eviews 时间序列模型
成都空气污染指数API的建模与预测
20085728 刘童超
【目录】
1..数据来源与数据预处理 (2)
1.1数据来源 (2)
1.2离群点和缺失值的检验..................................................................... 错误!未定义书签。
2.直观分析和相关分析 (4)
2.1直观分析和特征分析 (4)
2.2相关分析 (6)
2.3平稳性检验 (7)
3.liu(t)序列的零均值处理 (8)
3.1数据的零均值化 (8)
3.2零均值过程的检验 (8)
4.模型的识别和初步定阶 (8)
5.模型的参数估计 (9)
6.模型的检验 (10)
6.1参数的显著性检验 (10)
6.2模型的适用性检验 (11)
7.模型的预测 (12)
7.1对序列liu1（t）的预测 (12)
7.2对序列liu(t)的预测 (12)
【附录及参考文献】 (13)
附录1.零均值化处理后的数据 (13)
参考文献： (14)
1..数据来源与数据预处理
1.1数据来源
原始数据见附件，我们需要的数据见下表：
此处一共160个数据，其中1~150用来建立模型，我们称为样本，151~160用来检验预测值与真实值的误差，我们成为检验值。
其中的时间的意义是：t=1代表日期2010-5-30，t=2代表日期2010-5-31，t=3代表日期2010-6-1，以此类推，t=160代表日期2010-11-4。
数据中的API 为空气污染指数，我国目前采用的空气污染指数（API ）分为五个等级，API ≤50，说明空气质量为优，相当于国家空气质量一级标小准；50<API ≤100，表明空气质量良好，相当于达到国家质量二级标准；100<API ≤200，表明空气质量为轻度污染，相当于国家空气质量三级标准；200<API ≤300表明空气质量差，称之为中度污染，为国家空气质量四级标准；API>300表明空气质量极差，已严重污染。
由SPSS 分析出来的结果见表1-2
由表1-2可以看出，数据个数为150个，没有缺失值。
t X =66.41，t S =18.07 数值与平均值的距离见图1-1
图1- 1
由图1-1可以看出，对任意时间t ，t 1t X X +-都在-t S 与t S 之间，所以我们可以得
出结论，该数据没有离群点。
综上所述，需要建模的数据正常——既没有离群点，也没有缺失值。
2.直观分析和相关分析
2.1直观分析和特征分析
在eviews软件中，我们将该数据命名为liu(t)。
用eviews画出的折线图如图2-1
图2- 1
通过eviews画出的柱状统计图见图2-2
X=66.4，中位数为64，最大值为116，由以上图表可以看出：样本liu(t)的均值
t
S=18.69，偏度为0.24，峰度为2.54，由于相伴概率最小值为28，样本标准差
t
为0.256，大于0.05，所以我们接受数据服从正态分布的假设，故认为原数据是正态分布数据。
检验样本是否服从正态分布也可以用用P-P图和Q-Q图来检验，SPSS做出
的PP图见图2-3
P-P图基本是一条直线，说明它的分布对称，服从正态分布，进一步验证了以上的结论。
2.2相关分析
在eviews中作出自相关系数和偏相关系数图，结果见图2-4
自相关系数图和偏相关系数图两侧的虚线之心水平α=0.05的置信带，称为barlett线，意思是如果系数落在barlett线内，我们可以认为该系数等于零。
由图2-4可以看出，两阶以后的自相关系数和偏相关系数基本都落在barlett 线内，所以我们可以认为该数据平稳，为了进一步说明这个问题，我们在进行一次单位根检验以验证该数据的平稳性。
2.3平稳性检验
在eviews中执行view→Unite root test.检验结果如图2-5
图2- 5
由上图可以得知，t统计量的值时-6.95，小于显著性水平下的临界值，拒绝
原假设，也就是说序列liu(t)不存在单位根，该系统是平稳的，进一步验证了2.2的结果，也证明由图2-1推断出来的季节性是不存在的。
