时间序列分析——ARMA模型实验(1)
时间序列模型--ARMA模型与ARCH模型（2008.11）
时间序列模型时间序列分析是现代计量经济学的重要内容，是研究经济变量的动态特征和周期特征及其相关关系的重要工具，被广泛应用经济分析和预测中。
时间序列按其平稳性与否又分为平稳时间序列和非平稳时间序列。
1．ARMA与ARCH模型2．协整与误差修正模型3．向量自回归模型1第五讲ARMA与ARCH模型本讲中将讨论时间序列的平稳性（stationary）概念及自回归模型(Autoregressive models)、移动平均模型(Moving average models)、自回归移动平均模型(Autoregressive moving average models)、自回归条件异方差模型(Autoregressivec conditional Heteroscedasticity models)的识别、估计、检验、应用。
23一、时间序列的平稳性（一）平稳时间序列所谓时间序列的平稳性，是指时间序列的统计规律不会随着时间的推移而发生变化。
严格地讲，如果一个随机时间序列，对于任何时间，都满足下列条件：t y t Ⅰ）均值；()t E y μ=∞ Ⅱ）方差，是与时间无关的常数；22()()t t Var y E y μσ=-=t Ⅲ）自协方差,是只与时期间隔有关，{}(,)t t k t t k k Cov y y E y y μμγ--=--=（）(）k 与时间无关的常数。
t4则称该随机时间序列是平稳的。
生成该序列的随机过程是平稳过程。
例5.1．一个最简单的随机时间序列是一具有零均值同方差的独立分布序列：= ~该序列常被称为是一个白噪声（white noise ）。
t y t εt ε2(0,)iid σ 由于具有相同的均值与方差，且协方差为零,满足平稳性条件,是平稳的。
t y 例5.2．另一个简单的随机时间列序被称为随机游走（random walk ）：~，是一个白噪声。
1t t t y y ε-=+t ε2(0,)iid σ 容易判断该序列有相同的均值：，但是方差,即1()()t t E y E y -=2()t Var y t σ=的方差与时间t 有关而非常数，它是一非平稳序列。
时间序列分析方法 第3章 平稳ARMA模型
第三章 平稳ARMA 过程一元ARMA 模型是描述时间序列动态性质的基本模型。
通过介绍ARMA 模型，可以了解一些重要的时间序列的基本概念。
§3.1 预期、平稳性和遍历性 3.1.1 预期和随机过程假设可以观察到一个样本容量为T 的随机变量t Y 的样本：},,,{21T y y y这意味着这些随机变量之间的是相互独立且同分布的。
例3.1 假设T 个随机变量的集合为：},,,{21T εεε ，),0(~2σεN i 且相互独立，我们称其为高斯白噪声过程产生的样本。
对于一个随机变量t Y 而言，它是t 时刻的随机变量，因此即使在t 时刻实验，它也可以具有不同的取值，假设进行多次试验，其方式可能是进行多次整个时间序列的试验，获得I 个时间序列：+∞=-∞=t t t y }{)1(，+∞=-∞=t t t y }{)2(，…，+∞=-∞=t t I t y }{)(将其中仅仅是t 时刻的观测值抽取出来，得到序列：},,,{)()2()1(I t t t y y y ，这个序列便是对随机变量t Y 在t 时刻的I 次观测值，也是一种简单随机子样。
定义3.1 假设随机变量t Y 是定义在相同概率空间},,{P Ω上的随机变量，则称随机变量集合},2,1,0,{ ±±=t Y t 为随机过程。
例3.2 假设随机变量t Y 的概率密度函数为： ]21exp[21)(22t t Y y y f t σσπ=此时称此时密度为该过程的无条件密度，此过程也称为高斯过程或者正态过程。
