时间管理应用时间序列分析Word格式文档下载.docx
- 文档编号:8441114
- 上传时间:2023-05-11
- 格式:DOCX
- 页数:13
- 大小:23.50KB
时间管理应用时间序列分析Word格式文档下载.docx
《时间管理应用时间序列分析Word格式文档下载.docx》由会员分享,可在线阅读,更多相关《时间管理应用时间序列分析Word格式文档下载.docx(13页珍藏版)》请在冰点文库上搜索。
1983
5962.7
1366.95
1984
7208.1
1642.86
1985
9016
2004.25
1986
10275.2
2122.01
1987
12058.6
2199.35
1988
15042.8
2357.24
1989
16992.3
2664.9
1990
18667.8
3083.59
1991
21781.5
3386.62
1992
26923.5
3742.2
1993
35333.9
4642.3
1994
48197.9
5792.62
1995
60793.7
6823.72
1996
71176.6
7937.55
1997
78973
9233.56
1998
84402.3
10798.18
1999
89677.1
13187.67
2000
99214.6
15886.5
2001
109655.2
18902.58
2002
120332.7
22053.15
2003
135822.8
24649.95
2004
159878.3
28486.89
2005
183217.4
33930.28
2006
211923.5
40422.73
2007
257305.6
49781.35
2008
300670
62592.66
三、数据分析
(壹)时序图
首先对表1的国内生产总值的年度数据序列{Xt},财政支出总额的年度数据序列{Yt}分别绘制时序图,以观察国内生产总值的年度数据序列{Xt}和财政支出总额的年度数据序列{Yt}是否平稳,通过EViews软件输出结果如下图所示。
图1国内生产总值和财政支出总额的时序图
由图1可知,红线代表国内生产总值的年度数据序列{Xt}的时序图,表明了国内生产总值呈现不断上涨的指数趋势,因此国内生产总值的年度数据序列{Xt}不平稳;
蓝线代表财政支出总额的年度数据序列{Yt}的时序图,虽然于2002年以前财政支出总额增长成平稳趋势,但于2002年以后财政支出总额却呈现指数增长趋势,因此财政支出总额的年度数据序列{Yt}也不平稳,因此俩者之间可能存于协整关系。
(二)单位根检验
下面我们将分别对我国的国内生产总值的时间序列数据{Xt}和财政支出总额的时间序列数据{Yt}进行单位根检验,通过Eviews软件操作得到结果如下:
表2国内生产总值时间序列的单位根检验
ADFTestStatistic
2.230517
1%CriticalValue*
-3.7076
5%CriticalValue
-2.9798
10%CriticalValue
-2.6290
由表2可知:
国内生产总值的时间序列数据{Xt}的ADF的值为2.230517,显然大于于1%水平下的临界检验值-3.7076,大于于于5%水平下的临界检验值-2.9798,也大于于10%水平下的临界检验值-2.6290,因此国内生产总值的时间序列数据{Xt}是壹个非平稳序列。
因此需要对国内生产总值的时间序列数据{Xt}进行对数化处理,即logx=lnXt,,以及将指标趋势序列转化为线性趋势序列,通过Eviews软件操作,其国内生产总值对数化序列的时序图见图2。
表3财政支出总额的时间序列{Yt}的单位根检验
21.56585
-3.6959
-2.9750
-2.6265
由表3可知:
财政支出总额的时间序列{Yt}的ADF的值为21.56585,显然大于于1%水平下的临界检验值-3.6959,大于于于5%水平下的临界检验值-2.9798,也大于于10%水平下的临界检验值-2.6265,因此财政支出总额的时间序列{Yt}是壹个非平稳序列。
因此财政支出总额的时间序列{Yt}需要进行对数化处理,即令logy=lnYt,以及将指标趋势序列转化为线性趋势序列,通过Eviews软件操作,其国内生产总值对数化序列的时序图见图2。
图2国内生产总值对数化序列lny和财政支出总额对数化序列lnx的时序图
从图2观察可知对数化的国内生产总值时间序列{logx}和对数化的财政支出总额时间序列{logy}指数趋势已基本消除,二者具有明显的长期协整关系,但上述对数序列仍然是非平稳序列。
分别对对数化的国内生产总值时间序列{logx}和对数化的财政支出总额时间序列{logy}序列进行ADF单位根检验(表2和表3),检验结果如下表所示。
表4{logy}序列的单位根检验
t-Statistic
Prob.*
AugmentedDickey-Fullerteststatistic
2.724316
1.0000
Testcriticalvalues:
1%level
-3.724070
5%level
-2.986225
由表4可知:
财政支出总额的对数化的时间序列数据{logy}的ADF的值为2.724316,显然大于于1%水平下的临界检验值-3.724070,大于于5%水平下的临界检验值-2.986225,也大于于10%水平下的临界检验值-2.632604,因此财政支出总额的对数化的时间序列数据{logy}是壹个非平稳序列。
