时间序列分析与Eviews 应用非稳定序列转化为稳定序列数据变量的平稳性是传统的计量经济分析的基本要求之一。只有模型中的变量满足平稳性要求时，传统的计量经济分析方法才是有效的. 而在模型中含有非平稳时间序列时，基于传统的计量经济分析方法的估计和检验统计量将失去通常的性质，从而推断得出的结论可能是错误的。因此，在建立模型之前有必要检验数据的平稳性。在很长时间里，学者们在分析经济变量时都假定所分析的数据已满足平稳性的要求。然而，近年来，尤其是纳尔逊和普洛瑟(Nelson Plosser ，1982) 的开创性论文发表后，随着计量经济学的发展，学者们对经济时间序列数据，尤其是宏观经济时间序列数据的看法发生了根本的变化。许多经验分析表明，多数宏观经济变量都是非平稳的，由此引发了宏观经济分析方法尤其是周期分析方法的一场革命，即“单位根革命”。解决的问题1、如何判别虚假回归（伪回归）问题？2 、怎样检验一组变量存在协整关系？3 、一组变量若存在协整关系，怎样建立误差修正模型？如何更好的通过已有数据反映变量之间的长、短期关系。一、序列相关二、非平稳时间序列时间序列的特征在做多元回归之前，有必要先了解每个时间序列的特性。在很多应用研究中，人们常常对具有增长趋势的时间序列取对数后进行分析。取对数后，这样的序列常常更接近于一条直线。大多数宏观经济数据表现出这一特征。取对数后的变量差分(LnYt-LnYt-1) 近似反映了两个时期之间该序列的增长率。自相关( Autocorrelation ) 对于通常的经济数据序列，原始序列Y的当前值与滞后值之间的相关程度较高，但其差分序列Y的当
前值与滞后值相关程度较低。根据这一性质，我们可以利用过去已知的Y 来推断今后的Y ，但知道过去的Y 则无助于推测今后的Y 。人们把这种情况说成是：“Y 能够记忆过去，但Y则不能”。这是利用时间序列模型做预测的基础。一般而言，此时的Y是一个非平稳序列，而Y则是一个平稳序列。自相关函数( Autocorrelation Function ) 通过估计自相关函数，可以了解时间序列的特征：时间趋势平稳性自相关函数是时间序列的当前值与过去值之间的相关系数。令p＝Cor(Yt ，Yt-p) 可以注意到，p的值是滞后期数p的函数。AC 和PAC 函数AC 和PAC 函数描述时间序列的特性AC 函数可以用来根据该值等于0发生的时间j来选择MA(q) 模型，j > q ；PAC 函数可以用来根据该值等于0发生的时间j来选择AR(p) 模型，j > p 。整合过程( Integrated Process ) 许多非平稳时间序列可以通过一阶或高阶差分，转变为平稳时间序列。这种时间序列被称作d阶整合时间序列用I(d ) 表示。ARMA 模型预测的基本程序（一）根据时间序列的散点图、自相关函数和偏自相关函数图以ADF 单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。一般来讲，经济运行的时间序列都不是平稳序列。（二）对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。（三）根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序
列适合AR 模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA 模型；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARMA 模型。（四）进行参数估计，检验是否具有统计意义。（五）进行假设检验，诊断残差序列是否为白噪声。（六）利用已通过检验的模型进行预测分析。§2.4 非平稳序列的单位根检验检查序列平稳性的标准方法是单位根检验。有
6种单位根检验方法：ADF 检验、DFGLS 检验、PP 检验、KPSS 检验、ERS 检验和NP 检验，重点将介绍DF 检验、ADF 检验。DF 检验的局限性：只有当序列为AR(1) 时才有效。如果序列存在高阶滞后相关，这就违背了扰动项是独立同分布的假设。在这种情况下，使用增广的DF 检验方法（augmented Dickey-Fuller test ），即用ADF 来检验含有高阶序列相关的序列的单位根。ADF 检验ADF 检验方法通过在回归方程右边加入因变量yt 的滞后差分项来控制高阶序列相关(2.7) (2.8) (2.9) 例2 检验中国GDP 序列的平稳性在图2.1 中，我们可以观察到GDP 具有明显的上升趋势。在ADF 检验时选择含有常数项和时间趋势项。GDP 序列的ADF 检验如下：检验结果显示，GDP 序列以较大的P值，即87.83% 的概率接受原假设，即存在单位根的结论。将GDP 序列做1阶差分，然后对ΔGDP 进行ADF 检验，结果如下：检验结果显示，ΔGDP 序列在5% 的显著性水平下拒绝原假设，接受不存在单位根的结论，即GDP ～I (1) 。三、协整和误差修正模型一般而言，经济变量非平稳，多为I(1) 或I(2) 。变量非平稳，但某些经济变量的线性组合却有可能是平稳的。比如净收入与消费、
