ARMA模型建模与预测指导

实验二 ARMA 模型建模与预测指导 一、实验目的 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。掌握在实证研究中如何运用 Eview s 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: 1122tttptptyyyy 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， ty 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: 1122ttttqt qy    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； ty 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: 11221122tttptptttqt qyyyy    三、实验内容及要求 1、实验内容： （1）根据时序图判断序列的平稳性； （2）观察相关图，初步确定移动平均阶数 q 和自回归阶数 p； （3）运用经典 B-J 方法对某企业 201 个连续生产数据建立合适的 ARMA（ ,p q ）模型，并能够利用此模型进行短期预测。 2、实验要求： （1）深刻理解平稳性的要求以及 ARMA 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 ARMA 模型；如何利用 ARMA 模型进行预测； （3）熟练掌握相关 Eview s 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“Unstructured /Undated”，在“Date range”栏中输入数据个数 201，点击 ok，见图2-1，这样就建立了一个工作文件。 图 2-1 建立工作文件窗口 点击 ...