发布时间 : 星期五 文章用EVIEWS处理时间序列更新完毕开始阅读
表示不包含截距项
图2：单位根检验的方法选择
图3：ADF检验的结果：如图，单位根统计量ADF=-0.016384都大于EVIEWS给出的显著性水平1%-10%的ADF临界值，所以接受原假设，该序列是非平稳的。
二、纯随机性检验
计算Q统计量，根据其取值判定是否为纯随机序列。
例2.3的自相关图中有Q统计量，其P值在K=6、12的时候均比较大，不能拒绝原假设，认为 该序列是白噪声序列。
另外，小样本情况下，LB统计量检验纯随机性更准确。
第三章 平稳时间序列建模实验教程
一、模型识别
1.打开数据 图1：打开数据
2.绘制趋势图并大致判断序列的特征 图2：绘制序列散点图 图3：输入散点图的两个变量 图4：序列的散点图 3.绘制自相关和偏自相关图 图1：在数据窗口下选择相关分析 图2：选择变量 图3：选择对象 图4：序列相关图
4.根据自相关图和偏自相关图的性质确定模型类型和阶数
如果样本(偏)自相关系数在最初的d阶明显大于两倍标准差范围，而后几乎95％的自相关系数都落在2倍标准差的范围以内，而且通常由非零自相关系数衰减为小值波动的过程非常突然。这时，通常视为(偏)自相关系数截尾。截尾阶数为d。 本例：
? 自相关图显示延迟3阶之后，自相关系数全部衰减到2倍标准
差范围内波动，这表明序列明显地短期相关。但序列由显著非零的相关系数衰减为小值波动的过程相当连续，相当缓慢，该自相关系数可视为不截尾
? 偏自相关图显示除了延迟1阶的偏自相关系数显著大于2倍标准差之外，其它的偏自相关系数都在2倍标准差范围内作小值随机波动，而且由非零相关系数衰减为小值波动的过程非常突然，所以该偏自相关系数可视为一阶截尾 ? 所以可以考虑拟合模型为AR(1) 自相关系数 拖尾 Q阶截尾 拖尾 偏相关系数 P阶截尾 拖尾 拖尾 模型定阶 AR(p)模型 MA（q）模型 ARMA(P,Q)模型 具体判别什么模型看书58到62的图例。
AR模型：Xt???1?t1?AR(1)*B?AR(2)*B2???AR(P)*BP1?MA(1)*B?MA(2)*B???MA(q)*B?t2P1?AR(1)*B?AR(2)*B???AR(P)*B2q：
MA模型：（1?MA(1)*B?MA(2)*B2???MA(q)*Bq）?tXt???ARMA模型：Xt???
（其中模型中的ar(1)??MA(1)表示的是求出来的系数。?就是常数项）二、模型参数估计
根据相关图模型确定为AR(1)，建立模型估计参数
在ESTIMATE中按顺序输入变量cx c cx(-1)或者cx c ar(1) 选择LS参数估计方法，查看输出结果，看参数显著性，该例中两个参数都显著。
细心的同学可能发现两个模型的C取值不同，这是因为前一个模型的C为截距项；后者的C则为序列期望值，两个常数的含义不同。 图1：建立模型
图2：输入模型中变量，选择参数估计方法 图3：参数估计结果 图4：建立模型
图5：输入模型中变量，选择参数估计方法 图6：参数估计结果
三、模型的显著性检验
检验内容：
整个模型对信息的提取是否充分； 参数的显著性检验，模型结构是否最简。 图1：模型残差
图2：残差的平稳性和纯随机性检验
对残差序列进行白噪声检验，可以看出ACF和PACF都没有显著异于零，Q统计量的P值都远远大于0.05，因此可以认为残差序列为白噪声序列，模型信息提取比较充分。
常数和滞后一阶参数的P值都很小，参数显著；因此整个模型比较精简，模型较优。