由上图知，其中的检验式为：liu()0.4898(1)32.31t liu t ∆=--+ （2-1） 3.liu(t)序列的零均值处理 3.1数据的零均值化
对于均值非零的数据，一般有两种处理方法，一是建立非中心化的ARMA 模型，将序列的均值作为一个参数估计，但是需要估计的参数要比中心化的ARMA 模型多一个，于是在这里我们采用另一种方法，用样本均值t X 作为样本均值u 的估计，即零均值处理，下面是具体过过程。
新序列liu1(t)=liu(t)-t X =liu(t)-66.4。
零均值化后的序列数据见附录1. 3.2零均值过程的检验
在对liu （1）序列执行命令“view →Descriptive Statistics →Histogram and Stats ”得到柱状统计图，结果见图3-1
图3- 1
因为时间序列liu(1)的均值t X 为-0.165，标准差t S 为18，样本均值t X 落在0±2t S 当中，所以我们接受均值为0的原假设，表明序列liu(1)已经是一个零均值序列。
4.模型的识别和初步定阶
时间序列liu1(t)的自相关系数和偏相关系数见图4-1
由上图可以看到，样本的自相关系数1ρ较大，而其余的自相关系数都落在barlett 线以内，而且
11
2222
11221
2)20.518)0.20242)0.2024(2)
k k ρρρ+=+⨯≈<
+=≥（4-1）
当k>1时，自相关函数都落在该范围内，所以时间序列liu1(t)在1步后是截尾的，因此可以用MA （1）模型进行拟合。
对于偏相关系数，我们也可以看出，只有11ϕ较大，其余都很小，且大于一阶
的样本偏相关系数几乎都满足0.1633kk ϕ≤
=≈，虽然16,16ϕ为-0.166，其绝对值略大于0.1633，但由于简约性原则，我们仍然认为其偏相关系数在一
步之后截尾的，因此可以用AR （1）来对数据拟合。
根据Box-Jenkins 建模方法，一般初步设定的模型是ARMA(n ，n-1),即自回归的阶数比移动平均的阶数高一阶，于是这里我们将初步模型定为ARMA （2，1）。
5.模型的参数估计
参数的估计一般有三种方法：矩估计；最小二乘估计；极大似然估计。
但是由于矩估计太简单，精度低，只实用于做初估计，而极大似然估计计算量非常大，特别是对于ARMA 模型，似然函数公式十分复杂，所以我们这里采用最小二乘估计。
利用eviews 软件可以得到各个模型中的参数的最小二乘估计和剩余平方和和AIC 值，ARMA(2，1)模型结果如表5-1
AR （2）模型最恰当。
6.模型的检验
6.1参数的显著性检验
该模型参数检验的目的是看是否有系数显著为零。
在eviews 命令窗口中输入“ls liu1 ar(1) ar(2)”便得到参数检验的结果，详细结果见图6-1
图6- 1
由2ϕ的相伴概率可以看出，我们应该接受2ϕ=0的原假设，令2ϕ=0，继续用AR(1)拟合数据，参数检验的结果如图6-2
图6- 2
由相伴概率和单位根可以看到，利用AR(1)模型对序列liu1(t)进行拟合比较恰当。
6.2模型的适用性检验
对AR （1）进行适用性检验，残差序列的样本自相关系数如图6-3
图6- 3
从自相关系数值可以看出，几乎所有0.160(1)
k k ρ<
=≥ （6-1）
但13ρ=-0.167，170.177ρ=，28ρ=0.25不满足式子6-1，这说明序列liu1(t)中还有少量的自相关信息没有被提出出来，这也是该模型的不足。
由图6-2所得到的系数可知，时间序列liu1(t)的模型为：
liu1(t)=ε
（t)+0.517850⨯liu1(t-1) （6-2）
原序列liu（t）的模型为：
liu(t)=liu1(t) +66.41 （6-3）
7.模型的预测
7.1对序列liu1（t）的预测
对于t=151到160的数据，利用差分形式进行预测时间序列liu1(t)，即：liu1(t)=0.517850 liu1(t-1) （t=151,152……160）
其预测值见表7-1
对原始时间序列liu(t)的预测采用公式6-3
即：liu(t)=liu1(t) +66.41
其详细值见表7-2
残差图如下：
图7- 1
