 1% level -2.5795875% level -1.94284310% level -1.615376*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test Equation Dependent Variable: D(M2,3)Method: Least SquaresDate: 04/16/13 Time: 10:38Sample (adjusted): 1991M11 2005M01 Included observations: 159 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.D(M2(-1),2) -8.900755 0.965047 -9.223132 0.0000 D(M2(-1),3) 6.431129 0.924672 6.955038 0.0000 D(M2(-2),3) 4.970286 0.833541 5.962861 0.0000 D(M2(-3),3) 3.802432 0.700773 5.426055 0.0000 D(M2(-4),3) 2.617058 0.544596 4.805501 0.0000 D(M2(-5),3) 1.688201 0.380559 4.436109 0.0000 D(M2(-6),3) 0.910968 0.214990 4.237257 0.0000 D(M2(-7),3) 0.325934 0.080151 4.066487 0.0001 R-squared 0.941321 Mean dependent 0.11205var 7AdjustedR-squared 0.938601 S.D. dependent var 4339.324S.E. of regression 1075.236 Akaike info criterion 16.84747Sum squared resid 1.75E+08 Schwarz criterion 17.00188Log likelihood -1331.374 Hannan-Quinncriter. 16.91018Durbin-Watsonstat 1.963915从上图我们可以看出t-statistic的值是-9.223132，小于临界值，p<a，故拒绝被检验的指数序列是平稳的原假设。

Null Hypothesis: DDM2 has a unit root Exogenous: NoneLag Length: 7 (Automatic - based on SIC, maxlag=13)t-Statistic Prob.* Augmented Dickey-Fuller test statistic -9.223132 0.0000 Test criticalvalues: 1% level -2.5795875% level -1.94284310% level -1.615376*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(DDM2)Method: Least SquaresDate: 04/16/13 Time: 10:41Sample (adjusted): 1991M11 2005M01Included observations: 159 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.DDM2(-1) -8.900755 0.965047 -9.223132 0.0000 D(DDM2(-1)) 6.431129 0.924672 6.955038 0.0000 D(DDM2(-2)) 4.970286 0.833541 5.962861 0.0000D(DDM2(-3)) 3.802432 0.700773 5.426055 0.0000 D(DDM2(-4)) 2.617058 0.544596 4.805501 0.0000 D(DDM2(-5)) 1.688201 0.380559 4.436109 0.0000 D(DDM2(-6)) 0.910968 0.214990 4.237257 0.0000 D(DDM2(-7)) 0.325934 0.080151 4.066487 0.0001R-squared 0.941321 Mean dependentvar 0.112057AdjustedR-squared 0.938601 S.D. dependent var 4339.324S.E. of regression 1075.236 Akaike info criterion 16.84747Sum squared resid 1.75E+08 Schwarz criterion 17.00188Log likelihood -1331.374 Hannan-Quinncriter. 16.91018Durbin-Watsonstat 1.963915-16,000-12,000-8,000-4,00004,0008,00012,00016,000DDM2Dependent Variable: DDM2 Method: Least Squares Date: 04/16/13 Time: 10:47Sample (adjusted): 1991M05 2005M01 Included observations: 165 after adjustments Convergence achieved after 50 iterations MA Backcast: 1990M12 1991M04Variable Coefficient Std. Error t-Statistic Prob.C 14.44319 10.74065 1.344723 0.1807 AR(1)-0.995579 0.055305 -18.00153 0.0000AR(2) -0.837713 0.047357 -17.68914 0.0000 MA(1) -0.436708 0.096208 -4.539223 0.0000 MA(2) 0.175063 0.104359 1.677513 0.0954 MA(3) -0.880075 0.052403 -16.79446 0.0000 MA(4) 0.322618 0.100005 3.226012 0.0015 MA(5)0.190454 0.096508 1.973453 0.0502R-squared 0.805361 Mean dependentvar16.34363Adjusted R-squared0.796682 S.D. dependent var2309.544S.E. of regression 1041.391 Akaike info criterion 16.78177Sum squared resid 1.70E+08 Schwarz criterion16.93236Log likelihood-1376.496 Hannan-Quinncriter.16.8429F-statistic 92.80278 Durbin-Watson stat 2.041303Prob(F-statistic)0.000000Inverted AR Roots -.50+.77i -.50-.77iInverted MA Roots .77+.22i .77-.22i -.30-.40-.91i-.40+.91i【P127 例4-3】本案例的数据为联通股票的日股价序列，期限为2003年1月2日至2006年9月15日，共886个样本观测量。