政府支出与税收、男、女人口比例等都存在这种均衡关系。虽然经济变量在变化中经常会离开均衡点，但内在的均衡机制将不断地消除偏差维持均衡关系。非平稳经济变量间存在的这种长期稳定的均衡关系称作协整(co-integration) 。协整是对非平稳经济变量长期均衡关系的统计描述。* * 在时间序列模型的发展过程中，一个重要的特征是对统计均衡关系做某种形式的假设，其中一种非常特殊的假设就是平稳性的假设。而大多数经济时间序列都是非平稳的，因此，由20 世纪80 年代初Granger 提出的协整概念，引发了非平稳时间序列建模从理论到实践的飞速发展。一、序列相关三、协整和误差修正模型二、非平稳时间序列四、Eviews 案例应用§1.1 序列相关及其产生的后果对于线性回归模型(1.1) 随机扰动项之间不相关，即无序列相关的基本假设为(1.2) 如果扰动项序列ut 表现为：(1.3) 即对于不同的样本点，随机扰动项之间不再是完全相互独立的，而是存在某种相关性，则认为出现了序列相关性(serial correlation) 。由于通常假设随机扰动项都服从均值为0，同方差的正态分布，则序列相关性也可以表示为：(1.4) 特别的，如果仅存在(1.5) 称为一阶序列相关，这是一种最为常见的序列相关问题。如果回归方程的扰动项存在序列相关，那么应用最小二乘法得到的参数估计量的方差将被高估或者低估。因此，检验参数显著性水平的t统计量将不再可信。可以将序列相关可能引起的后果归纳为：②使用OLS 公式计算出的标准差不正确，相应的显著性水平的检验不再可信；③如果在方程右边有滞后因变量，OLS 估计是有偏的且不一致。④回归得到的参数估计
量的显著性水平的检验不再可信。①在线性估计中OLS 估计量不再是有效的；EViews 提供了检测序列相关和估计方法的工具。但首先必须排除虚假序列相关。虚假序列相关是指模型的序列相关是由于省略了显著的解释变量而引起的。例如，在生产函数模型中，如果省略了资本这个重要的解释变量，资本对产出的影响就被归入随机误差项。由于资本在时间上的连续性，以及对产出影响的连续性，必然导致随机误差项的序列相关。所以在这种情况下，要把显著的变量引入到解释变量中。§1.2 序列相关的检验方法EViews 提供了以下3种检测序列相关的方法。1 ．D_W 统计量检验Durbin-Watson 统计量（简称D_W 统计量）用于检验一阶序列相关，还可估算回归模型邻近残差的线性联系。对于扰动项ut 建立一阶自回归方程：(1.6) D_W 统计量检验的原假设：= 0 ，备选假设是0 。如果序列不相关，D.W. 值在2附近。如果存在正序列相关，D.W. 值将小于2。如果存在负序列相关，D.W. 值将在2～4之间。正序列相关最为普遍，根据经验，对于有大于50 个观测值和较少解释变量的方程，D.W. 值小于1.5 的情况，说明残差序列存在强的正一阶序列相关。Dubin-Waston 统计量检验序列相关有三个主要不足：1 ．D-W 统计量的扰动项在原假设下依赖于数据矩阵X。2 ．回归方程右边如果存在滞后因变量，D-W 检验不再有效。3 ．仅仅检验是否存在一阶序列相关。其他两种检验序列相关方法：Q- 统计量和Breush-Godfrey LM 检验克服了上述不足，应用于大多数场合。2 . 序列相关的LM 检验与D.W. 统计量仅检验扰动项是否存在一阶自相关不同，Breush-Godfrey LM 检验
（Lagrange multiplier ，即拉格朗日乘数检验）也可应用于检验回归方程的残差序列是否存在高阶自相关，而且在方程中存在滞后因变量的情况下，LM 检验仍然有效。LM 检验原假设为：直到p阶滞后不存在序列相关，p为预先定义好的整数；备选假设是：存在p阶自相关。检验统计量由如下辅助回归计算。（1）估计回归方程，并求出残差et (1.7) （2）检验统计量可以基于如下回归得到(1.8) 这是对原始回归因子Xt 和直到p阶的滞后残差的回归。LM 检验通常给出两个统计量：F统计量和T×R2 统计量。F统计量是对式（https://www.doczj.com/doc/824983271.html, ）所有滞后残差联合显著性的一种检验。T×R2 统计量是LM 检验统计量，是观测值个数T乘以回归方程（https://www.doczj.com/doc/824983271.html, ）的R2 。一般情况下，T×R2 统计量服从渐进的2(p) 分布。在给定的显著性水平下，如果这两个统计量小于设定显著性水平下的临界值，说明序列在设定的显著性水平下不存在序列相关；反之，如果这两个统计量大于设定显著性水平下的临界值，则说明序列存在序列相关性。在EView 软件中的操作方法：选择View/Residual Tests/Serial correlation LM Test ，一般地对高阶的，含有ARMA 误差项的情况执行Breush-Godfrey LM 。在滞后定义对话框，输入要检验序列的最高阶数。例1: 含滞后因变量的回归方程扰动项序列相关的检验考虑美国消费CS 和GDP 及前期消费之间的关系，数据期间：1947 年第1季度～1995 年第1季度，数据中已消除了季节要素，建立如下线性回归方程：t = 1, 2, , T 应用最小二乘法得到的估计方程如下：t = ( 1.93) (3.23) (41.24)
R2=0.999 D.W.=1.605 如果单纯从显著性水平、拟合优度及D.W. 值来看，这个模型是一个很理想的模型。但是，由于方程的解释变量存在被解释变量的一阶滞后项，那么D.W. 值就不能作为判断回归方程的残差是否存在序列相关的标准，如果残差序列存在序列相关，那么，显著性水平、拟合优度和F统计量将不再可信。所以，必须采取本节中介绍的其他检验序列相关的方法检验残差序列的自相关性。这里采用LM 统计量进行检验(p=2) ，得到结果
