时序实验五-08041219马琼芳
- 格式：doc
- 大小：572.00 KB
- 文档页数：9
《应用时间序列分析》
实验报告
实验项目：随机非平稳时间序列建模
实验地点：商学实验中心实验室名称： 204 学院：统计学院年级专业班：统计082
学生姓名：马琼芳学号： 08041219
完成时间： 2011-10-29
教师评语：
开课时间： 2011 至 2012 学年第一学期
一、实验目的:
掌握随机非平稳时间序列：差分平稳方法；ARIMA建模；SARIMA建模。
二、实验内容:
利用所给的三套数据分别进行差分平稳、ARIMA建模、SARIMA建模
三、实验步骤：
差分平稳
data1文件中x列为奶牛产奶月产量，除有增长趋势外还有季节变化，为典型的非平稳序列，下面练习用差分对其进行平稳化。
利用EVIEWS打开data1，打开x列图形，观察其增长趋势和季节波动。
在命令窗口输入：
Genr dx=d（x）
打开dx列，观察线图。
可以发现序列序列增长趋势已经去除，季节变化仍然存在，下面利用季节差分去除季节变化。
在命令窗口输入：
genr sdx=d(dx,0,12)
上述命令中，0代表普通差分的阶数，12代表季节差分的周期。
很显然可以将前面两个命令合二为一，即：genr sdx=d（x，1，12）。
sdx的线图如下：
可以看出，序列已经变成平稳序列。
ARIMA模型建模
data2中x列为1952-1988年中国农业实际国民收入指数序列
打开EVIEWS,打开data2。
打开x列，观察其线图，序列呈现出非平稳性。
利用前面方法，对x列进行差分，差分列命名为dx，图形如下：
dx的自相关和偏自相关图如下：
根据dx列的自相关图和偏自相关图的特征，对dx列可以考虑建立AR(1)、MA(1)和ARMA(1，1)等模型，利用AIC和SC进行选择，最终选择MA(1)模型。
先面是估计输出结果：
因此，x序列的最终的模型应是ARIMA(0,1,1)模型。
将差分和估计命令可以合二为一，即在命令窗口输入：
Ls d(x) c ma(1)
将差分和估计命令合二为一的好处是测试时可以直接对x列进行预测，而不用分两步先预测dx再转化成对x的预测。
SARIMA建模（乘法模型）
data3为1948-1981年美国女性月度失业率序列。
打开EVIEWS，打开data3，x列即为美国女性失业率序列。
打开序列观察：
序列具有上升趋势和季节波动。
对x列进行差分和季节差分消除趋势和季节波动。
在命令窗口输入：
genr sdx=d(x,1,12)
生成新的序列sdx。
dx已不具有明显的趋势。
打开sdx的自相关和偏自相关图。
自相关和偏自相关未成现出明显的截尾特征，可以考虑ARMA模型。
注意：在k=12，24，36，…处，自相关和偏自相关函数提示我们，序列具有明显的季节相关性，可以考虑利用季节ARMA模型提取这种季节相关性。
再进一步观察可以发现，在k=12，24，36，…处，自相关函数有结尾的特征，偏自相关函数有拖尾的特征。
因此，可以用季节MA模型提取季节相关性。
通过对比多个模型，利用AIC和SC进行选择，我们这里选择SARIMA(1,1,1)×模型。
(0,1,1)
12
进行参数估计
在命令窗口输入：
ls sdx ar(1) ma(1) sma(12)
结果如下：。