定义3.2 可以利用各阶矩描述随机过程的数值特征： (1) 随机变量t Y 的数学期望定义为(假设积分收敛)：⎰==+∞∞-tt Y t t t dy y f y Y E t )()(μ 此时它是随机样本的概率极限：∑==∞→I i i t I t y I P Y E 1)(1lim )((2) 随机变量t Y 的方差定义为(假设积分收敛):20)(t t t Y E μγ-=例3.3 (1) 假设},,{21 εε是一个高斯白噪声过程，随机过程t Y 为常数加上高斯白噪声过程：t t Y εμ+=，则它的均值和方差分别为：μεμμ=+==)()(t t t E Y E 2220)()(σεμγ==-=t t t t E Y E(2) 随机过程t Y 为时间的线性趋势加上高斯白噪声过程：t t t Y εβ+=，则它的均值和方差分别为：t E t Y E t t t βεβμ=+==)()( 2220)()(σεμγ==-=t t t t E Y E3.1.2 随机过程的自协方差将j 个时间间隔的随机变量构成一个随机向量),,(1'=--j t t t t Y Y Y X ，通过随机试验可以获得该随机向量的简单随机样本。
ARMA模型时间分析分析
ARMA 模型分析我国工业总产值华北科技学院基础部计算B091班刘建红摘要：本文摘录了从1990年1月至1997年12月我国工业总产值的月度资料（1990年不变价格），共有96个观测值。
在我国工业总产值逐年增长的同时，随季节、月份的改变，总产值也会出现轻微波动情况。
研究工业总产值随时间的变化，将有利于我们更细致地了解一年内每个季度，每个月份工业产值的变化规律。
本文运用数据分析功能强大的数据分析软件EVIEWS 进行分析，通过时间序列自相关系数分析，得到我国总产值的发展趋势图，以及该时间序列的自相关与偏自相关分析图；由自相关分析图来很难看出序列是有季节性，并对原序列进行逐期差分，以消除趋势；对新序列进行季节差分，消除序列的趋势，得到该序列的自相关与偏自相关分析图，表明序列可以直接进行ARMA 模型；又运用序列均值检验，均值与0无显著差异，进一步表明序列可以直接进行ARMA 模型。
然后运用ARIMA （3,1,1）模型对我国1997年工业总产值进行试预测，得到模型预测值与实际观测值的对比折线图，并且模型预测值与实际观测值很接近，说明预测精度较高，进一步说明了ARIMA 模型的拟合效果很好。
同时运用ARIMA （3,1,1）模型对我国1998年工业总产值进行试预测，得到1998年各月工业总产值预测折线图。
关键字：EVIEWS 软件 自相关分析 ARMA 模型 季节性 预测1、 研究背景随着我国经济的迅速发展，工业总产值也逐年增加。
在我国工业总产值逐年增长的同时，随季节的改变，总产值也会出现轻微波动情况。
研究工业总产值随时间的变化，将有利于我们更细致地了解一年内每个季度，甚至每个月份大致变化规律，通过这些规律我们可以对未来我国工业总产值的变化，做很好的预测。
因此，研究我国工业总产值的变化规律就显得非常必要了。
本文运用分析功能强大的数据分析软件EVIEWS 进行数据分析，建立ARMA 模型，并进行简单预测，节约了手工计算时间，简化了手工计算过程，更精确地反映我国工业总产值的变化规律。
实验二：ARMA模型建模与预测实验报告
实验二：A R M A模型建模与预测实验报告(总3页)--本页仅作为文档封面，使用时请直接删除即可----内页可以根据需求调整合适字体及大小--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二 ARMA模型建模与预测实验指导一、实验目的：学会通过各种手段检验序列的平稳性；学会根据自相关系数和偏自相关系数来初步判断ARMA 模型的阶数p 和q ，学会利用最小二乘法等方法对ARMA 模型进行估计，学会利用信息准则对估计的ARMA 模型进行诊断，以及掌握利用ARMA 模型进行预测。
掌握在实证研究中如何运用Eviews 软件进行ARMA 模型的识别、诊断、估计和预测和相关具体操作。
二、基本概念：宽平稳：序列的统计性质不随时间发生改变，只与时间间隔有关。
AR 模型：AR 模型也称为自回归模型。
它的预测方式是通过过去的观测值和现在的干扰值的线性组合预测， 自回归模型的数学公式为:1122t t t p t p t y y y y φφφε---=++++式中: p 为自回归模型的阶数i φ（i=1，2， ，p ）为模型的待定系数，t ε为误差， t y 为一个平稳时间序列。