Eviews 时间序列分析实例 时间序列是市场预测中经常涉及的一类数据形式， 绍。通过第七章的学习，读者了解了什么是时间序列, 、指数平滑法实例 所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规 律，但确实存在某种前后关联的时间序列的短期预测。 由于其他很多分析方法都不具有这种 特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。 (―)一次指数平滑 一次指数平滑又称单指数平滑。它最突出的优点是方法非常简单， 甚至只要样本末期的 平滑值，就可以得到预测结果。 一次指数平滑的特点是： 能够跟踪数据变化。 这一特点所有指数都具有。 预测过程中添 加最新的样本数据后， 新数据应取代老数据的地位， 老数据会逐渐居于次要的地位， 直至被 淘汰。这样，预测值总是反映最新的数据结构。 一次指数平滑有局限性。第一，预测值不能反映趋势变动、季节波动等有规律的变动； 第二，这种方法多适用于短期预测， 而不适合作中长期的预测；第三， 由于预测值是历史数 据的均值，因此与实际序列的变化相比有滞后现象。 指数平滑预测是否理想，很大程度上取决于平滑系数。 Eviews 提供两种确定指数平滑 系数的方法：自动给定和人工确定。 选择自动给定，系统将按照预测误差平方和最小原则自 动确定系数。如果系数接近 1，说明该序列近似纯随机序列，这时最新的观测值就是最理想 的预测值。 出于预测的考虑，有时系统给定的系数不是很理想， 用户需要自己指定平滑系数值。平 滑系数取什么值比较合适呢？ 一般来说，如果序列变化比较平缓，平滑系数值应该比较小， 比如小于0.1; 如果序列变化比较剧烈， 平滑系数值可以取得大一些， 如0.3?0.5。若平滑系 数值大于0.5才能跟上序列的变化，表明序列有很强的趋势，不能采用一次指数平滑进行预 测。 ［例1］某企业食盐销售量预测。现在拥有最近连续 30个月份的历史资料(见表 I ), 试预测下一月份销售量。 表 某企业食盐销售量 单位：吨 解：使用对数据进行分析，第一步是建立工作文件和录入数据。有关操作在本 理和一些分析实例。本节的主要内容是说明如何使用 Eviews 软件进行分析。 本书第七章对它进行了比较详细的介 并接触到有关时间序列分析方法的原
成都空气污染指数API的建模与预测 20085728 刘童超 【目录】 1..数据来源与数据预处理 (2) 1.1数据来源 (2) 1.2离群点和缺失值的检验..................................................................... 错误!未定义书签。 2.直观分析和相关分析 (4) 2.1直观分析和特征分析 (4) 2.2相关分析 (6) 2.3平稳性检验 (7) 3.liu(t)序列的零均值处理 (8) 3.1数据的零均值化 (8) 3.2零均值过程的检验 (8) 4.模型的识别和初步定阶 (8) 5.模型的参数估计 (9) 6.模型的检验 (10) 6.1参数的显著性检验 (10) 6.2模型的适用性检验 (11) 7.模型的预测 (12) 7.1对序列liu1（t）的预测 (12) 7.2对序列liu(t)的预测 (12) 【附录及参考文献】 (13) 附录1.零均值化处理后的数据 (13) 参考文献： (14)
1..数据来源与数据预处理 1.1数据来源 原始数据见附件，我们需要的数据见下表：
此处一共160个数据，其中1~150用来建立模型，我们称为样本，151~160用来检验预测值与真实值的误差，我们成为检验值。其中的时间的意义是：t=1代表日期2010-5-30，t=2代表日期2010-5-31，t=3代表日期2010-6-1，以此类推，t=160代表日期2010-11-4。 数据中的API 为空气污染指数，我国目前采用的空气污染指数（API ）分为五个等级，API ≤50，说明空气质量为优，相当于国家空气质量一级标小准；50
实验一ARMA 模型建模 一、实验目的 学会检验序列平稳性、随机性。学会分析时序图与自相关图。学会利用最小二乘法等方法对ARMA 模型进行估计，以及掌握利用ARMA 模型进行预测的方法。学会运用Eviews 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 1平稳时间序列： 定义：时间序列｛zt｝是平稳的。如果｛zt｝有有穷的二阶中心矩，而且满足： (a)ut= Ezt =c; (b)r(t,s) = E[(zt-c)(zs-c)] = r(t-s,0) 则称｛zt｝是平稳的。 2 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。具有如下结构的模型称为P 阶自回归模型，简记为AR(P)。 x t = 0 + 1x t-1 + 2x t-2 + + p x t- p + t p0 E(t) = 0，Var(t) = 2 ,E(t s) = 0,s t Ex = 0,s t 3 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。具有如下结构的模型称为Q 阶移动平均回归模型，简记为MA(q)。 x t= +t-1t-1 -2t-2 - -q t-q q0 E() = 0，Var( ) = 2, E( ) = 0, s t 4 ARMA 模型： 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。具有如下结构的模型称为自回归移动平均回归模型，简记为ARMA(p,q)。 x t= 0 + 1x t-1 + + p x t- p+ t- 1t-1 - - q t-q
