ARIMA模型简介及其Eviews操作

走过路过不要错过

点击蓝字关注我们

今天，小编想借用ARIMA模型和四川省1998-2017的GDP数据，和大家交流一下在Eviews中如何运用ARIMA模型对某些经济数据进行预测。由于小编直接粘贴的GDP数据，未对应年份，所以略有差别，但无实质影响，无非是1978年对应了1而已。

小编年级尚“幼”，如有错误之处和不足之处，欢迎各路前辈大佬批评指正，先谢谢各位！

模型及其原理

ARMA模型预测的基本原理就是给某个变量的很多时间序列数据，然后根据这些数据找到一个变量随时间变化的关系式，再把时间带入方程式，就实现了预测，这也是很多预测方法的本质。只是ARMA模型综合用了自回归项、移动平均项、单整项对扰动项进行建模分析，考虑了预测变量的过去值、当前值、误差值的影响，较之其他预测方法，有效提高了预测精度。

ARMA模型又称为自回归移动平均模型，即自回归模型AR和移动平均模型MA的组合体。

参考任何一本计量教材，ARMA模型的基本表达式为：

对于时间序列数据，使用模型前需要检验时间序列数据的平稳性，减少伪回归的可能性，ARMA模型是建立在平稳时间序列上的，对于不平稳的时间序列数据，需要将其差分转化为平稳时间序列，ARIMA模型中的I就是差分的阶数，本质和ARMA无异。下面就实际操作一下。

基本操作步骤与EVIEWS实践

（一）单位根检验

根据ADF的三步检验法进行检验，发现初始数据并不平稳，存在单位根（点击quick-series statistics-unit root test)

对原数据进行一阶差分，再根据ADF方法进行单位根检验，d(y)在10%的置信水平下拒绝原假设，接受备择假设，该数据为平稳数据。

（二）确定滞后阶数

对D(Y)进行自相关和偏相关性检验（点击view—correlogram):

滞后阶数为12阶。

由图观之，自相关和偏相关都是一阶截尾（在虚线范围内即可视为零，在第几阶为零，p或q值就是第几阶，截尾即取到零值以前的尾巴很短，拖尾就是取到零值以前的尾巴很长），不易判断ARIMA（p,d,q）模型中的p和q，选取模型的判断标准：

于是采用信息准则，假设几组p和q值，根据AIC信息值，再参考拟合优度和p值，选择合适的模型（点击quick—estimate equation ）d(y),c,ar(1),ar(2),ma(1),ma(2),ar和ma的输入根据p和q值，前面例子为p和q均为2的情况。

假设（p,q）的几组取值分别为（1,1）,(1,2), (2,1) , (2,2)。

综上，我们选择ARIMA(1,2,1)模型。

（三）模型预测

模型预测及诊断，检验模型的拟合值和实际值得残差序列是否是白噪声序列.（点击forecast-预测y值，然后选中y、yf、resid，然后open as group,点击view—graph-ok）

由图观之，拟合程度较好。

假如要预测2018、2019年的GDP，

选中range，把observation变为22，会发现y、yf里多了两行NA,再做一次模型，可在Yf中得到2018年的GDP，将其复制到y中，再进行预测，便可得到2019年gdp。

（小编还有几天要期末考试了，想必各位小伙伴也一样吧，小编祝各位考试顺利。不足之处还望包涵！）

资源仅供学术交流使用，严禁商用！如有侵权，请联系小编微信：yueseliuse993

推文期数：2019002

责任编辑： 李静      刘亮     卢雅焱

推送审核： 骆丹云   易娜    武金洲

总审核：    学术无界顾问团

往期回顾：

ENVI实用技术分享（五）

国内地理核心期刊最新目录（五）

【学术讲堂预告】第17期：基于深度学习的遥感应用

下期预告：

考研复试该准备什么