表5{logx}序列的单位根检验
-0.894383
0.7714
-3.752946
-2.998064
10%level
-2.638752
由表5可知:
国内生产总值对数化的时间序列数据{logx}的ADF的值为-0.894383,显然大于于1%水平下的临界检验值-3.752946,大于于于5%水平下的临界检验值-2.998064,也大于于10%水平下的临界检验值-2.638752,因此国内生产总值对数化的时间序列数据{logx}是壹个非平稳序列。
因此需要进壹步对财政支出总额的对数化的时间序列数据{logy}和国内生产总值对数化的时间序列数据{logx}做差分,差分序列分别记为{▽logx}和{▽logy}。
现分别对二阶差分后的国内生产总值时间序列{▽logx}和二阶差分的财政支出总额时间序列{logy}进行ADF单位根检验,检验结果如下表所示。
表6二阶差分{▽logx}的单位根检验
-5.838915
0.0001
-3.737853
-2.991878
-2.635542
由表6可知,二阶差分的财政支出总额时间序列{▽logy}的ADF的值为-5.838915,显然小于于1%水平下的临界检验值-3.737853,小于于于5%水平下的临界检验值-2.991878,也小于于10%水平下的临界检验值-2.635542,二阶差分的财政支出总额时间序列{logy}是壹个平稳序列。
表7二阶差分{▽logy}的单位根检验
-3.981638
0.0055
-2.632604
由表7可知,二阶差分后的国内生产总值时间序列{▽logx}的ADF的值为-3.981638,显然小于于1%水平下的临界检验值-3.724070,小于于于5%水平下的临界检验值-2.986225,也小于于10%水平下的临界检验值-2.632604,二阶差分的财政支出总额时间序列{▽logy}是壹个平稳序列。
(三)协整分析
1.进行协整回归
由于国内生产总值时间序列{Xt}和财政支出总额时间序列{Yt}分别取对数后,即国内生产总值时间序列{logx}和财政支出总额时间序列{logx},{logx}时间序列和{logy}时间序列均是二阶单整序列,因此他们有可能存于协整关系。
通过Eviews软件操作得到结果如下:
表8二阶差分{▽logy}时间序列和二阶差分{▽logx}时间序列的协整结果
DependentVariable:
D(LNY,2)
Method:
LeastSquares
Date:
07/03/10Time:
20:
28
Sample(adjusted):
19832008
Includedobservations:
26afteradjustments
Variable
Coefficient
Std.Error
Prob.
C
0.006621
0.009333
2.709409
0.4849
D(LNX,2)
0.369003
0.181709
2.030733
0.0535
R-squared
0.846633
Meandependentvar
0.007631
AdjustedR-squared
0.811076
S.D.dependentvar
0.050404
S.E.ofregression
0.475220
Akaikeinfocriterion
-3.181426
Sumsquaredresid
0.542015
Schwarzcriterion
-3.084650
Loglikelihood
43.35854
F-statistic
4.123877
Durbin-Watsonstat
2.617265
Prob(F-statistic)
0.053502
由表8可知:
R2的值大于DW
D(LNY,2)=0.006621+0.369003*D(LNX,2)
t:
(2.709409)(2.030733)
R2=0.8466DW=2.617
2.检验残差序列的平稳性
表9残差序列的单位根检
-5.307305
0.0003
D(ET(-1))
-1.115386
0.210160
0.0000
-0.000338
0.012673
-2.026684
0.9790
0.561469
0.002614
0.541536
0.091605
0.062026
-2.642881
0.084638
-2.544710
33.71457
28.16748
2.127176
0.000025
由表9可知:
壹阶残差序列ET的ADF的值为-5.307305,显然小于于1%水平下的临界检验值-3.737853,小于于5%水平下的临界检验值-2.991878,也小于于10%水平下的临界检验值-2.638752,因此壹阶差分的et的时间序列是壹个平稳序列。
因此et的表达式如下:
D(et)=-0.000338-1.115386*D(ET(-1))DW=2.127
(-2.0267)(-5.3073)
即EG=-5.3073,
3.检验LNY时间序列和国内生产总值X时间序列间是否存于协整关系
由于EG=-5.3073,查协整检验的EGH或AFG临界值表(根据N=2,a=0.05,T=28)可知,EG小于临界值,因而我们接受et是平稳的原假设,这意味着俩变量是协整的,或者说俩变量存于长期的协整关系。
