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 tX而 言 ， 它 的 第j 阶 自 相关 系 数j 为 它 的j 阶 自 协 方 差 除 以 方 差 ， 即j ＝j0 ， 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 ...