eviews教程第25章时间序列截面数据模型 (3) 对转换后变量使用OLS (X 包括常数项和回归 量x ) (25.12) 其中。 EViews在输出中给 出了由(3)得到的的参数估计。使用协方差矩阵的标准估计量计算 标准差。 EViews给出了随机影响的估计值。计算公式为： (25.13) 得到的是的最优线性无偏预测值。最后， EViews 给出了加权和不加权的概括统计量。加权统计量来自(3)中的 GLS 估计方程。未加权统计量来自普通模型的残差，普通模型中包括 (3)中的参数和估计随机影响： (25.14) 三、截面加权当残差具有截面异方差性和 同步不相关时最好进行截面加权回归： (25.15) EViews进行FGLS ，并且从一阶段Pool 最小 二乘回归得出。估计方差计算公式为： (25.16) 其中是OLS 的拟合值。估计系数值和协方差矩阵 由标准GLS 估计量给出。四、SUR 加权当残差具有截 面异方差性和同步相关性时，SUR 加权最小二乘是可行的GLS 估计量： (25.17) 其中是同步相关的对称阵： (25.18) 一般项，在所有的t 时为常 数。 EViews估计SUR 模型时使用的是由一阶段Pool 最小二乘回归得到： (25.19) 分母中的最大值函数是为了解决向下加权协方差项产 生的不平衡数据情况。如果缺失值的数目可渐进忽略，这种方法生成 可逆的的一致估计量。模型的参数估计和参数协方差矩阵计 算使用标准的GLS 公式。五、怀特（White ）协方差估计在Pool 估计中可计算怀特的异方差性一致协方差估计（除了SUR 和 随机影响估计）。EViews 使用堆积模型计算怀特协方差矩阵： (25.20) 其中K 是估计参数总数。这种方差估计量足以解释各截面 成员产生的异方差性，但不能解释截面成员间同步相关的可能。 * * 第二十五章时间序列/截面数据模型在经典计量经济学模型 中，所利用的数据（样本观测值）的一个特征是，或者只利用时间序
Eviews时间序列分析实例 时间序列是市场预测中经常涉及的一类数据形式，本书第七章对它进行了比较详细的介绍。通过第七章的学习，读者了解了什么是时间序列，并接触到有关时间序列分析方法的原理和一些分析实例。本节的主要内容是说明如何使用Eviews软件进行分析。 一、指数平滑法实例 所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规律，但确实存在某种前后关联的时间序列的短期预测。由于其他很多分析方法都不具有这种特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。 （－）一次指数平滑 一次指数平滑又称单指数平滑。它最突出的优点是方法非常简单，甚至只要样本末期的平滑值，就可以得到预测结果。 一次指数平滑的特点是：能够跟踪数据变化。这一特点所有指数都具有。预测过程中添加最新的样本数据后，新数据应取代老数据的地位，老数据会逐渐居于次要的地位，直至被淘汰。这样，预测值总是反映最新的数据结构。 一次指数平滑有局限性。第一，预测值不能反映趋势变动、季节波动等有规律的变动；第二，这种方法多适用于短期预测，而不适合作中长期的预测；第三，由于预测值是历史数据的均值，因此与实际序列的变化相比有滞后现象。 指数平滑预测是否理想，很大程度上取决于平滑系数。Eviews提供两种确定指数平滑系数的方法：自动给定和人工确定。选择自动给定，系统将按照预测误差平方和最小原则自动确定系数。如果系数接近1，说明该序列近似纯随机序列，这时最新的观测值就是最理想的预测值。 出于预测的考虑，有时系统给定的系数不是很理想，用户需要自己指定平滑系数值。平滑系数取什么值比较合适呢？一般来说，如果序列变化比较平缓，平滑系数值应该比较小，比如小于0.l；如果序列变化比较剧烈，平滑系数值可以取得大一些，如0.3～0.5。若平滑系数值大于0.5才能跟上序列的变化，表明序列有很强的趋势，不能采用一次指数平滑进行预测。 ［例1］某企业食盐销售量预测。现在拥有最近连续30个月份的历史资料（见表l），试预测下一月份销售量。 表1 某企业食盐销售量单位：吨 解：使用Eviews对数据进行分析，第一步是建立工作文件和录入数据。有关操作在本
时间序列分析实验指导 A
统计与应用数学学院