合集下载

SPSS时间序列分析-spss操作步骤讲述

SPSS时间序列分析-spss操作步骤讲述


Time Serises Modeler 对话框Variables选项卡
返回
专家建模标准模型选项卡
返回
判断异常值选项卡
指数平滑标准模型选项卡
返回
ARIMA Criteria Model选项卡
返回
侦查异常值的选项卡
返回
自变量转换选项卡
Байду номын сангаас
返回
时间序列模型Statistics选项卡
返回
Time Serises Modler Plots选项卡
第17章
时间序列分析
Time Series
返回
目 录
各种时间序列分析过程 修补缺失值与创建时间序列
序列图
操作 实例
季节分解法
操作 实例
频谱分析法
频谱分析操作 实例
建立时间序列模型
操作 实例
互相关
操作 实例
应用时间序列模型
操作
自相关
操作 实例
习题17及参考答案
结束
返回
各种时间序列分析过程
返回
修补缺失值过程与对话框
返回
时间序列习题参考答案（5）
三、自相关分析
返回
时间序列习题参考答案（6）
表中显示的是自相关计算结果，从左向右，依次列出的是：滞后数、自相关系数 值值、标准误差、Box-ljung统计量（值、自由度、原假设成立的概率值）。由于原假 设（假设基本过程是独立的，也即假定时间序列所反映的随机过程是白噪声）成立的 概率值都小于0.05，所以全部自相关均有显著性意义。
返回
时间序列习题参考答案（17）
六、数据转换
返回
时间序列习题参考答案（18）
返回
spss(时间序列分析)

spss(时间序列分析)

第一页，共70页。
• 横截面数据也常称为变量的一个简单随机样本，也即假设每个数据 都是来自于总体分布的一个取值，且它们之间是相互独立的(独立 同分布)。
• 而时间序列的最大特点是观测值并不独立。时间序列的一个目的
是用变量过去的观测值来预测同一变量的未来值。 • 下面看一个时间序列的数据例子。 • 例1. 某企业从1990年1月到2002年12月的月销售数据(单位：百
三、指数平滑模型
• 时间序列分析的一个简单和常用的预测模型叫做指数平滑
(exponential smoothing)模型。
• 指数平滑只能用于纯粹时间序列的情况，而不能用于含有独立变量 时间序列的因果关系的研究。
• 指数平滑的原理为：利用过去观测值的加权平均来预测未来的 观测值(这个过程称为平滑)，且离现在越近的观测值要给以越重
Seanal adjusted series SA
Seas factors SF
YEAR
图3 销售数据的季节因素分离
第十七页，共70页。
120
可以看出，逐月的销
100 售额大致沿一个指数
80 曲线呈增长趋势。
60
↘
40
20
0
-20 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002
3. saf_1：季节因素(seasonal factor) ，记为{SFt }； 4. stc_1：去掉季节及随机扰动后的趋势及循环因素(trend-
cycle series)，记为{TCt }。
第十五页，共70页。
• 这些分解出来的序列或成分与原有时间序列 之间有如下的简单和差关系：
SPSS的时间序列分析

