1、时间序列上机操作第一讲：基本的eviews操作（包括试验一和实验二）实验一 EVIEWS中时间序列相关函数操作【实验目的】熟悉Eviews的操作：菜单方式，命令方式；练习并掌握与时间序列分析相关的函数操作。【实验内容】一、EViews软件的常用菜单方式和命令方式；二、各种常用差分函数表达式； 三、时间序列的自相关和偏自相关图与函数；【实验步骤】一、EViews软件的常用菜单方式和命令方式；创建工作文件菜单方式启动EViews软件之后，进入EViews主窗口在主菜单上依次点击File/New/Workfile，即选择新建对象的类型为工作文件，将弹出一个对话框，由用户选择数据的时间频率（frequ
2、ency）、起始期和终止期。选择时间频率为Annual（年度），再分别点击起始期栏（Start date）和终止期栏（End date），输入相应的日期，然后点击OK按钮，将在EViews软件的主显示窗口显示相应的工作文件窗口。工作文件窗口是EViews的子窗口，工作文件一开始其中就包含了两个对象，一个是系数向量C（保存估计系数用），另一个是残差序列RESID（实际值与拟合值之差）。命令方式在EViews软件的命令窗口中直接键入CREATE命令，也可以建立工作文件。命令格式为：CREATE 时间频率类型 起始期 终止期 则菜单方式过程可写为：CREATE A 1985 1998输入Y、X的数据
3、DATA命令方式在EViews软件的命令窗口键入DATA命令，命令格式为：DATA 本例中可在命令窗口键入如下命令：DATA Y X鼠标图形界面方式在EViews软件主窗口或工作文件窗口点击Objects/New Object，对象类型选择Series，并给定序列名，一次只能创建一个新序列。再从工作文件目录中选取并双击所创建的新序列就可以展示该对象，选择Edit/，进入编辑状态，输入数据。生成log（Y）、log（X）、X2、1/X、时间变量T等序列在命令窗口中依次键入以下命令即可：GENR LOGY=LOG(Y)GENR LOGX=LOG(X)GENR X1=X2GENR X2=1/XGEN
4、R T=TREND(84)选择若干变量构成数组，在数组中增加变量。在工作文件窗口中单击所要选择的变量，按住Ctrl键不放，继续用鼠标选择要展示的变量，选择完以后，单击鼠标右键，在弹出的快捷菜单中点击Open/as Group，则会弹出数组窗口，其中变量从左至右按在工作文件窗口中选择变量的顺序来排列。在数组窗口点击Edit/，进入全屏幕编辑状态，选择一个空列，点击标题栏，在编辑窗口输入变量名，再点击屏幕任意位置，即可增加一个新变量增加变量后，即可输入数据。点击要删除的变量列的标题栏，在编辑窗口输入新变量名，再点击屏幕任意位置，弹出RENAME对话框，点击YES按钮即可。在工作文件窗口中删除、更名
5、变量。在工作文件窗口中选取所要删除或更名的变量并单击鼠标右键，在弹出的快捷菜单中选择Delete（删除）或Rename（更名）即可在工作文件窗口中选取所要删除或更名的变量，点击工作文件窗口菜单栏中的Objects/Delete selected（Rename selected），即可删除（更名）变量在工作文件窗口中选取所要删除的变量，点击工作文件窗口菜单栏中的Delete按钮即可删除变量。三、图形分析与描述统计分析利用PLOT命令绘制趋势图在命令窗口中键入：PLOT Y也可以利用PLOT命令将多个变量的变化趋势描绘在同一张图中，例如键入以下命令，可以观察变量Y、X的变化趋势PLOT Y X 利
6、用SCAT命令绘制X、Y的散点图在命令窗口中键入：SCAT X Y则可以初步观察变量之间的相关程度与相关类型二、各种常用差分函数表达式表1-1:1949年1月-1960年12月数据1949年1950年1951年1952年1953年1954年1955年1956年1957年1958年1959年1960年111211514517119620424228431534036041721181261501801961882332773013183423913132141178193236235267317356362406419412913516318123522726931334834839646151