由残差图可见，该模型不是非常的拟合原数据，其实，这种结果其实在8.2进行使用性检验时就应该预料到，还有，在四步预测之后，预测数据就趋于一个定值，这与实际情况已经矛盾了，所以该模型不能用来做长期预测。
不过由于API的划分是[0,50]为一级空气的标准，(50,100]为二级空气的标准，所以预测的空气质量等级并没有改变，这也是该模型的可取之处。
【附录及参考文献】
附录1.零均值化处理后的数据
参考文献：
[1]王沁.时间序列分析及其应用.四川.西南交通大学出版社.2008
[2]潘红宇.时间序列分析.北京.对外经济大学出版社.2006
[3]王振龙.应用时间序列分析.北京.科学出版社.2007。
Eviews 统计分析教程 (11)
Eviews 统计分析 从入门到精通
例15.7：打开数据working1，试用Eviews命令操作普通最小二乘法估计gdp对常数项c和r 的回归。
我们在Eviews的命令窗口中首先输入 equation eq1 （建立方程eq1） 单击键盘上的“enter”键，完成对eq1的定义，然后再在命令窗口中输 入 do eq1.ls gdp c r （使用普通最小二乘法对方程eq1进行估计） 即成功的完成了题目的要求，双击“eq1”即可看到结果 。 D:\working1.wf1
F:\EViews6\EViews6.exe
Eviews 统计分析 从入门到精通
例15.2： 试用Eviews命令的方法建立一个名为working的工作文件，并在该文件中建 立名为p2的工作页，数据为季度时间序列数据，区间为1960年第一季度至2008年第四 季度。
按照前面讲述的时间序列数据命令格式，我们在Eviews的命令窗口中 输入 wfcreate (wf=working ,page=p2) q 1960q1 2008q4 F:\EViews6\EViews6.exe
F:\EViews6\EViews6.exe
Eviews 统计分析 从入门到精通
2. 工作文件的保存 新建工作文件的保存命令格式： wfsave 保存位置\ 保存文件名
例15.4：承接例15.3，试用Eviews命令的方法将工作文件working 保存在d盘。
按照前面讲述的新建工作文件的保存命令格式，我们在Eviews的命令窗 口中输入 wfsave d:\working D:\working.wf1
Eviews 统计分析 从入门到精通
15.1.3 数据的导入与导出 所谓数据的导入是指把其他数据文件中的数据读入到工作文件中，数据的导出是指把工作文件中的 数据导出到其他数据文件中。 1. 数据的导入 从其他文件中读入数据到工作文件中，可以用read命令来完成。 数据导入的命令格式： read （选项） 路径\文件名 序列1 序列2 „ 选项包括： t=xls<读取excel/xls格式的文件>； t=dat/txt<ASCII纯文本文件>； t=wkl/wk3<Lotus文件>。 其中，对于Excel和Lotus文件的选项有： t=按照行读入数据，否则安列读取数据； s=数表名称<比如：s=sheet2>。 对于纯文本文件的选项有： t=按照行读入数据，否则安列读取数据； d=t/c/s/a <t/c/s/a分别表示将Tab/逗号/空格/字母视作分隔符>； mult =将多个分隔符视作一个； name=文件中的序列名； label=整数<标题名与数据相隔的行数>。
eviews残差单位根检验步骤
Eviews残差单位根检验步骤1. 概述Eviews是一种广泛用于计量经济学研究的数据分析软件，它提供了一系列的统计分析工具，其中包括残差单位根检验。
残差单位根检验是判断时间序列数据是否平稳的重要方法之一，本文将介绍在Eviews 软件中进行残差单位根检验的具体步骤。
2. 数据准备在进行残差单位根检验之前，首先需要利用Eviews进行时间序列模型的拟合，得到模型的残差序列。
在Eviews中，可以使用最小二乘法、一般最小二乘法等方法估计时间序列模型，得到残差序列。