MA 模型：MA 模型也称为滑动平均模型。
它的预测方式是通过过去的干扰值和现在的干扰值的线性组合预测。
滑动平均模型的数学公式为:1122t t t t q t q y εθεθεθε---=----式中: q 为模型的阶数； j θ（j=1，2， ，q ）为模型的待定系数；t ε为误差；t y 为平稳时间序列。
ARMA 模型：自回归模型和滑动平均模型的组合， 便构成了用于描述平稳随机过程的自回归滑动平均模型ARMA ， 数学公式为:11221122t t t p t p t t t q t q y y y y φφφεθεθεθε------=++++----三、实验任务：1、实验内容：（1）根据时序图判断序列的平稳性；（2）观察相关图，初步确定移动平均阶数q和自回归阶数p；（3）对某企业201个连续生产数据建立合适的(,)ARMA p q模型，并能够利用此模型进行短期预测。
时序实验ARMA建立预测
实验二 ARMA 模型建模与预测指导一、实验目的学会通过各种手段检验序列的平稳性；学会根据自相关系数和偏自相关系数来初步判断ARMA 模型的阶数p 和q ，学会利用最小二乘法等方法对ARMA 模型进行估计，学会利用信息准则对估计的ARMA 模型进行诊断，以及掌握利用ARMA 模型进行预测。
掌握在实证研究中如何运用Eviews 软件进行ARMA 模型的识别、诊断、估计和预测和相关具体操作。
二、基本概念宽平稳：序列的统计性质不随时间发生改变，只与时间间隔有关。
AR 模型：AR 模型也称为自回归模型。
它的预测方式是通过过去的观测值和现在的干扰值的线性组合预测， 自回归模型的数学公式为:1122t t t p t p t y y y y φφφε---=++++式中: p 为自回归模型的阶数i φ（i=1，2， ，p ）为模型的待定系数，t ε为误差， t y 为一个平稳时间序列。
MA 模型：MA 模型也称为滑动平均模型。
它的预测方式是通过过去的干扰值和现在的干扰值的线性组合预测。
滑动平均模型的数学公式为:1122t t t t q t q y εθεθεθε---=----式中: q 为模型的阶数； j θ（j=1，2， ，q ）为模型的待定系数；t ε为误差； t y 为平稳时间序列。
ARMA 模型：自回归模型和滑动平均模型的组合， 便构成了用于描述平稳随机过程的自回归滑动平均模型ARMA ， 数学公式为:11221122t t t p t p t t t q t q y y y y φφφεθεθεθε------=++++----三、实验内容及要求1、实验内容：（1）根据时序图判断序列的平稳性；（2）观察相关图，初步确定移动平均阶数q 和自回归阶数p ；（3）运用经典B-J 方法对某企业201个连续生产数据建立合适的ARMA （,p q ）模型，并能够利用此模型进行短期预测。
2、实验要求：（1）深刻理解平稳性的要求以及ARMA 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ARMA 模型；如何利用ARMA 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。
ARMAARIMA模型介绍及案例分析
ARMAARIMA模型介绍及案例分析AR、MA和ARIMA是时间序列分析中常见的模型，用于分析和预测时间序列数据的特征和趋势。
下面将对这三种模型进行介绍，并提供一个案例分析来展示它们的应用。
自回归模型（AR）是一种基于过去的观测值来预测未来观测值的模型。
它基于一个假设：未来的观测值可以由过去的观测值的线性组合来表示。
AR模型的一般形式可以表示为：y_t=c+ϕ_1*y_(t-1)+ϕ_2*y_(t-2)+...+ϕ_p*y_(t-p)+ε_t其中，y_t表示时间t的观测值，c是常数项，ϕ_1至ϕ_p是自回归系数，p是自回归阶数，ε_t是误差项。
AR模型的关键是确定自回归阶数p和自回归系数ϕ。
