自回归模型 java_Eviews的ARIMA(差分自回归移动平均模型)模型入门操作指南
ARIMA模型即差分自回归移动平均模型,它是在AR、MA、ARMA模型的基础上,基于数据的平稳性构建的差分时间序列,ARIMA模型包含AR、MA、ARMA模型,所以学会操作ARIMA模型,也就相当于学会了AR、MA、ARMA模型。ARIMA(p,d,q)中,AR是"自回归",p为自回归项数;I为差分,d为使之成为平稳序列所做的差分次数(阶数);MA为"滑动平均",q为滑动平均项数。
1
数据及平稳性检验
对2019年6月19日-2020年6月19日格力电器股票的开盘价序列进行分析,数据如下:
然后进行平稳性检验,具体操作过程参见本公众号文章
《
Eviews中时间序列的平稳性、协整检验操作(一):ADF单位根检验》
ADF检验结果如下:
如图所示,NullHypothesis表示原假设是:rgdp序列具有一个单位根,即rgdp原序列为一个非平稳序列。ADF检验值为0.401554,对应p值=0.9985,大于0.05,在5%的显著性水平下接受原假设,rgdp序列具有单位根,是非平稳序列。
接下来检验一阶差分的GDP:
可以看到一阶差分后的rgdp仍然是非平稳的(p值大于0.05);
做二阶差分的rgdp:
如图所示,NullHypothesis表示原假设是:二阶差分的rgdp序列具有一个单位根, ADF检验值为-6.417232,对应p值=0.0000,小于0.05,在5%的显著性水平下拒绝原假设,二阶差分rgdp序列不具有单位根,是平稳序列。
2
p,d,q的确定
经过以上验证,可以认为二阶差分rgdp序列是单整的平稳数据,即只需要建立ARMA(p,2,q)模型。ARMA(p,2,q)可以转化为AR()和MA(),其对应的特征为两种函数均表现为逐渐衰减的态势,在样本对应的ACF和PACF图形上,可以进行相应的判断。
首先生成二阶差分rgdp序列,在Eviews输入以下命令:
genr drgdp=rgdp-rgdp(-1)genr ddrgdp= drgdp-drgdp(-1)
然后进行自相关与偏自相关分析:
如图所示,ddrgdp的序列对应的ACF图形形在第2期就衰减为0,PACF图形也在第2期衰减为0,因此可以建立ddrgdp的ARMA(2,2),也就是ARIMA(2,2,2)模型。
3
估计模型
估计模型的未知参数,在Eviews输入以下命令:
ls ddrgdp c ar(1) ar(2) ma(1) ma(2)
得到结果:
可以看到,AR(1)的估计系数为-0.354667,AR(2)的估计系数为-0.785199,MA(1)的估计系数为0.393404;MA(2)的估计系数为0.487878。
估计结果如下:
从ddrgdp残差图中观察可知,残差序列基本不具有序列相关性,除了2008年左右,残差的波动幅度基本在二倍置信区间之间,振幅小于5%。
4
预测
为了考察ARIMA(2,2,2)模型对ddrgdp的预测效果,根据此模型对2020年进行预测。
在Eviews中预测得到2020年的ddrgdp=195.0616,那么2020年的drgdp=195.0616+drgdp(2019)=195.0616+8321.219=8516.281,
那么,2020年的
rgdp=8516.281+rgdp(2019)=8516.281+144543.4804=153059.7614
欢迎扫码关注,若有问题,请点击“在看”留言或在公众号里留言。
自回归模型 java_Eviews的ARIMA(差分自回归移动平均模型)模型入门操作指南相关推荐
- ARIMA差分自回归移动平均模型--时间序列预测
ARIMA差分自回归移动平均模型 1.ARIMA模型理论基础 2.ARIMA建模步骤 3.ARIMA建模实战 3.1 导入模块 3.2 加载数据 3.3 平稳性检验 3.4 单位根检验 3.4 白噪声 ...