随着计算机技术的飞跃发展以及应用软件的普及，对高等院校的实验教学提出了越来越高的要求。为实现教育思想与教学理念的不断更新，在教学中必须注重对大学生动手能力的培训和创新思维的培养，注重学生知识、能力、素质的综合协调发展。为此，我们组织统计与应用数学学院的部分教师编写了系列实验教学指导书。 这套实验教学指导书具有以下特点： ①理论与实践相结合，书中的大量经济案例紧密联系我国的经济发展实际，有利于提高学生分析问题解决问题的能力。 ②理论教学与应用软件相结合，我们根据不同的课程分别介绍了SPSS SAS、MATLAB、EVIEWS等软件的使用方法，有利于提高学生建立数学模型并能正确求解的能力。 这套实验教学指导书在编写的过程中始终得到财经大学教务处、实验室管理处以及统计与应用数学学院的关心、帮助和大力支持，对此我们表示衷心的感谢！ 限于我们的水平，欢迎各方面对教材存在的错误和不当之处予以批评指正。 统计与数学模型分析实验中心 2007年2月
实验一EVIEWS中时间序列相关函数操作................. -1 -实验二确定性时间序列建模方法 ........................ -10 -实验三时间序列随机性和平稳性检验. (21) 实验四时间序列季节性、可逆性检验.................. -25 -实验五ARMA模型的建立、识别、检验................ -34 - 实验六ARMA模型的诊断性检验...................... -37 -实验七ARMA模型的预测............................ -38 -实验八复习ARMA建模过程 .......................... -40 -实验九时间序列非平稳性检验........................ -42 -
在对时间序列Y、X1进行回归分析时需要考虑Y与X1之间是否存在某种切实的关系，所以需要进行协整检验。 1.1利用eviews创建时间序列Y、X1： 打开eviews软件点击file-new-workfile，见对话框又三块空白处workfile structuretype处又三项选择，分别是非时间序列unstructured/undate，时间序列dated-regularfrequency，和不明英语balance panel。选择时间序列dated-regular frequency。在datespecification中选择年度，半年度或者季度等，和起始时间。右下角为工作间取名字和页数。 点击ok。 在所创建的workfile中点击object-new object，选择series，以及填写名字如Y，点击OK。 将数据填写入内。 1.2对序列Y进行平稳性检验： 此时应对序列数据取对数，取对数的好处在于可将间距很大的数据转换为间距较小的数据。 具体做法是在workfile y的窗口中点击Genr，输入logy=log(y),则生成y的对数序列logy。 再对logy序列进行平稳性检验。 点击view-United root test，test type选择ADF检验，滞后阶数中lag length 选择SIC检验，点击ok得结果如下： Null Hypothesis: LOGY has a unit root Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=1) t-StatisticProb.* Augmented Dickey-Fuller test statistic- 2." ."09959 Test critical values:1% level- 4."602226 5% level- 3."026225 10% level - 2."0013 当检验值Augmented Dickey-Fuller test statistic的绝对值大于临界值绝对值时，序列为平稳序列。 若非平稳序列，则对logy取一阶差分，再进行平稳性检验。直到出现平稳序列。假设Dlogy和DlogX1为平稳序列。 1.3对Dlogy和DlogX1进行协整检验 点击窗口quick-equation estimation，输入DLOGY C DLOGX1，点击ok，得到运行结果，再点击proc-make residual series进行残差提取得到残差序列，再对残差序列进行平稳性检验，若残差为平稳序列，则Dlogy与Dlogx1存在协整关系。
实验一ARMA 模型建模 一、实验目的 学会检验序列平稳性、随机性。学会分析时序图与自相关图。学会利用最小二乘法等方法对ARMA 模型进行估计，以及掌握利用ARMA 模型进行预测的方法。学会运用Eviews 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 1 平稳时间序列： 定义：时间序列{zt}是平稳的。如果{zt}有有穷的二阶中心矩，而且满足： （a ）ut= Ezt =c; （b ）r(t,s) = E[(zt-c)(zs-c)] = r(t-s,0) 则称{zt}是平稳的。 2 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。具有如下结构的模型称为P 阶自回归模型，简记为AR(P)。 ? ???? ??
11222 0()0(),()0,t t t t q t q q t t t s x E Var E s t εμεθεθεθεθεεσεε---?=+----? ≠??===≠?L ， 4 ARMA 模型： 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 。具有如下结构的模型称为自回归移动平均回归模型，简记为ARMA(p,q)。 ? ???? ??
