实验九 ARIMA模型的概念和估计

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、基本概念与原理

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）。对于一个序列{Yt}来说，它的第j阶自相关系数(记作ρj)定义为它的j阶自协方差除以它的方差，即 ρj＝ γj0 ，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。

利用平稳性检验（如QLB统计量、单位根检验等）、ACF(j)和PACF(j)，可识别ARIMA（p,d,q）模型。具体步骤如下：

第一步，利用平稳性检验确定d的值。可运用前面学过的平稳性检验方法，检验序列是否平稳。如果不是，通过几次差分才能得到平稳序列。若经过1次差分就可实现平稳，则d就等于1，若经过2次差分就可实现平稳，则d就等于2，如此类推。

第二步，利用ACF和PACF来确定p和q的值。一般规则是：

（1）如果序列的ACF是截尾的，即过了某一滞后项值（设为q）后，ACF变得不显著，接近于零，并且PACF是拖尾的，则可把序列设为MA（q）过程；

（2）如果序列的PACF是截尾的，即过了某一滞后项值（设为p）后，PACF变得不显著，接近于零，并且ACF是拖尾的，则可把序列设为AR（p）过程；

（3）如果序列的ACF和PACF都是拖尾的，则可把该序列设为ARMA（p,q）过程，而关于p和q的值需要不断地从低阶试探，并使信息准则（如AIC、SC、HQIC等）达到最小。

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：