(四)建立ECM模型
由前面的分析可知,二阶差分后的国内生产总值时间序列{▽logx}是壹个平稳序列,二阶差分的财政支出总额时间序列{▽logy}是壹个平稳序列,壹阶差分的残差序列et的是壹个平稳序列。
于是对二阶差分的财政支出总额时间序列{▽logy}作为因变量,二阶差分后的国内生产总值时间序列{▽logx}和壹阶差分的残差序列et作为自变量进行回归估计,通过Eviews软件操作得到结果如下:
表10ECM模型结果
38
19842008
25afteradjustments
0.004615
0.007276
2.634258
0.5325
0.340035
0.139703
2.433980
0.0235
D(ET)
0.473814
0.122819
3.857811
0.0009
0.886083
0.004359
0.839364
0.048543
0.036347
-3.679234
0.029065
-3.532969
48.99043
10.40425
2.315077
0.000660
由表10可知,我们能够写成标准的ECM回归模型结果如下:
D(LNY,2)=0.004615+0.340035*D(LNX,2)+0.473814*D(ET)
(2.634)(2.434)(3.858)
R2=0.8860DW=2.315
ECM回归方程的回归系数通过了显著性检验,误差修正系数为正,符合正向修正机制。
回归结果表明国内生产总值的短期变动对财政支出总额存于正向影响。
此外,由于短期调整系数是显著的,因此它表明每年发生的财政支出总额于其长期均衡值的偏差中的47.38%(0.4738)是被修正的。
(五)模型预测
通过Eviews软件对ECM模型的表达式进行预测结果,详见表12:
表11预测结果
2009
预测值
63839.37
由表11可知,通过Eviews软件对ECM模型的表达式进行预测,预测2009年我国的财政支出总额为63839.37亿元。
(六)ARMA模型
为了比较ECM模型和ARMA模型的拟合效果,应该建立了单壹变量的财政支出总额的ARIMA时间序列模型。
1.模型的建立于识别
我们确定是用AR(P)模型仍是MA(q)模型,或者是ARMA(p,q)模型对财政支出总额平稳的时间序列{logy}进行估计,首先对财政支出总额平稳的时间序列{logy}坐自关联图和偏自关联图,图形如下所示。
图3{logy}的自关联图和偏自关联图
由图3可知,由于自关联图滞后K=3之后均于随机区间内,从偏自关联图能够见出K=1之后均于随机区间内。
于是我们认为财政支出总额时间序列{logy}应该建立ARMA(1,3)模型,下面对ARMA(1,3)模型进行参数估计,得到结果如下表所示。
表12ARMA(1,3)模型参数估计
07/04/10Time:
02
Convergenceachievedafter31iterations
Backcast:
19811983
0.004001
0.001763
2.270131
0.0344
AR
(1)
-0.625638
0.116549
-5.368007
MA
(1)
0.965294
0.114114
8.459019
MA
(2)
-0.894604
0.092581
-9.662957
MA(3)
-0.969077
0.125338
-7.731682
0.701417
0.641701
0.029057
-4.062248
0.016886
-3.818473
55.77810
11.74578
1.873206
0.000045
InvertedARRoots
-.63
InvertedMARoots
.97
-.97-.23i
-.97+.23i
由表12可知,ARMA(1,3)模型参数估计所得到的结果表达式为:
D(LNY,2)=0.004001-0.625638*D(LNY,2)t-1-0.965294*Ut-1+0.894604*Ut-2+
0.969077*Ut-3
2.ARMA(1,3)模型的检验
当下对求得的模型的残差序列进行白噪声检验,如果残差序列不是白噪声序列,则需要对ARMA(1,3)模型进行进壹步改进,如果是白噪声过程,则接收估计得到的模型,ARMA(1,3)模型的残差序列检验结果如下图所示。
图4ARMA(1,3)模型的残差序列检验
由图4可知,ARMA(1,3)模型的残差序列是白噪声序列,接收ARMA(1,3)模型。
3.模型的预测
由于财政支出总额时间序列二阶差分后事平稳序列,因此我们最终确定ARIMA(1,2,3)模型,当下用该模型做预测,预测结果如下表所示。
表13ARIMA(1,2,4)模型预测结果
2010
64439.37
由表13可知,通过Eviews软件对ARIMA(1,2,4)模型的表达式进行预测,预测2009年我国的财政支出总额为64439.37亿元。
由表11和表13的预测结果相比较,我们发现ECM模型比ARIMA(1,2,3)模型预测结果更为合理,因此我们建立的ECM模型比ARIMA(1,2,3)模型更优,因此于对我国的财政支
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 时间 管理 应用 序列 分析