7、21125172183229234270318355363420472613514917821824326431537442243547253571481701992302643023644134654915486228148170199242272293347405467505559606913615818420923725931235540440446350810119 1331621912112292743063473594074611110411414617218020323727130531036239012118140166194201229278306306337405432（一
8、）利用D(x)命令系列对时间序列进行差分(x为表1-1中的数据)。1、在命令窗口中键入：genr dx= D(x)则生成的新序列为序列x的一阶差分序列2、在命令窗口中键入：genr dxn= D(x,n)则生成的新序列为序列x的n阶差分。3、在命令窗口中键入：genr dxs= D(x,0,s)则生成的新序列为序列x的对周期长度为s一阶季节差分。4、在命令窗口中键入：genr dxsn= D(x,n,s) 则生成的新序列为对周期长度为s的时间序列x取一阶季节差分后的序列再取n 阶差分。5、在命令窗口中键入：genr dlx= Dlog(x)则生成的新序列为x取自然对数后，再取一阶差分。6、在命
9、令窗口中键入：genr dlxsn= Dlog(x,n,s) 则生成的新序列为周期长度为s的时间序列x先取自然对数，再取一阶季节差分，然后再对序列取n 阶差分。在EVIEWS中操作的图形分别为： 三、时间序列的自相关和偏自相关图与函数；（一）观察时间序列的自相关图。命令方式：（1）在命令行输入命令：Ident x (x为序列名称)；（2）然后在出现的对话框中输入滞后时期数。（可取默认数）菜单方式：（1）双击序列图标。菜单操作方式：ViewCorrelogram，在出现的对话框中输入滞后数。（可取默认数） （二）练习：观察一些文件中的序列自相关函数Autocorrelation，偏自相关函数Pa
10、rtial autocorrelation的特征实验二 时间序列平稳性和随机性检验1.平稳性检验（分别通过时序图和自相关图检验）：见教材例2.1. 例2.2. 例2.3.例2.1（数据附录1.2）例2.2（数据附录1.3）例2.3（数据附录1.4）2.白噪声检验（分别通过自相关图和Q统计量的p值来进行检验）见课本例2.5（数据附录1.5）.习题2.21.时序图：2.计算自相关系数：第二讲： ARMA模型的建立、识别、估计、检验、预测【实验目的】 熟悉对零均值平稳序列建立ARMA模型的前三个阶段：模型识别、模型参数估计、诊断检验。（1） 根据时间序列自相关图对零均值平稳序列进行初步的模型识别。（
11、2） 运用Eviews软件估计ARMA模型参数。对所建立的模型是否为适应性模型进行诊断检验。【实验内容】模型识别根据零均值平稳化后的序列的自相关函数和偏自相关函数表现出的特征，对序列进行初步的模型识别（注：这种方法并不总是有效）。模型参数估计 Eviews建立ARMA模型的命令用到AR、MA、SAR，SMA等参数项。其中SAR、SMA两参数在建立季节性时间序列模型时要用到。 例如：对一个零均值的平稳序列x建立ARMA (2,1)模型，（1）命令操作方式为：ls x ar(1) ar(2) ma(1)（2）菜单操作方式：Quick-Estimate equation，输入：x ar(1) ar(
12、2) ma(1)，OK。以上述操作方式建模时，Eviews自动采用非线性最小二乘法估计模型参数。模型的诊断检验：1 判断模型是否为适应性模型判断模型是否为序列的适应性模型，主要根据模型残差是否为白噪声来判断，若残差是白噪声，则可认为此模型是序列的适应性模型，否则，不是。Eviews操作：在模型窗口，View-Residual tests-CorrelogramQ statistics根据输出的残差的Q统计量判断残差是否为白噪声序列。2 模型中各项的取舍若建立的模型为适应性模型，还要看输出项中各变量是否显著(通过输出结果中的t统计量值及相应的P值)，对不显著的项，要剔除，然后重新建模。3 模型的
