苹果/安卓/wp
苹果/安卓/wp
积分 53, 距离下一级还需 32 积分
道具: 彩虹炫, 雷达卡, 热点灯, 雷鸣之声, 涂鸦板, 金钱卡, 显身卡下一级可获得
权限: 自定义头衔
购买后可立即获得
权限: 隐身
道具: 金钱卡, 雷鸣之声, 彩虹炫, 雷达卡, 涂鸦板, 热点灯
急急急，我用eviews做ARMA时间序列分析时，为什么得到的预测值比实际值总是滞后一个单位。哪位大侠帮帮忙
载入中......
本帖最后由 猫猫喵 于
09:57 编辑
图片不见啦？
(55.44 KB)
10:28:13 上传
(52.04 KB)
09:54:05 上传
怎么没有人来呢，是不是因为ARMA模型的数据都是根据历史数据得到的，所以预测值和上一时刻的值有很大关系，这样得到的结果是正常的？
我自己想到了
猫猫喵 发表于
我自己想到了请问为什么啊？我也是这样
16:06:23 上传
你好，想请教一下关于这个预测的问题，可不可以帮帮忙
猫猫喵 发表于
我自己想到了你好，想问下最后怎么解决的？我也是遇到这个问题，但是我把真实值往前平移了，得出来就不滞后了，不知道这样可以吗？
论坛好贴推荐
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
为做大做强论坛，本站接受风险投资商咨询，请联系（010-）
邮箱：service@pinggu.org
合作咨询电话：(010)
广告合作电话：（刘老师）
投诉电话：(010)
不良信息处理电话：(010)
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师eviews时间序列的实验_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
eviews时间序列的实验
阅读已结束，如果下载本文需要使用
想免费下载本文？
下载文档到电脑，查找使用更方便
还剩6页未读，继续阅读
你可能喜欢运用Eviews软件进行ARIMA模型的识别、诊断、估计和预测42
上亿文档资料，等你来发现
运用Eviews软件进行ARIMA模型的识别、诊断、估计和预测42
实验五ARIMA模型的概念和构造；一、实验目的；了解AR，MA以及ARIMA模型的特点，了解三者；二、基本概念；所谓ARIMA模型，是指将非平稳时间序列转化为平；在ARIMA模型的识别过程中，我们主要用到两个工；Y一个序列?t?来说，它的第j阶自相关系数(记作；方差，即?j＝?j?0，它是关于j的函数，因此我；三、实验内容及要求；1、实验内容：；根据1991
实验五 ARIMA模型的概念和构造一、实验目的了解AR，MA以及ARIMA模型的特点，了解三者之间的区别联系，以及AR与MA的转换，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，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。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(简称ACF），偏自相关函数(简称PACF)以及它们各自的相关图（即ACF、PACF相对于滞后长度描图）。对于Y一个序列 ?
t ? 来说，它的第j阶自相关系数(记作 ?
j )定义为它的j阶自协方差除以它的方差，即 ?j＝
?j?0 ，它是关于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、实验内容及要求1、实验内容：根据1991年1月～2005年1月我国货币供应量（广义货币M2）的月度时间数据来说明在Eviews3.1 软件中如何利用B-J方法论建立合适的ARIMA（p,d,q）模型，并利用此模型进行数据的预测。2、实验要求：（1）深刻理解上述基本概念；（2）思考：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。 四、实验指导1、ARIMA模型的识别（1）导入数据打开Eviews软件，选择“File”菜单中的“New--Workfile”选项，出现“Workfile Range”对话框，在“Workfile frequency”框中选择“Monthly”，在“Start date”和“End date”框中分别输入“1991:01”和“2005:01”，然后单击“OK”，选择“File”菜单中的“Import--Read Text-Lotus-Excel”选项，找到要导入的名为EX6.2.xls的Excel文档，单击“打开”出现“Excel Spreadsheet Import”对话框并在其中输入相关数据名称(M2)，再单击“OK”完成数据导入。（2）模型的识别首先利用ADF检验，确定d值，判断M2序列为2阶非平稳过程（由于具体操作方法我们在第五章中予以说明，此处略），即d的值为2，将两次差分后得到的平稳序列命名为W2；下面我们来看W2的自相关、偏自相关函数图。 打开W2序列，点击“View”―“Correlogram”菜单，会弹出如图5－1所示的窗口， 图5－1
自相关形式设定我们选择滞后项数为36，然后点击“OK”，就得到了W2的自相关函数图和偏自相关函数图，如图5－2所示。 图5－2
W2自相关函数图和偏自相关函数图从W2的自相关函数图和偏自相关函数图中我们可以看到，他们都是拖尾的，因此可设定为ARMA过程。W2的自相关函数1-5阶都是显著的，并且从第6阶开始下降很大，数值也不太显著，因此我们先设定q值为5。W2的偏自相关函数1-2阶都很显著，并且从第3阶开始下降很大，因此我们先设定 p的值为2，于是对于序列W2，我们初步建立了ARMA(2,5)模型。2、模型的估计点击“Quick”－“Estimate Equation”，会弹出如图5－3所示的窗口，在“Equation Specification”空白栏中键入“ W2 C MA(1)
AR(2)”，在“Estimation Settings”中选择“LS-Least Squares(NLS and ARMA)”，然后“OK”，得到如图5－4所示的估计结果。 图5－3 回归方程设定 图5－4
