應用eviews分析數(shù)據(jù)和預測

應用eviews分析數(shù)據(jù)和預測01預備知識

ARIMA模型預測的基本程序:1)根據(jù)時間序列的散點圖、自相關函數(shù)和偏自相關函數(shù)圖以ADF單位根檢驗其方差、趨勢及其季節(jié)性變化規(guī)律，對序列的平穩(wěn)性進行識別。一般來講，經(jīng)濟運行的時間序列都不是平穩(wěn)序列。2)對非平穩(wěn)序列進行平穩(wěn)化處理。如果數(shù)據(jù)序列是非平穩(wěn)的，并存在一定的增長或下降趨勢，則需要對數(shù)據(jù)進行差分處理，如果數(shù)據(jù)存在異方差，則需對數(shù)據(jù)進行技術處理，直到處理后的數(shù)據(jù)的自相關函數(shù)值和偏相關函數(shù)值無顯著地異于零。3)根據(jù)時間序列模型的識別規(guī)則，建立相應的模型。若平穩(wěn)序列的偏相關函數(shù)是截尾的，而自相關函數(shù)是拖尾的，可斷定序列適合AR模型；若平穩(wěn)序列的偏相關函數(shù)是拖尾的，而自相關函數(shù)是截尾的，則可斷定序列適合MA模型；若平穩(wěn)序列的偏相關函數(shù)和自相關函數(shù)均是拖尾的，則序列適合ARMA模型。4)進行參數(shù)估計，檢驗是否具有統(tǒng)計意義。5)進行假設檢驗，診斷殘差序列是否為白噪聲。利用已通過檢驗的模型進行預測分析。02過程與步驟

本次選取A股市場一只股票從2019年8月至2022年8月份，前后涉及732個交易日數(shù)據(jù)的分析。1．建立Workfile和對象，錄入股票價格X和變量t支出數(shù)據(jù)如圖2.6.1。圖2.6.12．雙擊打開x序列表格形式，點擊表格左端View\Gragh\Line，或者在命令框中輸入“l(fā)inex”?？梢钥闯鰔是有一定時間趨勢的，如圖2.6.2。圖2.6.2

可見序列x具有明顯的趨勢和季節(jié)波動，宜采用模型3或模型2檢驗。3．點擊序列x表格上菜單命令：View\UnitRootTest，出現(xiàn)對話框（圖2.6.3）

圖2.6.3可從圖中看到，默認的檢驗方法為ADF，默認檢驗水平數(shù)據(jù)（原始數(shù)據(jù)，后兩者1st、2nd為1階差分和二階差分數(shù)據(jù)），默認的檢驗模式為模型2。而右邊在滯后階數(shù)的選取上，默認采用SIC最小。4．將檢驗模型改為模型3，其余采用默認設定，點OK，出來結果如圖2.6.4：圖2.6.4從結果可以判斷序列x有單位根。大家可以選擇其他模式和滯后期來檢驗，以形成最終的判斷。檢驗序列x一階差分序列的平穩(wěn)性：在圖2.6.3所示對話框中選1stdiferent，檢驗模型為模型2，點OK，得下圖2.6.5圖2.6.5從結果中可見序列x為一階差分平穩(wěn)的，故序列x為一階單整的。03建立ARIMA模型趨勢圖：plotx或者linex一階差分之后的趨勢圖，顯示數(shù)據(jù)平穩(wěn)先看自相關系數(shù)和偏相關系數(shù)圖Identx或者直接點開

可嘗試AR——46927MA——4627

lsd(x)car(4)ar(6)ar(9)ar(27)

ma(4)

ma(6)

ma(27)分析：F統(tǒng)計量顯示顯著，說明整個模型建立通過，DW值為2.0295，不存在自相關性了。ar(9)、ma(27)不顯著，可以考慮去掉，擬合優(yōu)度僅0.054，很差，AIC值2.09（越小越好）。進一步，檢驗殘差是否為白噪聲序列，若為白噪聲序列說明信息提取充分，否則需要重新建模。結果如下：信息的提取并不充分，需要重新建模分析。

lsd(x)car(4)ar(6)

ar(27)ma(4)

ma(6)依然較差。變換模型lsd(x)car(4)ar(6)ar(9)ar(11)ar(27)ar(28)ar(29)ma(4)

ma(6)

ma(11)ma(27)經(jīng)過反復嘗試，建立以下模型：lsd(x)c

ar(4)ar(5)ar(6)ar(9)ar(11)

ar(27)

ar(28)ar(29)

ar(32)

ma(4)ma(5)ma(6)ma(9)

ma(11)ma(14)

ma(27)ma(33)ma(34)從殘差圖來看，信息提取基本充分，可以選擇此模型。但值得說明的是，這個模型的效果并不好，因為從擬合優(yōu)度來看只有0.11，效果并不是很好。04預

測

第一步，雙擊“range”擴充數(shù)據(jù)格，

第二步，重新建模，在建立的模型表選擇“forcast”，序列選中原序列“x”，“dx”為差分序列，選擇“staticforcast”,每次只能預測一期，靜態(tài)預測較為接近，動態(tài)預測