案例五、季节ARIMA模型建模与预测实验指导一、实验目的学会识别时间序列的季节变动，能看出其季节波动趋势。学会剔除季节因素的方法，了解ARIMA模型的特点和建模过程，掌握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、基本概念季节变动：客观社会经济现彖受季节影响，在一年内有规律的季节更替现彖，其周期为一年四个季度或12个月份。季节ARIMA模型是指将受季节影响的非平稳时间序列通过消除季节影响转化为平稳时间序列，然后将平稳时间序列建立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。三、实验内容及要求1、实验内容：（1）根据时序图的形状，采用相应的方法把周期性的非平稳序列平稳化；（2）对经过平稳化后的桂林市1999年到2006的季度旅游总收入序列运用经典B-J方法论建立合适的ARDIA（pdq）模型，并能够利用此模型进行未来旅游总收入的短期预测。2、实验要求：（1）深刻理解季节非平稳时间序列的概念和季节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。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"Workfilestructuretype”栏选择"Dated-regularfrequency”，在"Datespecification”栏中分别选择"Quarterly%季度数据），分别在起始年输入1999,终止年输入2006,点击ok,见图5-1,这样就建立了一个季度数据的工作文件。点击File/Iinport,找到相应的Excel数据集，导入即可。图5-1（2）作出序列的时序图对桂林市1999年到2006的季度旅游总收入序列y做时序图，观察数据的形态，双击Y图5-2时序图上看出，旅游总收入有季节变动的因素影响，呈现循环上升的趋势，但是我们看到2003年的数据从第二季度开始明显有些异常，究其原因，就是2003年非典对国内旅游和国际旅游都产生了强烈影响，而桂林是个以旅游业为支柱产业的旅游城市，对旅游的影响可想而知。因此，为了进一步观察数据的形态，需要对数据做些处理，处理原则如下：第一、将2003年第二、第三、第四季度数据均用2002年和2004年相对应季度的均值代替：第二、将04年第一季度数据用2003年和2005年第一季度的均值代替，经过调整后的旅游总收入序列yt时序图见图5-3：图5-3时序图5-3和5-2相比较，明显看出经过调整后的旅游收入以一年的四个季度为周期,呈循环上升的趋势，看出序列不平稳。预对其进行分析，需先平文化。（3）差分法消除增长趋势除了周期性波动外，序列呈现出上升趋势，利用差分方法消除增长趋势，在命令栏里输入seriesx二yt・yt(・1)二见图53逆得到一竺再有色期趋势的彰ij竺图见图54：©EViewsFileEditObjectViewProcQuickOptionsWindowHelpseriesx=yt图5-3图5-4（4）季节差分法消除季节变动经过一阶差分过的时序图5-4显示出序列不再有明显的上升趋势，但有明显的季节变动,现在通过4步差分来消除季节变动，在命令栏里输入seriesxt=x-x（-4）,得到消除季节变动的序列时序图见图5・5：XT图5-5（5）平稳性检验经过一阶差分消除增长趋势和经过4步差分消除季节变动的序列闱绕0上下波动，看起来是平稳的，需要通过统计检验进一步证实这个结论，对序列xt做ADF检验，双击序列xt,点击View/Unitroottest,出现图5-6的对话框，我们对序列xt本身进行检验，且序列没有明显的趋势，在0上卞波动，选择不带常数项和趋势项的方程，其他采用默认设置，点击ok,结果见图5-7：图5-6NullHypothesisXThasaunitrootExogenousConstantLagLength1(AutomaticbasedonSICMAXLAG=6)t-StatisticProb*AuqmentedDickey・FullE「teststatistic798159900005Testcriticalvalues:1%level-3.7240705%level-2.98G22510%IGVGI-2.632G04xMacKinnon(1996)one-sidedp-values.图5-7ADF检验结果表明，在0.01...