ARMA(2,5)回归结果可以看到，除常数项外，其它解释变量的系数估计值在15%的显著性水平下都是显著的。3、模型的诊断点击“View”―“Residual test”―“Correlogram-Q-statistics”，在弹出的窗口中选择滞后阶数为36，点击“Ok”，就可以得到Q统计量，此时为30.96，p值为0.367，因此不能拒绝原假设，可以认为模型较好的拟合了数据。我们再来看是否存在一个更好的模型。我们的做法是增加模型的滞后长度，然后根据信息值来判断。表5-1是我们试验的几个p, q值的AIC信息值。的模型中有的解释变量的系数估计值是不显著的，而按照前者建立的模型其解释变量的系数值都是显著的（如图5－5所示），因此我们最终建立的模型是ARMA(3,5)。 图5－5
ARMA(3,5)回归结果4、模型的预测点击“Forecast”，会弹出如图5－6所示的窗口。在Eviews中有两种预测方式：“Dynamic”和“Static”，前者是根据所选择的一定的估计区间，进行多步向前预测；后者是只滚动的进行向前一步预测，即每预测一次，用真实值代替预测值，加入到估计区间，再进行向前一步预测。我们首先用前者来估计2003年1月到2005年1月的W2，在“Sample range for forecast”空白栏中键入“5:01”（如图5－6所示），选择“Dynamic”，其他的一些选项诸如预测序列的名称、以及输出结果的形式等，我们可以根据目的自行选择，不再介绍，点击“OK”，得到如图5－7所示的预测结果。 图5－6 ARMA(3,5)模型预测设定 图5－7
Dynamic预测方式结果图中实线代表的是W2的预测值，两条虚线则提供了2倍标准差的置信区间。可以看到，正如我们在前面所讲的，随着预测时间的增长，预测值很快趋向于序列的均值（接近0）。图的右边列出的是评价预测的一些标准，如平均预测误差平方和的平方根（RMSE），Theil不相等系数及其分解。可以看到，Theil不相等系数为0.82，表明模型的预测能力不太好，而对它的分解表明偏误比例很小，方差比例较大，说明实际序列的波动较大，而模拟序列的波动较小，这可能是由于预测时间过长。下面我们再利用“Static”方法来估计2004年1月～2005年1月的W2，（操作过程略），我们可以得到如图5－8所示的结果。从图中可以看到，“Static”方法得到的预测值波动性要大；同时，方差比例的下降也表明较好的模拟了实际序列的波动 ，Theil不相等系数为0.62，其中协方差比例为0.70，表明模型的预测结果较理想。包含各类专业文献、幼儿教育、小学教育、中学教育、行业资料、应用写作文书、各类资格考试、高等教育、运用Eviews软件进行ARIMA模型的识别、诊断、估计和预测42等内容。　
　第三个工具是运用 MA、移动平均项。移动平均预测...ARIMA 建模的这个阶段叫做识别(不要和联立方程中相同...EViews 为估计提供诊断检查。 ARIMA 模型的估计 ... 　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... 　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... 　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... 　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... 　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、基本概念季节变动:客观社会经济现象受季节影响,在一年内有规律的季节更替现象,... 　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... 　掌握在实证研究如何运用 R 软件进行 ARIMA 模型的识别、 诊断、估计和预测。 ...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... 　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 ...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...如何用eviews来求解一阶自回归方程假设净收入在时间序列上满足带有截距项的一阶自回归模型,以此来预测未来n年的净收入,那么t年的净收入Rt与其滞后项满足：Rt=a+b*Rt-1其中,a是常数项,b是滞_百度作业帮
如何用eviews来求解一阶自回归方程假设净收入在时间序列上满足带有截距项的一阶自回归模型,以此来预测未来n年的净收入,那么t年的净收入Rt与其滞后项满足：Rt=a+b*Rt-1其中,a是常数项,b是滞
如何用eviews来求解一阶自回归方程假设净收入在时间序列上满足带有截距项的一阶自回归模型,以此来预测未来n年的净收入,那么t年的净收入Rt与其滞后项满足：Rt=a+b*Rt-1其中,a是常数项,b是滞后项的系数,t为时间单位年,Rt-1是第(t−1)年的净收入.比如,现有以下数据：2006年：7000002007年：1338002008年：2298002009年：7239002010年：2000002011年：5124002012年：99990502013年：如何来求解a、b的值,以及预测未来几年的值?
导入数据到序列rt回归方程如下ls rt c r(-1) 回归参数 C的估计系数是a的
r（-1）的系数是 b
如果方程验证R方为1 则是精确解.若不为0.9以上则为估计解（若只是方程求解 则为无解）
谢谢！由于初次使用这个软件（6.0版本），在如何输入值和如何输入命令都不太熟悉。可以再详细些吗？非常感谢！
一个个到很麻烦， 你直接在excel做好，然后建立一个新的workfile 把数据年限选择和你数据一样 然后导入excel数据文件。 序列名字存为rt 就行。 这种最基本的指令如果还不熟悉的话，可以现在网上找些入门教科书看看， 上面有图和案例会帮助你快速适应。 知道解释起来反而比较麻烦