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。五、实验步骤（1） 输入原始数据打开 Eviews 软件，选择“File ”菜单中的“New--Workfile ”选项，在“Workfile structure type”栏中选择“ Dated-regular frequency”，在“ Frequency”栏中选择“Monthly ”，分别在起始月输入 1991.01 ，终止月输入 2010.12 ，点击 ok，见图 1。再建立一个 New object ，将选取的 x 的月度数据复制进去。图一（2）做出时序图并判断做出该序列的时序图2，看出该序列呈一定的上升趋势， 周期性不是很明显。直观来看，显著非平稳。图 2：时序图进一步考察其自相关图和偏自相关图，如图3 图 3：x 的自相关图和偏自相关图自相关系数可以看出，衰减到零的速度非常缓慢，所以断定x 序列非平稳。为了证实这个结论，进一步对...
VIP