时间序列分析 实验指导 4 2 -2 -4 50100150200250 数学与统计学院
目录 实验一 EVIEWS中时间序列相关函数操作···························- 1 - 实验二确定性时间序列建模方法 ····································- 8 - 实验三时间序列随机性和平稳性检验 ···························· - 17 - 实验四时间序列季节性、可逆性检验 ···························· - 20 - 实验五 ARMA模型的建立、识别、检验···························· - 25 - 实验六 ARMA模型的诊断性检验····································· - 28 - 实验七 ARMA模型的预测·············································· - 29 - 实验八复习ARMA建模过程·········································· - 31 - 实验九时间序列非平稳性检验 ····································· - 33 -
实验一 EVIEWS中时间序列相关函数操作 【实验目的】熟悉Eviews的操作：菜单方式，命令方式； 练习并掌握与时间序列分析相关的函数操作。 【实验内容】 一、EViews软件的常用菜单方式和命令方式； 二、各种常用差分函数表达式； 三、时间序列的自相关和偏自相关图与函数； 【实验步骤】 一、EViews软件的常用菜单方式和命令方式； ㈠创建工作文件 ⒈菜单方式 启动EViews软件之后，进入EViews主窗口 在主菜单上依次点击File/New/Workfile，即选择新建对象的类型为工作文件，将弹出一个对话框，由用户选择数据的时间频率（frequency）、起始期和终止期。选择时间频率为Annual（年度），再分别点击起始期栏（Start date）和终止期栏（End date），输入相应的日期，然后点击OK按钮，将在EViews 软件的主显示窗口显示相应的工作文件窗口。 工作文件窗口是EViews的子窗口，工作文件一开始其中就包含了两个对象，一个是系数向量C（保存估计系数用），另一个是残差序列RESID（实际值与拟合值之差）。 ⒉命令方式 在EViews软件的命令窗口中直接键入CREATE命令，也可以建立工作文件。命令格式为：CREATE 时间频率类型起始期终止期 则菜单方式过程可写为：CREATE A 1985 1998 ㈡输入Y、X的数据 ⒈DATA命令方式 在EViews软件的命令窗口键入DATA命令，命令格式为： DATA <序列名1> <序列名2>…<序列名n>
河南财经政法大学应用时间序列分析实验手册 应用时间序列分析 实验手册
目录 目录 (2) 第一章Eviews的基本操作 (3) 第二章时间序列的预处理 (6) 一、平稳性检验 (6) 二、纯随机性检验 (13) 第三章平稳时间序列建模实验教程 (14) 一、模型识别 (14) 二、模型参数估计 (18) 三、模型的显著性检验 (21) 四、模型优化 (23) 第四章非平稳时间序列的确定性分析 (24) 一、趋势分析 (24) 二、季节效应分析 (39) 三、综合分析 (44) 第五章非平稳序列的随机分析 (50) 一、差分法提取确定性信息 (50) 二、ARIMA模型 (63) 三、季节模型 (68)
第一章Eviews的基本操作 The Workfile（工作簿） Workfile 就像你的一个桌面，上面放有许多Objects，在使用Eviews 时首先应该打开该桌面，如果想永久保留Workfile及其中的内容，关机时必须将该Workfile存到硬盘或软盘上，否则会丢失。 （一）、创建一个新的Workfile 打开Eviews后，点击file/new/workfile，弹出一个workfile range对话框（图1）。 图1 该对话框是定义workfile的频率，该频率规定了workfile中包含的所有objects频率。也就是说，如果workfile的频率是年度数据，则其中的objects也是年度数据，而且objects数据范围小于等于workfile的范围。 例如我们选择年度数据（Annual），在起始日（Start date）、终止日（End date）分别键入1970、1998，然后点击OK，一个新的workfile就建立了（图2）。 图2
统计分析报告 基于eviews软件的湖北省人均GDP时间序列模型构建与预测 姓名：刘金玉 学院：经济管理学院 学号：20121002942 指导教师：李奇明 日期：2014年12月14日
基于eviews软件的湖北省人均GDP时间序列 模型构建与预测 1、选题背景 改革开放以来,中国的经济得到飞速发展。1978年至今,中国GDP年均增长超过9%。中国的经济实力明显增强。2001年GDP超过1.1万亿美元,排名升到世界第六位。外汇储备已达2500亿美元。市场在资源配置中已经明显地发挥基础性作用。公有、私有、外资等多种所有制经济共同发展的格局基本形成。宏观调控体系初步建立。我国社会生产力、综合国力、地区发展、产业升级、所有制结构、商品供求等指标均反映出我国经济运行质量良好,为实现第三步战略。在全国的经济飞速发展的大环境下，各省GDP的增长也是最能反映其经济发展状况的指标。而人均 GDP 是最能体现一个省的经济实力、发展水平和生活水准的综合性指标，它不仅考虑了经济总量的大小，而且结合了人口多少的因素，在国际上被广泛用于评价和比较一个地区经济发展水平。尤其是我们这样的人口大国，用这一指标反映经济增长和发展情况更加准确、深刻和富有现实意义。深入分析这一指标对于反映我国经济发展历程、探讨增长规律、研究波动状况，制定相应的宏观调控政策有着十分重要的意义。 本文是以湖北省人均GDP作为研究对象。湖北省人均GDP的增长速度在上世纪90年代增长率有下滑的趋势（见表1）。进入21世纪，继东部沿海地区先发展起来，并涌现出环渤海、长三角、珠三角等城市群，以及中共中央提出“西部大开发”的战略后，中部地区成了“被遗忘的区域”，中部地区经济发展严重滞后于东部沿海地区，为此，中共中央提出了“中部崛起”的重大战略决策。自2004年提出“中部崛起”的重要战略构思后，山西、河南、安徽、湖北、湖南、江西六个省都依托自己的资源和地理优势来扩大地区竞争力，湖北省尤为突出。那么，研究湖北省人均GDP的统计规律性和变动趋势，对于了解湖北省的经济增长规律以及地方政策的制定有特别重要的意义。因此本文试图以湖北省1978-2013年人均GDP 历史数据为样本，通过ARMA 模型对样本进行统计分析，以揭示湖北省人均GDP变化的内在规律性，建立计量经济模型，并在此基础上进行短期外推预测，作为湖北未来几年经济发展的重要参考依据。
