-
用
STATA
软件学习《时间序列分析》
第三课:
ARM
A/ARIMA
建模及预测
核心问题:
1
,前提:同方差,因此,不用考虑不同时刻变量的离散性;
2
,建立的是变量分布的均值模型,
也就是,随机变量分布的均值所在的位置
3
,难点
在于,时间序列数据建立模型并没有唯一性
以
的数据来说明。这个数据是美国的季度
GDP
数据,数据从
1947
年一季度开始,到
2012
年一季度结束。研究对象,
GDP
,存在通货膨胀问题。
所以要用
GDP
平减指数
(
G
DP Deflator
)
进行矫正,
这里是以
2005
年的美元作为
基准的
。
所以考察变量是
GDP2005
,<
/p>
即以
2005
年的美元作为基准的各季度
的
GDP
真实值。
一,一些基本符号:
D
L
F
二,建立模型:
前期准备:观察时序图
相关命令:
tsset, tsline/twoway
1
用<
/p>
STATA
软件学习《时间序列分析》
从图上可以看出,
GDP2005
值呈
线性的向右上方倾斜,
第一种方法
:
可以用确定性分析理的方法,使用研究变量对时间变量进行回归
即:
regress lrgdp
date
(采用的是最小二乘估计)
然后对残差项进行
White
Noise
检验
< br>观察此图:特征大值跟大值,小值跟小值,这说明
Residual
中存在着自相关
信息。肯定不是
White
Noise
因此,从这里看出,确定性的方法比较直观,简单,但效果不好,弥补:对
残差序列进行回归,建立
AR
模型,这
就是所谓的
残差自回归模型。
第二种方法
BOX-
JENKINS
方法,也就是通常所说的
ARMA(p,d)
/ARIMA(p,d,d)
建模(采用
的是最大似然估计)<
/p>
。
四大步骤:
1
、模型识别
Identification
< br>:决定
p
和
q
?
(
p>
p
个)
,
?
(
q
个),
?
?
2
、模型
估计
Estimation
:估计
?<
/p>
,
3
、模型检验
Diagnostic
Checking
4
、模型优化
Parsimony
2