移动平均模型（MA）是一种基于过去的误差项来预测未来观测值的模型。
它基于一个假设：未来的观测值的误差项可以由过去的误差项的线性组合来表示。
MA模型的一般形式可以表示为：y_t=c+ε_t+θ_1*ε_(t-1)+θ_2*ε_(t-2)+...+θ_q*ε_(t-q)其中，y_t表示时间t的观测值，c是常数项，ε_t是误差项，θ_1至θ_q是移动平均系数，q是移动平均阶数。
MA模型的关键是确定移动平均阶数q和移动平均系数θ。
自回归移动平均模型（ARIMA）结合了AR和MA模型的特点，同时考虑了时间序列数据的趋势性。
ARIMA模型一般形式可以表示为：y_t=c+ϕ_1*y_(t-1)+ϕ_2*y_(t-2)+...+ϕ_p*y_(t-p)+ε_t+θ_1*ε_(t-1)+θ_2*ε_(t-2)+...+θ_q*ε_(t-q)其中，y_t表示时间t的观测值，c是常数项，ϕ_1至ϕ_p是自回归系数，p是自回归阶数，ε_t是误差项，θ_1至θ_q是移动平均系数，q是移动平均阶数。
ARIMA模型的关键是确定自回归阶数p、移动平均阶数q和相关系数ϕ和θ。
下面举一个电力消耗预测的案例来展示AR、MA和ARIMA模型的应用：假设有一段时间内的电力消耗数据，我们想要用AR、MA和ARIMA模型来预测未来一段时间内的电力消耗。
ARMAARIMA模型介绍及案例分析
模型的识别的本质是确定 ARIMA( p, d, q)(P, D,Q)s 中的 p, d, q 以及 P, D,Q 与 S 的取值。借助于自相关函数（Auto correlation Function, ACF）以及自相关分析 图和偏自相关函数（Partial Correlation Function, PACF）以及偏自相关分析图来 识别时序特性，并进一步确定 p 、 q 、 P 、 Q 。
模型
AR( p)
MA(q )
ARMA( p, q)
拖尾
拖尾
自相关函数
指数衰减和（或） 截尾
指数衰减和（或）
正弦衰减
正弦衰减
拖尾
拖尾
偏自相关函数
截尾（阶）
指数衰减和（或） 指数衰减和（或）
正弦衰减
正弦衰减
关于 p, q 的取值 当不包括时滞 k 12（或 4），24（或 8）， p 取落入随机区间之外的偏相关系
j 1
rk j
k 1 k 2,3,
偏自相关系数kk ，可看作自变量 k 的函数，即偏自相关函数， 1 kk 1。 它用以测量当剔除其他滞后期（ t 1, 2,3, , k 1）的干扰的条件下，Yt 与Ytk 之 间相关的程度。与自相关系数类似，同样可以采用偏自相关分析图来对模型进行
识别。
3. 勾选自相关、偏自相关，转换暂时不选（如果为非平稳序列，可勾选差分/ 自然对数转换，其中差分的阶数需要根据自相关图形来确定，通常为 0,1,2）
未进行差分处理，由图可知几乎一半的自相 关系数未进入置信区间，说明该序列非平稳，此时需要进行差分处理，即在重复 第 2 步时，差分选项选择 1 或 2。
4.4 建立 ARIMA 模型
时间序列模型及ARMA模型讨论
２ 自回归模型 AR( p)
一般的，随机过程 X t （因变元）的观测值与ｍ个自变元 u1, u2 ,...umt 的取值的依赖关系，
可用线性方程 Xt = β1u1 + β2u2 + ... + βmum + εt ， (1 ≤ t ≤ N ) （１．1）来描述，并称式
引入后移算子Ｂ，有 X t = θ (B)at （１.５） (BAt = At−1, B2 At = B(BAt ) = At−2 ) 式（１.５）中θ (B) = 1−θ1B −θ2B2 − ... −θq Bq 。如果多项式θ (B) 可逆，即θ −1(B) 存在，
则（１.５）可写成 θ −1(B) Xt = at （１.６）
⎥ ⎥ ⎥
+
⎢ ⎢ ⎢
−θ20 ...
⎢⎣φ
0 p
⎥ ⎦
⎢⎣θ
0 p
⎥⎦
⎢⎣
−θ
0 p−1
0
1
−θ10 ...
−θ
0 p−2
0
0
1
...
−θ
0 p−3
... 0 ⎤ ⎡ I1 ⎤
...
0
⎥ ⎥
⎢ ⎢
I
2
⎥ ⎥
... ...
0⎥ ...⎥⎥
⎢ ⎢ ⎢
I3 ...