SPSS的时间序列分析

包括序列图、自相关函数和偏自相关函数 图等另外,也可利用SPSS的谱分析图等模块 进行简单的谱分析。
2019/12/13
Systems Engineering, System Prediction
2.时间序列分析的一般步骤
数据的准备阶段
数据的观察及检验阶段
数据的预处理阶段
数据分析和建模阶段
2、具有趋势性的非平稳时间序列,序列的 各阶自相关函数值显著不为零,同时随着阶 数的增大,函数值呈缓慢下降的趋势偏自相 关函数值则呈明显的下降趋势,很快落入置 信区间。
2019/12/13
Systems Engineering, System Prediction
3、具有周期性的非平稳时间序列,其自相 关函数呈明显的周期性波动,且以周期长度 及其整数倍数为阶数的自相关和偏自相关 函数值均显著不为零。
2019/12/13
Systems Engineering, System Prediction
2.2.2时间序列的图形化观察工具
• 序列图( Sequence) 一个平稳的时间序列在水平方向平稳发展,在垂直
方向的波动性保持稳定,非平稳性的表现形式多种多 样,主要特征有:趋势性、异方差性、波动性、周期性、 季节性、以及这些特征的交错混杂等。
该模型描述表包含每个估计模型名称和模型 类型。在本例中,因变量是男子服装销售量,系 统分配的名称是 Model-1。专家建模得出的最 佳拟合模型为ARMA(0,0,0)(0,1,0),它是1阶季节 差分自回归综合移动平模型。
模型的季节性说明了在序列图中见到的季节 性峰值,1阶差分反映了数据中明显的上升趋势。
至此,完成了SPSS的时间定义操作 SPSS将在当 前数据编辑窗口中自动生成标志时间的变量。 同时,在输出窗口中将输出个简要的日志,说明时 间标志变量及其格式和包含的周期等。
spss时间序列分析教程

spss时间序列分析教程

3.3时间序列分析3.3.1时间序列概述1.基本概念(1)一般概念：系统中某一变量的观测值按时间顺序（时间间隔相同）排列成一个数值序列，展示研究对象在一定时期内的变动过程，从中寻找和分析事物的变化特征、发展趋势和规律。

它是系统中某一变量受其它各种因素影响的总结果。

(2)研究实质：通过处理预测目标本身的时间序列数据，获得事物随时间过程的演变特性与规律，进而预测事物的未来发展。

它不研究事物之间相互依存的因果关系。

(3)假设基础：惯性原则。

即在一定条件下，被预测事物的过去变化趋势会延续到未来。

暗示着历史数据存在着某些信息，利用它们可以解释与预测时间序列的现在和未来。

近大远小原理（时间越近的数据影响力越大）和无季节性、无趋势性、线性、常数方差等。

(4)研究意义：许多经济、金融、商业等方面的数据都是时间序列数据。

时间序列的预测和评估技术相对完善，其预测情景相对明确。

尤其关注预测目标可用数据的数量和质量，即时间序列的长度和预测的频率。

2.变动特点(1)趋势性：某个变量随着时间进展或自变量变化，呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向，但变动幅度可能不等。

(2)周期性：某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。

(3)随机性：个别为随机变动，整体呈统计规律。

(4)综合性：实际变化情况一般是几种变动的叠加或组合。

预测时一般设法过滤除去不规则变动，突出反映趋势性和周期性变动。

3.特征识别认识时间序列所具有的变动特征，以便在系统预测时选择采用不同的方法。

(1)随机性：均匀分布、无规则分布，可能符合某统计分布。

(用因变量的散点图和直方图及其包含的正态分布检验随机性，大多数服从正态分布。

)(2)平稳性：样本序列的自相关函数在某一固定水平线附近摆动，即方差和数学期望稳定为常数。

样本序列的自相关函数只是时间间隔的函数，与时间起点无关。

其具有对称性，能反映平稳序列的周期性变化。

特征识别利用自相关函数ACF：ρk=γk/γ0其中γk是y t的k阶自协方差，且ρ0=1、-1<ρk<1。