搜索
时间序列分析实验报告实验课程名称时间序列分析实验项目名称ARMA,ARIMA模型的参数估计年级专业学生姓名成绩1理学院实验时间：2015年11月20日学生所在学院：理学院专业：金融学班级：数学班姓名孙晗学号115113001152实验组实验时间11月20日指导教师谢建春实验项目名称ARMA模型的参数估计实验目的及要求：掌握时间序列中ARMA，ARIMA模型的参数估计方法。实验原理：对于一组历史数据有明显的趋势性或者周期性的非平稳序列，通过ARIMA模型或者SARIMA的建模，可以挖掘历史数据中的有效信息和相关关系，用来预测序列未来的发展。实验硬件及软件平台：计算机Eviews网络实验步骤：1、在Eview中录入数据2、绘制它的时序图，自相关图，偏自相关图判断是否为平稳序列3、若非平稳序列，则先进行差分运算，转化为平稳序列4、确定模型类型与阶数5、估计模型中未知参数的值6、检验模型的有效性7、模型优化2实验内容（包括实验具体内容、算法分析、源代码等等）：1994年1月-2012年3月江苏省居民消费价格指数1、判断该序列的稳定性和纯随机性该序列的时序图如下：从图中可以看出具有很明显的下降趋势和周期性，所以通常是非平稳的。在做它的自相关图。3可以发现序列的自相关系数递减到零的速度相当缓慢。是非平稳序列的一种典型的自相关图。2、差分化处理做一阶12步差分，做出如下时序图DX由该时序图我们基本可以认为其是平稳的，再做DX自相关图和偏自相关图自相关图显示延迟12阶自相关系数显著大于2倍标准差范围。说明差分后序列中仍蕴含着非常显著的季节效应。3、模型参数估计和建模普通最小二乘法下，输入D(X,1,12)AR(1)MA(1)SAR(12)SMA(12)，得到下图，其中，所有的参数估计量的P值小于0.05，均显著。AIC为1.896653，SC为1.964273。4普通最小二乘法，输入D(X,1,12)AR(1)MA(1)SAR(12)SAR(24)SMA(12),，得到下图，其中，所有的参数估计量的P值小于0.05，均显著。AIC为1.640316，SC为1.728672。4、参数估计结果比较这两个模型，因为第二个模型的SC值小于第一个模型的SC值，所以相对而言，第二个模型是最优模型。模型结果为：指导教师意见：签名：年月日5