实验三：ARIMA模型建模与预测实验报告

课程论文

（2016 / 2017学年第 1 学期）

课程名称应用时间序列分析

指导单位经济学院

指导教师易莹莹

学生姓名班级学号

学院(系) 经济学院专业经济统计学

实验三ARIMA 模型建模与预测实验指导

一、实验目的：

了解ARIMA 模型的特点和建模过程，了解AR ，MA 和ARIMA 模型三者之间的区别与联系，掌握如何利用自相关系数和偏自相关系数对ARIMA 模型进行识别，利用最小二乘法等方法对ARIMA 模型进行估计，利用信息准则对估计的ARIMA 模型进行诊断，以及如何利用ARIMA 模型进行预测。掌握在实证研究如何运用Eviews 软件进行ARIMA 模型的识别、诊断、估计和预测。

二、基本概念：

所谓ARIMA 模型，是指将非平稳时间序列转化为平稳时间序列，然后将平稳的时间序列建立ARMA 模型。ARIMA 模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA ）、自回归过程（AR ）、自回归移动平均过程（ARMA ）以及ARIMA 过程。

在ARIMA 模型的识别过程中，我们主要用到两个工具：自相关函数ACF ，偏自相关函数PACF 以及它们各自的相关图。对于一个序列{}t X 而言，它的第j 阶自相关系数j ρ为它的j 阶自协方差除以方差，即j ρ＝j 0γγ，它是关于滞后期j 的函数，因此我们也称之为自相关函数，通常记ACF(j )。偏自相关函数PACF(j )度量了消除中间滞后项影响后两滞后变量之间的相关关系。

三、实验任务：

1、实验内容：

（1）根据时序图的形状，采用相应的方法把非平稳序列平稳化；

（2）对经过平稳化后的1950年到2005年中国进出口贸易总额数据建立合适的(,,)ARIMA p d q 模型，并能够利用此模型进行进出口贸易总额的预测。

2、实验要求：

（1）深刻理解非平稳时间序列的概念和ARIMA 模型的建模思想；

（2）如何通过观察自相关，偏自相关系数及其图形，利用最小二乘法，以及信息准则建立合适的ARIMA 模型；如何利用ARIMA 模型进行预测；

（3）熟练掌握相关Eviews 操作，读懂模型参数估计结果。

四、实验要求：

实验过程描述（包括变量定义、分析过程、分析结果及其解释、实验过程遇到的问题及体会）。

实验题：对经过平稳化后的1950年到2005年中国进出口贸易总额数据建立合适的(,,)ARIMA p d q 模型，并能够利用此模型进行进出口贸易总额的预测。