以ARMA(p,q)模型为例，其残差序列可以通过以下步骤获取：(1) 打开Eviews软件，导入所需数据；(2) 选择“Quick/Estimate Equation”或“Proc/Estimate Equation”，在弹出的窗口中输入ARMA(p,q)模型的方程形式，点击“OK”进行模型估计；(3) 在估计结果页面，找到残差序列并将其保存。
3. 单位根检验Eviews提供了多种单位根检验的方法，如ADF检验、Phillips-Perron检验等。
下面将以ADF检验为例，介绍在Eviews中进行残差单位根检验的步骤。
(1) 打开Eviews软件，打开保存的残差序列数据；(2) 选择“View/Residual Diagnostics/Unit Root Test”；(3) 在弹出的窗口中选择ADF单位根检验，设置滞后阶数和趋势项，并点击“OK”进行检验；(4) 在ADF单位根检验结果页面，查看检验统计量的数值及其显著性水平，进行单位根检验的判断。
4. 检验结果解读进行残差单位根检验后，需要对检验结果进行解读。
在Eviews中，一般使用的显著性水平为0.05，若检验统计量的值小于相应的临界值，就可以拒绝原假设，即残差序列是平稳的。
相反，若检验统计量的值大于临界值，则不能拒绝原假设，残差序列是非平稳的。
在解读检验结果时，需要注意控制滞后阶数和趋势项的选择，以及检验结果的稳健性和有效性。
在Eviews中对时间序列进行预测的详细步骤
在Eviews中对时间序列进行预测的详细步骤一、输入数据1.1打开Eviews6.0，按照如图所示打开工作表创建框。
1.2在右上角的data specification框中输入起止年份（start data和end data）1.3输入数据：在输入框中输入data gdp（本文采用的数据为1990—2012年的GDP值）。
当然，data后面可以输入任何你想要定义的“英文名字”输入data gdp后注意按回车键，弹出表格窗口后在其中输入数据（也可复制进去数据：ctrl+v键）二、平稳性检验2.1在打开的数据窗口中点击View→Correlogram（1）在弹出的窗口中直接点OK即可↓2.2自相关图和偏相关图进行分析：最简单粗暴的方法就是看最右边的Prob值（即P值），当这列数据有多数都大于0.05（置信水平）时为白噪声序列=序列是平稳的。
本文中GDP数据P值均小于0.05，则为非白噪声。
需对序列进行差分。
三、取一阶差分3.1在输入框中输入第二列代码，这代表将数据gdp进行一阶差分，一阶差分后的值命名为dgdp.按回车键3.2在dgdp数据的窗口中重复2.1的操作，对序列的平稳性进行检验得到结果如下：惨！还是非白噪声，只能进行二阶差分了！四、取二阶差分4.1如第三列代码所示（记得不能重复命名）4.2对新的序列dgdp2进行平稳性检验，步骤同上，结果如下：MY GOD! 看见了木有，这回是白噪声了，P值多数都大于0.05！五、用最小二乘法对模型进行估计：输入ls dgdp2 c ar（2）（探索性建模）5.1AR（2）模型结果（准确的说这个模型应该是ARIMA的疏系数模型，本文重点不在这！如有需要请私信我！）5.2MA(2)模型结果5.3优化模型：根据AIC和SBC准则选择模型，值越小的拟合效果越好，本文的选择MA(2)模型。
5.4对模型进行检验：View→Residual Tests→Correlogram Q statistics检验结果如下：P值大于0.05，为白噪声序列，则平稳。
数学建模EViews中估计ARCH模型
(EViews4.0)的对话框
第15页/共75页
(EViews5)的对话框
第16页/共75页
与选择估计方法和样本一样，需要指定均值方程和方差
方程。
（一）均值方程 在因变量编辑栏中输入均值方程形式，均值方程的形式可 以用回归列表形式列出因变量及解释变量。如果方程包含常 数，可在列表中加入C。如果需要一个更复杂的均值方程，可 以用公式的形式输入均值方程。 如果解释变量的表达式中含有ARCH—M项，就需要点 击对话框右上方对应的按钮。EViews4.0中，只有3个选项： 1.选项None表示方程中不含有ARCH−M项；
恩格尔和克拉格（Kraft, D., 1983）在分析宏观数据时，发现这样一些 现象：时间序列模型中的扰动方差稳定性比通常假设的要差。恩格尔的结 论说明在分析通货膨胀模型时，大的及小的预测误差会大量出现，表明存 在一种异方差，其中预测误差的方差取决于后续扰动项的大小。
