Eviews7.2模型建模与预测时间序列分析（ARIMA 模型的建立与预测）

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“Dated –regular frequency”，在“Date specification”栏中分别选择“Annual”(年数据)，分别在起始年输入1867，终止年输入1938，点击ok，这样就建立了一个工作文件。点击 File/Import，找到相应的 Excel 数据集，导入即可。

（2）时序图判断平稳性

从上面的绵羊数量时序图可以看出该序列未在一个数值附近上下震荡，因此显著非平稳。

（3）原始数据的对数处理

number序列显著非平稳，现对其一阶差分序列进行ADF 检验，在图中的对话框中选择 “1 st difference”，检验结果见图4，可以看出在显著性水平 0.05 下显著拒绝存在单位根的原假设，说明一阶差分序列是平稳的，因此 d=1。

（4）建立一阶差分序列

在 Eviews 对话框中输入“series x=number-number（-1）”，并点击“回车”，如图5，便得到了经过一阶差分处理后的新序列x，其时序图见图6，从直观上来看序列 x 是平稳的，这就可以对x序列进行ARMA模型分析了。

（5）模型的识别
做平稳序列 x 的自相关图

从 x 的自相关函数图和偏自相关函数图中我们可以看到，偏自相关系数三阶截尾，自相关系数四阶截尾。
2、模型的参数估计
点击“Quick”-“Estimate Equation”，在弹出窗口中Equation Specification‖空白栏中键入x c ar(1) ar(2) ar(3) ma(1) ma(2) ma(3) ma(4)，然后点击OK

逐次剔除得到下图

经过不断的尝试，最终选择了ar(2) ar(3) ma(1) ma(2) ma(3) ma(4)模型
可以看到，模型所有解释变量的参数估计值在 0.01 的显著性水平下都是显著的。
3、模型的诊断检验
DW统计量在2附近，残差不存在一阶自相关，但需要对残差做进一步分析：点击View-Residual -test-Correlogram-Q-statistics，点击OK，如图（10）残差不再存在自相关，说明模型拟合很好，

4、模型的预测
点击“Forecast”选择静态预测，在主窗口中输入expand 1867 1939

由于是一阶差分后预测值为87.Xt=Xt-1+87
即可预测1939年的绵羊数量为1878

Eviews7.2模型建模与预测时间序列分析（ARIMA 模型的建立与预测）相关推荐

时间序列分析-ARIMA模型
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档时间序列分析-ARIMA模型概述一.时间序列平稳性 1.严平稳 2.弱平稳二.建模步骤 1.平稳性检验 2.人工p 和 q 阶数 ...
arima 数据预处理_时间序列分析|ARIMA模型分步骤解析及R中实践
你是否想要做时间序列分析,但却不知道代码怎么写? 你是否不清楚时间序列分析各种模型该在什么情况下使用? 本文将针对以上两个问题,带你入门时间序列分析~ 等等! 不止'入门' 读完这篇,你立即就能在R中 ...
python arima模型_时间序列分析 ARIMA模型 Python（2）
最近做了一个时间序列分析的项目.时间序列分析不同于以前的项目--看一下相关的库怎么用,就可以快速上线应用.它是非常需要你的基础知识的,Hamilton关于<时间序列分析>方面的知识,写了厚 ...
python时间序列分析航空旅人_时间序列分析-ARIMA模型（python）
时间序列概念:在生产和科学研究中,对某一个或者一组变量进行观察测量,将在一系列时刻所得到的离散数字组成的序列集合,称之为时间序列.时间序列分析是根据系统观察得到的时间序列数据,通过曲线拟合和参数估 ...
covariance matrix r语言_时间序列分析|ARIMAX模型分步骤详解和R中实践
这是关于时间序列的第N篇文章,本文将介绍ARIMAX模型,简单来说就是在ARIMA的基础上增加一个外生变量.ARIMAX和ARIMA相比在理论上没有太多新的内容,所以本文直接介绍在R里怎么一步一步跑A ...
R语言ARIMA集成模型预测时间序列分析
全文链接:http://tecdat.cn/?p=18493 本文我们使用4个时间序列模型对每周的温度序列建模.第一个是通过auto.arima获得的,然后两个是SARIMA模型,最后一个是Buys- ...
时间序列分析ARMA模型原理及Python statsmodels实践（上）
目录 1. 时间序列及相关基本概念 1.1. 时间序列分解 1.2. 时间平稳序列 1.3. 自相关与自相关函数(ACF) 1.4. 白噪声及Ljung-Box检验 1.4.1. 白噪声 1.4.2. ...
时间序列分析 | RBF径向基神经网络时间序列预测（Matlab完整程序）
时间序列分析 | RBF径向基神经网络时间序列预测(Matlab完整程序) 目录时间序列分析 | RBF径向基神经网络时间序列预测(Matlab完整程序) 预测结果评价指标模型介绍完整程序预 ...
经济数据预测 | Python实现ARIMA模型股票趋势预测
经济数据预测 | Python实现ARIMA模型股票趋势预测目录经济数据预测 | Python实现ARIMA模型股票趋势预测基本介绍数据描述程序设计参考资料基本介绍随着人们生活水平的提 ...

Eviews7.2模型建模与预测时间序列分析（ARIMA 模型的建立与预测）

Eviews7.2模型建模与预测时间序列分析（ARIMA 模型的建立与预测）相关推荐

最新文章

热门文章