实验三 ARIMA 模型的建立 一、实验目的 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。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 所谓 ARIMA 模型，是指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，我们主要用到两个工具：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、实验内容及要求 1、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 1950 年到 2007 年中国进出口贸易总额数据运用经典B-J 方法论建立合适的 ARIMA（ , ,p d q ）模型，并能够利用此模型进行进出口贸易总额的预测。 2、实验要求： （1）深刻理解非平稳时间序列的概念和 ARIMA 模型的建模思想； （2）如何通过观察自相关，偏自相关系数及其图形，利用最小二乘法，以及信息准则建立合适的 ARIMA 模型；如何利用 ARIMA 模型进行预测； （3）熟练掌握相关 Eviews 操作，读懂模型参数估计结果。 四、实验指导 1、模型识别 （1）数据录入 打开Eviews 软件，选择―File‖菜单中的―New--Workfile‖选项，在“Workfile structure type”栏选择“Dated –regular frequency”，在“Date specification”栏中分别选择“Annual”(年数据) ，分别在起始年输入1950，终止年输入2007，点击 ok，见图 3-1，这样就建立了一个工作文件。点击 File/Import，找到相应的 Excel 数据集，导入即可。 图3-1 建立工作文件窗口 （2）时序图判断平稳性 做出该序列的时序图3-2，看出该...