从事于股票价格、通货膨胀率、外汇汇率等金融时间序列预测的研究 工作者，曾发现他们对这些变量的预测能力随时期的不同而有相当大的变 化。预测的误差在某一时期里相对地小，而在某一时期里则相对地大，然 后，在另一时期又是较小的。这种变异很可能由于金融市场的波动性易受 谣言、政局变动、政府货币与财政政策变化等等的影响。从而说明预测误 差的方差中有某种相关性。
Eviews面板数据之固定效应模型
Eviews 面板数据之固定效应模型在面板数据线性回归模型中，如果对于不同的截面或不同的时间序列，只是模型的截距项是不同的，而模型的斜率系数是一样的，则称此模型为固定效应模型。
固定效应模型分为三类：1.个体固定效应模型个体固定效应模型是对于不同的纵剖面时间序列〔个体〕只有截距项不同的模型：2Kit i k kit it k y x u λβ==++∑(1)从时间和个体上看，面板数据回归模型的解释变量对被解释变量的边际影响均是一样的，而且除模型的解释变量之外，影响被解释变量的其他所有〔未包括在回归模型或不可观测的〕确定性变量的效应只是随个体变化而不随时间变化时。
检验：采用无约束模型和有约束模型的回归残差平方和之比构造F 统计量，以检验设定个体固定效应模型的合理性。
F 模型的零假设：RRSS 是有约束模型〔即混合数据回归模型〕的残差平方和，URSS 是无约束模型ANCOVA 估计的残差平方和或者LSDV 估计的残差平方和。
实践：一、数据：1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费〔cp ，不变价格〕和人均收入〔ip ，不变价格〕居民，利用数据〔1〕建立面板数据〔panel data 〕工作文件；〔2〕定义序列名并输入数据；〔3〕估计选择面板模型；〔4〕面板单位根检验。
年人均消费〔consume 〕和人均收入〔ine 〕数据以及消费者价格指数〔p 〕分别见表1，2和3。
表3 1996—2002年中国东北、华北、华东15个省级地区的消费者物价指数步骤：〔1〕File——New——Workfile步骤：〔2〕Start date——End date——OK步骤：〔3〕Object——New Object步骤：〔4〕Type of object——Pool步骤：〔5〕输入所有序列名称步骤：〔6〕定义各变量点击sheet—输入consume？ine？p"步骤：〔7〕将表1、2、3中的数据复制到Eviews 中 2.估计操作：步骤：〔1〕点击poolmodel ——Estimate对话框说明Dependent variable:被解释变量；mon ：系数一样局部 Cross-section specific:截面系数不同局部步骤：〔2〕将截距项选择区选Fi*ed effects 〔固定效应〕 Cross-section ：Fi*ed 得到如下输出结果：接下来用F 统计量检验是应该建立混合回归模型，还是个体固定效应回归模型。
EVIEWS的garch模型族操作
02
GARCH模型族概述
GARCH模型定义
1
全称：广义自回归条件异方差模型（ Generalized Autoregressive Conditional Heteroskedasticity）
等。
平稳性检验
对数据进行平稳性检验，如 ADF检验或PP检验，以确保 数据符合GARCH模型的建模
要求。
模型选择与设定
选择GARCH模型类型
根据数据的特征和需求，选择合适的GARCH模型类型，如 GARCH(1,1)、GARCH-M、EGARCH等。
设定模型参数
在EVIEWS的“Quick”->“Estimate Equation”中输入相应的 GARCH模型表达式，并设定模型的参数。
模型诊断
检查模型的残差是否满足白噪声 假设，可以使用残差自相关图、 Ljung-Box Q统计量等方法进行 诊断。
模型预测与评估
模型预测
在EVIEWS中，可以使用"Forecast"功能进 行模型预测。选择合适的预测期数，即可得 到预测结果。