在 Eviews中对时间序列进行预测的详细步骤 、输入数据 1.1打开Eviews6.0，按照如图所示打开工作表创建框 giit Ob j e ct Frsc Qmck OgtiQns; T indoitf Help N?w卜Vorkfile. . I Open 卜 EiV* A-S-.- Trograirt 7ert File Import Fr izit Print S毗up Ruiiu ,.. Eli t Dated - regular uency v V/orkfile structure t/pe
1.2在右上角的data specification框中输入起止年份(start data和end data) Irregular D^ted and Panel worhfilejs may be made from Unstructured uwrkfiles by latwr speciFyiny date andjar otkier id ent fi er series? Cancel Date spe cifit 日tiori
1.3输入数据：在输入框中输入data gdp （本文采用的数据为1990—2012年的GDP 值）。当然，data后面可以输入任何你想要定义的“英文名字” 输入data gdp后注意按回车键，弹出表格窗口后在其中输入数据（也可复制进去数据：ctrl+v键）
、平稳性检验 2.1在打开的数据窗口中点击View—Correlogram (1) 在弹出的窗口中直接点OK即可J CorrelaE^^> Specifica??? X Correlogram of ?oo1st difference Lags to include 12
时间序列计量经济学模型 一．企业景气指数和企业家信心指数 1.1建立工作文件并录入数据，如图1所示 图1 这是企业景气指数和企业家信心指数的原始数据，prosperity代表企业景气指数，confidence代表企业家信心指数。 1.2平稳性检验 1.2．1平稳性的图示判断（图2）
图2 从图中可以看出企业景气指数和企业家信心指数这两序列都是非平稳的。 1.2.2样本自相关图判断 点击主界面Quick\Series Statistics\Correlogram...，在弹出的对话框中输入prosperity，点击OK就会弹出Correlogram Specification对话框，选择Level，并输入要输出的阶数(一般默认为24)，点击OK，即可得到prosperity的样本相关函数图,如图3所示。
图3 从上述样本相关函数图，可以看到企业景气指数（prosperity）的样本相关函数是缓慢的递减趋于零的，但随着时间的推移，在0附近波动并呈发散趋势。所以，通过企业景气指数（prosperity）的样本相关图，可初步判定该企业景气指数（prosperity）时间序列非平稳。 同理得：confidence的样本相关函数图,如图4所示
图4 从上述样本相关函数图，可以看到企业家信心指数（confidence）的样本相关函数是缓慢的递减趋于零的，但随着时间的推移，在0附近波动并呈发散趋势。所以，通过企业家信心指数（confidence）的样本相关图，可初步判定该企业家信心指数（confidence）时间序列非平稳。 1.2.3单位跟检验 单位跟检验((ADF检验 检验)) （1）企业景气指数（prosperity） 采用ADF检验对prosperity序列进行平稳性的单位根检验。点击主界面Quick\Series Statistics\Unit Root Test...，在弹出的Series对话框中输入prosperity，点击OK，就会出现Unit Root Test对话框，如图5所示。
时间序列分析实验指导统计与应用数学学院
前言 随着计算机技术的飞跃发展以及应用软件的普及，对高等院校的实验教学提出了越来越高的要求。为实现教育思想与教学理念的不断更新，在教学中必须注重对大学生动手能力的培训和创新思维的培养，注重学生知识、能力、素质的综合协调发展。为此，我们组织统计与应用数学学院的部分教师编写了系列实验教学指导书。 这套实验教学指导书具有以下特点： ①理论与实践相结合，书中的大量经济案例紧密联系我国的经济发展实际，有利于提高学生分析问题解决问题的能力。 ②理论教学与应用软件相结合，我们根据不同的课程分别介绍了SPSS、SAS、MATLAB、EVIEWS等软件的使用方法，有利于提高学生建立数学模型并能正确求解的能力。 这套实验教学指导书在编写的过程中始终得到安徽财经大学教务处、实验室管理处以及统计与应用数学学院的关心、帮助和大力支持，对此我们表示衷心的感谢！ 限于我们的水平，欢迎各方面对教材存在的错误和不当之处予以批评指正。 统计与数学模型分析实验中心 2007年2月
目录 实验一 EVIEWS中时间序列相关函数操作·错误!未定义书签。实验二确定性时间序列建模方法·····错误!未定义书签。实验三时间序列随机性和平稳性检验···错误!未定义书签。实验四时间序列季节性、可逆性检验···错误!未定义书签。实验五 ARMA模型的建立、识别、检验··错误!未定义书签。实验六 ARMA模型的诊断性检验·····错误!未定义书签。实验七 ARMA模型的预测········错误!未定义书签。实验八复习ARMA建模过程·······错误!未定义书签。实验九时间序列非平稳性检验······错误!未定义书签。