⎥ ⎥ ⎥
... 1 ⎥⎦ ⎢⎣I p ⎥⎦
８ 初值的确定
9 参数初值 β 0 的选取十分重要，关系到迭代计算收敛速度的快慢,文中采用了 AR( p0 ) 的
长自回归模型.由 AR( p0 ) 模型描述的等价系统传递函数为：
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于ARMA模型的社会融资规模增长分析 ————ARMA模型实验 第一部分 实验分析目的及方法 一般说来,若时间序列满足平稳随机过程的性质,则可用经典的ARMA模型进行建模和预则。但是, 由于金融时间序列随机波动较大,很少满足ARMA模型的适用条件,无法直接采用该模型进行处理。通过对数化及差分处理后,将原本非平稳的序列处理为近似平稳的序列,可以采用ARMA模型进行建模和分析。
第二部分 实验数据 2.1数据来源 数据来源于中经网统计数据库。具体数据见附录表5.1 。
2.2所选数据变量 社会融资规模指一定时期内（每月、每季或每年）实体经济从金融体系获得的全部资金总额，为一增量概念，即期末余额减去期初余额的差额，或当期发行或发生额扣除当期兑付或偿还额的差额。社会融资规模作为重要的宏观监测指标，由实体经济需求所决定，反映金融体系对实体经济的资金量支持。 本实验拟选取2005年11月到2014年9月我国以月为单位的社会融资规模的数据来构建ARMA模型，并利用该模型进行分析预测。
第三部分 ARMA模型构建 3.1判断序列的平稳性 首先绘制出M的折线图，结果如下图： 图3.1 社会融资规模M曲线图 从图中可以看出，社会融资规模M序列具有一定的趋势性，由此可以初步判断该序列是非平稳的。此外，m在每年同时期出现相同的变动趋势，表明m还存在季节特征。下面对m的平稳性和季节性·进行进一步检验。 为了减少m的变动趋势以及异方差性，先对m进行对数化处理，记为lm，其时序图如下： 图3.2 lm曲线图 对数化后的趋势性减弱，但仍存在一定的趋势性，下面观察lm的自相关图 表3.1 lm的自相关图
上表可以看出，该lm序列的PACF只在滞后一期、二期和三期是显着的，ACF随着滞后结束的增加慢慢衰减至0，由此可以看出该序列表现出一定的平稳性。进一步进行单位根检验，由于存在较弱的趋势性且均值不为零，选择存在趋势项的形式，并根据AIC自动选择之后结束，单位根检验结果如下：
表3.2 单位根输出结果 Null Hypothesis: LM has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -8.674646 0.0000 Test critical values: 1% level -4.046925 5% level -3.452764 10% level -3.151911
*MacKinnon (1996) one-sided p-values. 单位根统计量ADF=-8.674646小于临界值，且P为0.0000，因此该序列不存在单位根，即
该序列是平稳序列。 由于趋势性会掩盖季节性，从lm图中可以看出，该序列有一定的季节性，为了分析季节性，对lm进行差分处理，进一步观察季节性： 图3.3 dlm曲线图 观察dlm 的自相关表： 表3.3 dlm的自相关图 Date: 11/02/14 Time: 22:35 Sample: 2005M11 2014M09 Included observations: 106
Autocorrelation Partial Correlation AC PAC Q-Stat Prob ****|. | ****|. | 1 -0.566 -0.566 34.934 0.000 .|* | **|. | 2 0.113 -0.305 36.341 0.000 .|. | *|. | 3 0.032 -0.093 36.455 0.000 *|. | *|. | 4 -0.084 -0.114 37.244 0.000 .|* | .|. | 5 0.105 0.015 38.494 0.000 *|. | *|. | 6 -0.182 -0.182 42.296 0.000 .|* | *|. | 7 0.105 -0.156 43.563 0.000 .|. | *|. | 8 -0.058 -0.171 43.954 0.000 .|. | *|. | 9 -0.019 -0.196 43.996 0.000 .|* | .|. | 10 0.110 -0.045 45.429 0.000 **|. | **|. | 11 -0.242 -0.329 52.501 0.000 .|*** | .|. | 12 0.363 0.023 68.516 0.000 *|. | .|. | 13 -0.202 0.032 73.534 0.000 .|* | .|* | 14 0.101 0.125 74.815 0.000 .|. | .|* | 15 0.004 0.141 74.817 0.000 *|. | *|. | 16 -0.161 -0.089 78.110 0.000 .|** | .|. | 17 0.219 0.037 84.252 0.000 **|. | .|. | 18 -0.221 -0.036 90.623 0.000 .|* | .|. | 19 0.089 -0.046 91.662 0.000 *|. | *|. | 20 -0.080 -0.158 92.516 0.000 .|. | .|. | 21 0.067 -0.039 93.115 0.000 .|. | .