13、选择（定阶）对于同一个序列来说，可能有多个适应性模型，要从这多个适应性模型中选择，通常根据多个模型输出项中的赤池信息准则(AIC，Akaike info criterion)和施瓦茨准则(SBC，Schwartz Bayes criterion)进行比较，一般认为这两个统计量值越小的模型越好。4模型平稳性和可逆性的判断判断模型是适应性模型后，还应判断模型是否平稳和可逆，判断方法如下。模型输出结果最下方输出的两项，AR inverted root (如果有的话)和MA inverted root（如果有的话），其含义分别为：inverted AR root ：为模型自回归AR部分所对应的差分方程
14、的特征方程的特征根。若特征根的绝对值都小于1，则说明模型是平稳的；若其中有大于或等于1的，说明模型非平稳；若有等于1或很接近于1的，说明原序列为单位根过程，需要先对序列进行差分平稳化变换(有几个单位根，作几阶差分变换)，然后建模。inverted MA root ：为模型移动平均MA部分所对应的差分方程的特征方程的特征根。若特征根绝对值都小于1，则说明模型是可逆的；若有大于或等于1的，说明模型不可逆；若有等于1或很接近于1的，则很有可能在数据处理过程中，对原序列过度差分了，这时需要减少对序列差分的阶数，再重新建模。例3.13 等时间间隔，连续读取70个某次化学反应的过程。数据见附录1.81.模
15、型识别根据零均值平稳化后的序列的自相关函数和偏自相关函数表现出的特征，对序列进行初步的模型识别（注：这种方法并不总是有效）。1）.时序图2）.自相关图和偏自相关图自相关图显示，p0.05，所以残差为白噪声序列，所以模型拟合显著有效参数显著性检验，通过估计结果图，可看到p0.05，所以残差为白噪声序列，所以模型拟合显著有效参数显著性检验，通过估计结果图，可看到p0.05,所以参数均显著。3.模型优化通过MA(2)和AR(1)模型估计结果图可知，AR(1)模型的AIC和SBC值都小于MA(2)模型的，因此，选择模型AR(1)模型。4模型平稳性和可逆性的判断判断模型是适应性模型后，还应判断模型是否平
16、稳和可逆，判断方法如下。模型输出结果最下方输出的两项，AR inverted root (如果有的话)和MA inverted root（如果有的话），其含义分别为：inverted AR root ：为模型自回归AR部分所对应的差分方程的特征方程的特征根。若特征根的绝对值都小于1，则说明模型是平稳的；若其中有大于或等于1的，说明模型非平稳；若有等于1或很接近于1的，说明原序列为单位根过程，需要先对序列进行差分平稳化变换(有几个单位根，作几阶差分变换)，然后建模。inverted MA root ：为模型移动平均MA部分所对应的差分方程的特征方程的特征根。若特征根绝对值都小于1，则说明模型是可
17、逆的；若有大于或等于1的，说明模型不可逆；若有等于1或很接近于1的，则很有可能在数据处理过程中，对原序列过度差分了，这时需要减少对序列差分的阶数，再重新建模。第三讲 ARIMA模型案例例：对1952-1988年中国农业实际国民收入指数序列建模一、 获得观察值序列二、 判断序列的平稳性序列时序图图3.1通过时序图可知，该序列非平稳三、 对原序列进行差分运算1阶差分输入：genr dx=d(x)产生原序列的一阶差分序列dx，图3.2 1阶差分后时序图1阶差分后时序平稳1阶差分后序列自相关图图3.2 1阶差分后序列自相关图自相关图显示差分后序列有很强的自相关性，所以可以认为1阶差分后序列平稳。四、 对平稳的一阶差分后序列进行白噪声检验一阶差分后序列的自相关图显示，在K9时，均发现p0.05,因此，该残差序列为白噪声序列。参数显著性检验显示，c和ma(1)均显著。七、 序列预测在方程窗口中，点击forecast 在forecast name 中输入xf，sample range 中输入1952-1990.method中点static,最后点ok。得到1989和1990年预测值。