预测评估
对预测结果进行评估，可以使用均方误差（MSE） 、平均绝对误差（MAE）、均方根误差（RMSE） 等指标进行评估。
模型。
模型预测与评估
模型预测
使用估计得到的GARCH模型对未来数据进行预测，得到预测值 和预测区间。
预测评估
将预测结果与实际数据进行比较，评估模型的预测性能。
模型调整
根据预测评估结果对模型进行调整和优化，以提高模型的预测精 度和稳定性。
05
GARCH模型族在金融 市场中的应用
eviews实验指导ARIMA模型建模与预测
eviews实验指导ARIMA模型建模与预测在数据分析和时间序列预测的领域中，ARIMA 模型是一种非常强大且实用的工具。
通过eviews 软件来实现ARIMA 模型的建模与预测，可以帮助我们更高效地处理和分析数据，做出更准确的预测。
接下来，让我们逐步深入了解如何使用eviews 进行ARIMA 模型的建模与预测。
首先，我们要明白什么是 ARIMA 模型。
ARIMA 全称为自回归移动平均整合模型（Autoregressive Integrated Moving Average Model），它由三个部分组成：自回归（AR）部分、差分（I）部分和移动平均（MA）部分。
自回归（AR）部分是指当前值与过去若干个值之间存在线性关系。
例如，如果说一个时间序列在 AR(2)模型下，那么当前值就与前两个值有关。
移动平均（MA）部分则表示当前值受到过去若干个随机误差项的线性影响。
差分（I）部分用于将非平稳的时间序列转化为平稳序列。
平稳序列在统计特性上，如均值、方差等，不随时间变化而变化。
在 eviews 中进行 ARIMA 模型建模与预测，第一步是数据的导入和预处理。
打开 eviews 软件后，选择“File”菜单中的“Open”选项，找到我们要分析的数据文件。
数据的格式通常可以是 Excel、CSV 等常见格式。
导入数据后，需要对数据进行初步的观察和分析，了解其基本特征，比如均值、方差、趋势等。
接下来，判断数据的平稳性。
这是非常关键的一步，因为 ARIMA 模型要求数据是平稳的。
我们可以通过绘制时间序列图、计算自相关函数（ACF）和偏自相关函数（PACF）来直观地判断数据的平稳性。
如果时间序列图呈现明显的趋势或周期性，或者自相关函数和偏自相关函数衰减缓慢，那么很可能数据是非平稳的。
对于非平稳的数据，我们需要进行差分处理。
在 eviews 中，可以通过“Quick”菜单中的“Generate Series”选项来实现差分操作。
三、案例：时间序列模型估计(王怡璇)
简单应用与操作
案例：时间序列模型估计
下面以1949~2001年中国人口时间序列数据（见表16-10）为例介绍： （1）画时间序列图 （2）求中国人口序列的相关图和偏相关图，识别 模型形式 （3）估计时间序列模型 （4）样本外预测
1、画时间序列图
打开工作文件窗口，双击所要选择的中国人口变量y，从而打开y的数据窗口。 点击view键，选择功能graph\line如图1，就可以得到中国人口序列图：
图6
图7
由于AR（2）项，即Dyt-2 的系数没有显著性，因此点击 Estimate键，从估计命令中剔除AR（2）项的（Dy t-2）继续 估计，得估计结果如图9：
图8
图9
对应的模型表达式是
从图9输出结果的最后一行知，特征根是1\0.49=2.04,满足平稳性要求。点击 View选择residuals test\Correlogram-Q-stastistics功能，可以得到如图11对 话框Fra bibliotek图13
图14
4、样本外预测
比如用估计模型Dyt=0.0547+0.6171Dy +v t 预测2001年中国的总人 t-1 口,在图9窗口中点击forecast键，弹出对话框窗口，如图15
图15
图16
点击OK，预测结果就会以yf、yfse为变量名保存在工作文件中，打 开y、yf、yfse数据组，2001年中国人口预测值为12.79388亿，其 标准差为0.053 已知2001中国人口实际为12.7627亿人，预测误差为
12.79388
图1
