多元時(shí)間序列建模分析

1、應(yīng)用時(shí)間序列分析實(shí)驗(yàn)報(bào)告實(shí)驗(yàn)名稱多元時(shí)間序列建模分析姓名學(xué)號(hào)班級(jí)實(shí)驗(yàn)地點(diǎn)實(shí)驗(yàn)日期指導(dǎo)教師實(shí)驗(yàn)?zāi)康模?、熟悉單位根檢驗(yàn)；2、掌握ARIMAX模型建模。涉及實(shí)驗(yàn)的相關(guān)情況介紹（包含使用軟件或?qū)嶒?yàn)設(shè)備等情況）：SAS、excel表格、word。實(shí)驗(yàn)內(nèi)容：1、 我國(guó)1950-2008年進(jìn)出口總額數(shù)據(jù)（單位：億元）如表6-15所示。表6-15年份出口總額進(jìn)口總額19502021.3195124.235.3195227.137.5195334.846.119544044.7195548.761.1195655.753195754.55019586761.7195978.171.2196063.365.11

2、96147.743196247.133.819635035.7196455.442.1196563.155.319666661.1196758.853.4196857.650.9196959.847.2197056.856.1197168.552.4197282.9641973116.9103.61974139.4152.81975143147.41976134.8129.31977139.7132.81978167.6187.41979211.7242.91980271.2298.81981367.6367.71982413.8357.51983438.3421.81984580.5620.

3、51985808.91257.819861082.11498.3198714701614.219881766.72055.1198919562199.919902985.82574.319913827.13398.719924676.34443.319935284.85986.2199410421.89960.1199512451.811048.1199612576.411557.4199715160.711806.5199815223.611626.1199916159.813736.5200020634.418638.8200122024.420159.2200226947.924430.

4、3200336287.934195.6200449103.346435.8200562648.154273.7200677594.663376.9200793455.673284.62008100394.979526.5（1）使用單位根檢驗(yàn)，分別考察進(jìn)口總額和出口總額序列的平穩(wěn)。（2）分別對(duì)進(jìn)口總額序列和出口總額數(shù)據(jù)擬合模型。（3）考察這兩個(gè)序列是否具有協(xié)整關(guān)系。（4）如果這兩個(gè)序列具有協(xié)整關(guān)系，請(qǐng)建立適當(dāng)模型擬合它們之間的相關(guān)關(guān)系。（5）構(gòu)造該協(xié)整模型的誤差修正模型。實(shí)驗(yàn)過(guò)程記錄（含程序、數(shù)據(jù)記錄及分析和實(shí)驗(yàn)結(jié)果等）：時(shí)序圖如下：?jiǎn)挝桓鶛z驗(yàn)輸出結(jié)果如下：序列x的單位根檢驗(yàn)結(jié)果：序列y的單位根

5、檢驗(yàn)結(jié)果：序列y和序列x之間的相關(guān)圖如下：殘差序列自相關(guān)圖： 自相關(guān)圖顯示。延遲6階之后自相關(guān)系數(shù)都在2倍標(biāo)準(zhǔn)差范圍之內(nèi)，可以認(rèn)為殘差序列平穩(wěn)。對(duì)殘差序列進(jìn)行2階自相關(guān)單位根檢驗(yàn)，檢驗(yàn)結(jié)果顯示殘差序列顯著平穩(wěn)，如下圖：殘差序列單位根檢驗(yàn)結(jié)果：殘差序列平穩(wěn)，說(shuō)明序列Y與序列X之間具有協(xié)整關(guān)系，我可以大膽的在這兩個(gè)序列之間建立回歸模型而不必?fù)?dān)心虛假回歸問(wèn)題?？疾鞖埐钚蛄邪自肼暀z驗(yàn)結(jié)果，如下圖：殘差序列白噪聲檢驗(yàn)結(jié)果：輸出結(jié)果顯示，延遲各階LB統(tǒng)計(jì)量的P值都大于顯著水平0.05，可以認(rèn)為殘差序列為白噪聲檢驗(yàn)結(jié)果，結(jié)束分析。出口序列擬合的模型為：lnxtARIMA(1,1,0),具體口徑為：進(jìn)口序列擬

6、合的模型為 lnytARIMA(1,1,0) ，具體口徑為：lnyt和lnxt具有協(xié)整關(guān)系。協(xié)整模型為：誤差修正模型為：SAS程序如下：data example6_4;input x y;t=_n_;cards;195020.021.3195124.235.3195227.137.5195334.846.1195440.044.7195548.761.1195655.753.0195754.550.0195867.061.7195978.171.2196063.365.1196147.743.0196247.133.8196350.035.7196455.442.1196563.155.319

7、6666.061.1196758.853.4196857.650.9196959.847.2197056.856.1197168.552.4197282.964.01973116.9103.61974139.4152.81975143.0147.41976134.8129.31977139.7132.81978167.6187.41979211.7242.91980271.2298.81981367.6367.71982413.8357.51983438.3421.81984580.5620.51985808.91257.819861082.11498.319871470.01614.2198

8、81766.72055.119891956.02199.919902985.82574.319913827.13398.719924676.34443.319935284.85986.2199410421.89960.1199512451.811048.1199612576.411557.4199715160.711806.5199815223.611626.1199916159.813736.5200020634.418638.8200122024.420159.2200226947.924430.3200336287.934195.6200449103.346435.8200562648.

9、154273.7200677594.663376.9200793455.673284.62008100394.979526.5run;proc gplot;plot x*t=1 y*t=2/overlay;symbol1 c=black i=join v=none;symbol2 c=red i=join v=none w=2 l=2;run;proc arima data=example6_4;identify var=x stationarity=(adf=1);identify var=y stationarity=(adf=1);run;proc arima;identify var=y crrosscorr=x;estimate methed=ml input=x plot;forecast lead=0 id=t out=out;proc aima data=out;identify varresid