|. | 22 0.068 0.056 93.749 0.000 **|. | *|. | 23 -0.231 -0.130 101.08 0.000 .|*** | .|* | 24 0.359 0.116 119.04 0.000 *|. | .|* | 25 -0.189 0.123 124.09 0.000 .|. | .|. | 26 0.032 0.034 124.23 0.000 .|. | .|. | 27 0.059 0.037 124.74 0.000 *|. | .|. | 28 -0.126 0.044 127.08 0.000 .|* | *|. | 29 0.087 -0.079 128.21 0.000 .|. | .|* | 30 -0.050 0.092 128.58 0.000 .|. | .|. | 31 -0.037 -0.019 128.79 0.000 .|. | *|. | 32 -0.035 -0.113 128.97 0.000 .|. | .|. | 33 0.041 -0.056 129.24 0.000 .|* | .|. | 34 0.078 -0.027 130.21 0.000 **|. | *|. | 35 -0.215 -0.197 137.64 0.000 .|*** | .|* | 36 0.380 0.130 161.26 0.000
由dlm的自相关图可知，dlm在滞后期为12、24、36等差的自相关系数均显着异于零。因此该序列为以12为周期呈现季节性，而且季节自相关系数并没有衰减至零，因此为了考虑这种季节性，进行季节性差分，得新变量sdlm： 观察sdlm的自相关图： 表3.4 sdlm的自相关图 Date: 11/02/14 Time: 22:40 Sample: 2005M11 2014M09 Included observations: 94
Autocorrelation Partial Correlation AC PAC Q-Stat Prob ****|. | ****|. | 1 -0.505 -0.505 24.767 0.000 . |. | ***|. | 2 -0.057 -0.419 25.082 0.000 . |. | **|. | 3 0.073 -0.292 25.609 0.000 . |* | . |. | 4 0.160 0.067 28.169 0.000 **|. | .*|. | 5 -0.264 -0.125 35.252 0.000 . |* | .*|. | 6 0.098 -0.110 36.244 0.000 . |* | . |. | 7 0.098 0.019 37.243 0.000 . |. | . |* | 8 -0.041 0.082 37.419 0.000 .*|. | . |. | 9 -0.132 -0.038 39.275 0.000 . |* | .*|. | 10 0.076 -0.139 39.902 0.000 . |** | . |** | 11 0.227 0.247 45.485 0.000 ***|. | **|. | 12 -0.459 -0.259 68.647 0.000 . |* | **|. | 13 0.193 -0.251 72.777 0.000 . |* | .*|. | 14 0.132 -0.101 74.753 0.000 .*|. | .*|. | 15 -0.142 -0.189 77.056 0.000 . |. | . |. | 16 -0.053 -0.056 77.378 0.000 . |** | . |* | 17 0.233 0.091 83.751 0.000 **|. | .*|. | 18 -0.234 -0.179 90.258 0.000 . |* | . |. | 19 0.102 0.054 91.505 0.000 . |. | . |. | 20 -0.052 -0.035 91.841 0.000 . |* | . |. | 21 0.123 -0.009 93.714 0.000 . |. | . |* | 22 -0.059 0.120 94.150 0.000 . |. | . |** | 23 -0.011 0.215 94.166 0.000 . |. | .*|. | 24 -0.032 -0.170 94.301 0.000 . |* | .*|. | 25 0.088 -0.137 95.303 0.000 .*|. | . |. | 26 -0.105 -0.034 96.760 0.000 . |* | .*|. | 27 0.077 -0.116 97.562 0.000 . |. | .*|. | 28 -0.054 -0.178 97.967 0.000 . |. | . |. | 29 0.010 0.032 97.982 0.000 . |* | . |. | 30 0.102 0.039 99.457 0.000 .*|. | .*|. | 31 -0.179 -0.099 104.06 0.000 . |. | . |. | 32 0.071 -0.058 104.79 0.000 . |. | .*|. | 33 0.031 -0.066 104.93 0.000 .*|. | .*|. | 34 -0.089 -0.144 106.13 0.000 . |. | . |* | 35 0.036 0.082 106.32 0.000 . |* | .*|. | 36 0.105 -0.102 108.05 0.000