从Eviews主菜单中选择Quick键，选择Grapf\line grapf功能。在随后弹出的 对话框中填入d（y），点击OK就可得到人口序列分布图：
时间序列的eview操作步骤
1.打开eviews软件，点击file-new-workfile，见对话框又三块空白处，选择时间序列dated-regular frequency。
在date specification中选择monthly，start（起始时间）输入2005M11，end（终止时间）输入2008M6（eviews的时间序列没有间隔序列输入就将时间进行调整）。
右下角为工作间取名字tmd。
点击ok。
在所创建的workfile中点击object-new object，选择series，以及填写名字tmd，点击OK。
将数据填写入内就生成了以tmd为名的数据集2. 点击view-United root test，test type选择ADF检验，滞后阶数中lag length 选择SIC检验，点击ok得结果如下：一阶差分：点击GENR命令按钮，在输入框中输入bod1=D(bod)，得到一阶差分后的结果：再对一阶差分后的数据同样进行平稳性检验（单根值检验）ADF序列零均值化①在命令窗口输入如下命令（如下图所示）：Scalar m=@mean(tmd)其中：Scalar命令在Eviews中表示生成标量数据（均值只是一个数，而不是序列）。
在tmd窗口下选择菜单操作方式：单击Genr在对话框中输入BOD1=BOD-m得到零均值后的新序列tmd1与之前的数据完全不同。
3. 在工作区双击序列图标tmd1，再选用菜单操作方式：View—>Correlogram，在出现的对话框点击OK。
4.估计模型中的未知参数识别透明度这组时间序列适合的模型后，需要进一步的估计模型中的具体参数，下面就用eviews软件进行估计。
由前面的图形看出：自相关系数和偏相关系数具有相似的衰减特点：衰减快，偏相关图中，2阶以后函数值趋于0，呈截尾性选AR(2)；而在自相关图中，在4阶以后函数值趋于0，呈拖尾性，因此可将q取3故可选MA(3)模型。
利用菜单操作建立ARMA模型。
经典线性回归模型的Eviews操作
经典线性回归模型经典回归模型在涉及到时间序列时，通常存在以下三个问题：1）非平稳性→ ADF单位根检验→ n阶单整→取原数据序列的n阶差分（化为平稳序列）2）序列相关性→D.W.检验/相关图/Q检验/LM检验→n阶自相关→自回归ar(p)模型修正3）多重共线性→相关系数矩阵→逐步回归修正注：以上三个问题中，前两个比较重要。
整体回归模型的思路：1）确定解释变量和被解释变量，找到相关数据。
数据选择的时候样本量最好多一点，做出来的模型结果也精确一些。
2）把EXCEL里的数据组导入到Eviews里。
3）对每个数据序列做ADF单位根检验。
4）对回归的数据组做序列相关性检验。
5）对所有解释变量做多重共线性检验。
6）根据上述结果，修正原先的回归模型。
7）进行模型回归，得到结论。
Eviews具体步骤和操作如下。
一、数据导入1）在EXCEL中输入数据，如下：除去第一行，一共2394个样本。
2）Eviews中创建数据库：File\new\workfile, 接下来就是这个界面（2394就是根据EXCEL里的样本数据来），OK3）建立子数据序列程序：Data x1再enter键就出来一个序列，空的，把EXCEL里对应的序列复制过来，一个子集就建立好了。
X1是回归方程中的一个解释变量，也可以取原来的名字，比如lnFDI，把方程中所有的解释变量、被解释变量都建立起子序列。
二、ADF单位根检验1）趋势。
打开一个子数据序列，先判断趋势：view\graph，出现一个界面，OK。
得到类似的图，下图就是有趋势的时间序列。
X1.4.2.0-.2-.4-.6-.8100020003000400050002）ADF检验。
直接在图形的界面上进行操作，view\unit root test，出现如下界面。
在第二个方框内根据时序的趋势选择，Intercept指截距，Trend为趋势，有趋势的时序选择第二个，OK，得到结果。
上述结果中，ADF值为-3.657113，t统计值小于5%，即拒绝原假设，故不存在单位根。