- 时间序列预测---差分自回归移动平均模型(ARIMA模型)
ARIMA模型简介 1. 数据平稳性 了解ARIMA模型就要先了解数据的平稳性,样本数据获得的时间序列,在未来一段时间沿着一个"趋势"发展下去,只有具有平稳性的数据才可以做预测 平 ...
- 自回归AR模型、移动平均MA模型与自回归移动平均ARMA模型的比较分析
系统中某一因素变量的时间序列数据没有确定的变化形式,也不能用时间的确定函数描述,但可以用概率统计方法寻求比较合适的随机模型近似反映其变化规律.(自变量不直接含有时间变量,但隐含时间因素) 1. 自回归 ...
- 自回归AR模型、移动平均MA模型、自回归移动平均ARMA模型
- 【视频】Python和R语言使用指数加权平均(EWMA),ARIMA自回归移动平均模型预测时间序列...
原文链接:http://tecdat.cn/?p=21773 时间序列(从现在起称为TS)被认为是数据科学领域中鲜为人知的技能之一(点击文末"阅读原文"获取完整代码数据). 视频: ...
- arma自回归matlab,基于MATLAB的自回归移动平均模型_ARMA_在股票预测中的应用
基于MAT L AB 的自回归移动平均模型(ARMA)在股票 预测中的应用 翟志荣,白艳萍 (中北大学理学院,山西太原030051) 摘要:利用时间序列在t 时刻的有效观测值去预测在某个未来时刻t+l ...
- arima模型 p q d 确定_自回归移动平均模型(ARMA)
自回归模型(AR): ①描述当前值和历史值之间的关系,用变量自身的历史时间数据对自身进行预测. ②自回归模型必须满足平稳性的要求. ③ 移动平均模型(MA)关注的是自回归模型中的误差项的累加. 移动平 ...
- linux差分备份,完全和差分备份的自动化模型
下面提供了一个简单的脚本文件来作为一个同时实现完全和差分备份的自动化模型.在使用该脚本以前,请注意检查脚本头定义的环境变量以满足自己的需要. #!/bin/sh # ################# ...
- 【论文笔记09】Differentially Private Hypothesis Transfer Learning 差分隐私迁移学习模型, ECMLPKDD 2018
目录导引 系列传送 Differentially Private Hypothesis Transfer Learning 1 Abstract 2 Bg & Rw 3 Setting &am ...
- Python使用tpot获取最优模型并抽取最优模型模型参数
Python使用tpot获取最优模型并抽取最优模型模型参数 目录 Python使用tpot获取最优模型并抽取最优模型模型参数 #数据划分
最新文章
- 基于TensorFlow打造强化学习API:TensorForce是怎样炼成的?
- Oracle基本操作(二)
- SpringBoot @Cacheable自定义KeyGenerator
- go语言游戏编程-Ebiten渲染一张图片
- 重要接口—RandomAccess接口
- 恕我直言,有了这款 IDEA 插件,你可能只需要写 30% 的代码。。。
- 复地邮箱服务器地址,打印服务器设置方法
- 4后期盒子叫什么_考研:什么叫跨考专业?跨考专业的4大原因和存在3个方面的困难...
- 鬼泣最稳定的服务器,DNF95级版本国服环境下,鬼泣和红神谁更强?深度对比客观分析!...
- 丢失更新的问题产生和解决
- 看斯皮尔伯格大爷,看政治与奥运
- 用ESP32打造一个物联网红外测温打卡机/春节结束急着上班?哒咩,再努力奋斗也要先测体温
- Java高级类特性(二)
- FusionGAN解读2:跑起来
- 招聘-大数据开发工程师
- 【简书交友】阿群1986: 一个专注于修电脑做系统的青岛小哥
- python下载夏目友人帳
- 【商品架构day5】淘宝:TOP1的商品系统长什么样子
- August 21st 2016 Week 35th Sunday
- 基于51单片机数字频率计的设计