实验二 EVIEWS中时间序列相关函数操作 【实验目的】熟悉Eviews的操作：菜单方式，命令方式； 练习并掌握与时间序列分析相关的函数操作。 【实验内容】 一、EViews软件的常用菜单方式和命令方式； 二、各种常用差分函数表达式； 三、时间序列的自相关和偏自相关图与函数； 【实验步骤】 一、EViews软件的常用菜单方式和命令方式； ㈠创建工作文件 ⒈菜单方式 启动EViews软件之后，进入EViews主窗口 在主菜单上依次点击File/New/Workfile，即选择新建对象的类型为工作文件，将弹出一个对话框，由用户选择数据的时间频率（frequency）、起始期和终止期。选择时间频率为Annual（年度），再分别点击起始期栏（Start date）和终止期栏（End date），输入相应的日期，然后点击OK按钮，将在EViews软件的主显示窗口显示相应的工作文件窗口。 工作文件窗口是EViews的子窗口，工作文件一开始其中就包含了两个对象，一个是系数向量C（保存估计系数用），另一个是残差序列RESID（实际值与拟合值之差）。 ⒉命令方式 在EViews软件的命令窗口中直接键入CREATE命令，也可以建立工作文件。命令格式为：CREATE 时间频率类型起始期终止期 则菜单方式过程可写为：CREATE A 1985 1998 ㈡输入Y、X的数据 ⒈DATA命令方式 在EViews软件的命令窗口键入DATA命令，命令格式为： DATA <序列名1> <序列名2>…<序列名n> 本例中可在命令窗口键入如下命令： DATA Y X ⒉鼠标图形界面方式 在EViews软件主窗口或工作文件窗口点击Objects/New Object，对象类型
实验一 EVIEWS中时间序列相关函数操作 【实验目的】熟悉Eviews的操作：菜单方式，命令方式； 练习并掌握与时间序列分析相关的函数操作。 掌握时间序列的白噪声检验 【实验内容】 一、复习EViews软件的常用菜单方式和命令方式； 二、各种常用差分函数表达式以及确定性趋势模型拟合； 三、时间序列的自相关和偏自相关图与函数； 四、时间序列的白噪声检验 【实验步骤】 复习：EViews软件的常用菜单方式和命令方式； （一）创建工作文件 ⒈菜单方式 启动EViews软件之后，进入EViews主窗口 在主菜单上依次点击File/New/Workfile，即选择新建对象的类型为工作文件，将弹出一个对话框，由用户选择数据的时间频率（frequency）、起始期和终止期。选择时间频率为Annual（年度），再分别点击起始期栏（Start date）和终止期栏（End date），输入相应的日期，然后点击OK按钮，将在EViews软件的主显示窗口显示相应的工作文件窗口。 工作文件窗口是EViews的子窗口，工作文件一开始其中就包含了两个对象，一个是系数向量C（保存估计系数用），另一个是残差序列RESID（实际值与拟合值之差）。 ⒉命令方式 在EViews软件的命令窗口中直接键入CREATE命令，也可以建立工作文件。命令格式为：CREATE 时间频率类型起始期终止期 则菜单方式过程可写为：CREATE A 1985 1998 （二）输入Y、X的数据 ⒈DATA命令方式 在EViews软件的命令窗口键入DATA命令，命令格式为： DATA <序列名1> <序列名2>…<序列名n> 本例中可在命令窗口键入如下命令： DATA Y X
(3) 对转换后变量使用OLS (X 包括常数项和回归 量x ) (25.12) 其中。 EViews在输出中给 出了由(3)得到的的参数估计。使用协方差矩阵的标准估计量计算 标准差。 EViews给出了随机影响的估计值。计算公式为： (25.13) 得到的是的最优线性无偏预测值。最后， EViews给出了加权和不加权的概括统计量。加权统计量来自(3)中的 GLS估计方程。未加权统计量来自普通模型的残差，普通模型中包括 (3)中的参数和估计随机影响： (25.14) 三、截面加权当残差具有截面异方差性和 同步不相关时最好进行截面加权回归： (25.15) EViews进行FGLS，并且从一阶段Pool最小 二乘回归得出。估计方差计算公式为： (25.16) 其中是OLS的拟合值。估计系数值和协方差矩阵 由标准GLS估计量给出。四、SUR加权当残差具有截 面异方差性和同步相关性时，SUR加权最小二乘是可行的GLS估计量： (25.17) 其中是同步相关的对称阵： (25.18) 一般项，在所有的t时为常 数。 EViews估计SUR模型时使用的是由一阶段Pool 最小二乘回归得到： (25.19) 分母中的最大值函数是为了解决向下加权协方差项产
生的不平衡数据情况。如果缺失值的数目可渐进忽略，这种方法生成可逆的的一致估计量。模型的参数估计和参数协方差矩阵计算使用标准的GLS公式。五、怀特（White）协方差估计在Pool估计中可计算怀特的异方差性一致协方差估计（除了SUR和随机影响估计）。EViews使用堆积模型计算怀特协方差矩阵：(25.20) 其中K是估计参数总数。这种方差估计量足以解释各截面成员产生的异方差性，但不能解释截面成员间同步相关的可能。 * * 第二十五章时间序列/截面数据模型在经典计量经济学模型中，所利用的数据（样本观测值）的一个特征是，或者只利用时间序列数据(time series)，或者只利用截面数据(cross section)。我们经常遇到在同一时间包含不同截面成员信息的数据，或在若干时间区间观测到相关的一些截面成员的数据。例如许多欧洲国家的GDP时间序列数据，或者是一段时间不同地区的失业状态数据。我们称这些数据为联合利用时间序列/截面数据（Pooled time series，cross section）。有的书中也称这类数据为面板数据(panel data)，指在时间序列上取多个截面，在这些截面上同时选取样本观测值所构成的样本数据。处理时间序列/截面数据的EViews对象称为一个Pool。EViews提供了许多专用工具处理Pool数据，包括数据管理，选择时间序列长度和截面成员的多少，以及进行数据估计。本章将主要介绍怎样建立Pool数据以及定义和处理Pool对象。§25.1 Pool对象 Pool对象的核心是建立用来表示截面成员的名称表。为明显起见，名称要相对较短。例如，国家作为截面成员时，