《统计学》精品课程建设
运用LS拟合一条曲线,而后利用该曲线随时间变化规律对时间序列的未来取值进行预测。我们根据烟台市GDP(1978—1998)资料拟合出如下曲线:
GDP=29669.339+12267.158×T-4330.927×T2+473.564×T3-18.571×T4+0.244×T5 R2=0.9905。这里T为趋势项(1978年取值为0,以后每隔一年递增1),各估计参数均通过了显著性检验。GDP的实际值、拟合值和拟合残差如图5所示,图5表明曲线较好地拟合了数据的动态变化规律,拟合程度达到了99.05%。现在我们就用它来对GDP的未来取值进行预测,结果见表6。
10000000800000060000008000004000000-400000-80000050Residual556065Actual707580Fitted859095400000020000000图5 曲线拟合图
表6 曲线拟合预测结果
年 份 预测值(万元) 预测相对误差(%) 1999年 9372095 -17.05 2000年 10957270 -24.57
教师点评:①拟合的曲线类型的选取。在进行曲线拟合时,我们可以选取多项式曲线、指数曲线、对数曲线和增长曲线等,这里只是拟合了其中的多项式曲线,对于其它类型曲线留给学生课后讨论;②多项式曲线阶数的选取。在多项式曲线拟合之前,首先要根据时间序列的变化规律确定拟合几次曲线,然后在具体选择阶数时要根据可决系数
R2来确定,同时还要考虑到建模的节约性原则,在R2没有显著增加时,停止增加曲线
的阶数;③模型参数估计方法的选取。在估计模型参数时,既可以将非线性模型线性化,也可直接在Eviews3.0软件中作NLS估计,文中的结果便是直接估计得出。
26
《统计学》精品课程建设
(二) 随机性时间序列分析方法
在实际问题中,由于一些反映社会经济现象的时间序列可以看成是随机过程在现实中的一次样本实现,并且我们所遇到的经济时序大多是非平稳的(直观上看,它们带有明显的趋势性或周期性),所以可以将其视为均值非平稳的时序,用下面的模型来描述:
xt??t?yt (2)
其中,?t表示序列xt中随时间变化的均值,是确定性趋势部分,可以用一定的函数形式来拟合;yt为xt中剔除随时间变化均值?t后余下的部分,可以认为是零均值的平稳过程,因而可以用平稳的ARMA模型来描述。
在具体处理时,有两种方法可供选择。其一:不考虑?t的具体形式,通过一定的数学手段(差分运算、对数运算与差分运算结合)将其剔除,对余下的部分拟合ARMA模型,最后经过反运算由yt的结果得出xt的结果,实际上即是建立ARIMA模型;其二:
?t,考虑到?t的具体形式,用一定的函数拟合?t得?直到余差序列yt?t?xt??平稳,再对yt拟合ARMA模型得?ty?t,最后综合两部分可得x?t?y?t??,实际上即是建立组合模型。
在本案例中GDP是一个非平稳的序列。由GDP的时序图(见图1和图2)可以看出它带有明显的增长趋势,初步将其识别为非平稳的,单位根检验结果(见表7)也证实了这一点。
表7 单位根检验结果 变 量 GDP ?ADF检验值 -0.9319 -1.8229 -8.7682 检验类型(c,t,k) (c,t,1) (c,0,1) (c,0,1) 临界值 -3.5045 -1.6495* -2.9228 结 论 不平稳 平稳 平稳 D.W.值 1.5293 1.9345 1.9411 GDP y 注:1.检验类型中的c和t表示带有常数项和趋势项,k表示所采用的滞后阶数;
2.表中的临界值是由Mackinnon给出的数据计算出的在5%显著性水平下的临界值,带*号的为在10%的水平下显著。
1. ARIMA模型预测
第一步:模型识别。由于GDP水平序列是非平稳的,而一阶差分序列是平稳的。故我们对其一阶差分序列进行识别,根据样本自相关和偏自相关函数图初步将其识别为自回归(AR)类模型。
27
《统计学》精品课程建设
第二步:模型定阶。由于时间序列的自相关呈现拖尾性而偏自相关函数呈现出1阶截尾,则可将模型初步定为1阶自回归模型,然后再根据AIC准则确定的最优阶仍为1阶,从而可以对GDP拟合ARIMA(1,1,0)模型。
图6 自相关、偏自相关函数图
第三步:模型估计。在Eviews3.0中,我们采用OLS法对模型的参数进行估计,结果如下:
D(GDP,1) = 515358.5 + [AR(1)=0.964310] [4]
(8.6387)
R2=0.8762 F=325.467 AIC=25.9892
其中D(GDP,1)为GDP的1阶差分序列,AR(1)为D(GDP,1)的1阶自回归项。 第四步:诊断检验。我们发现模型拟合后的残差序列为白噪声序列,从而认为该模型是适应的,模型的拟合效果见图7。
[4]
软件中的这种做法避免了先对差分序列建立ARMA模型,然后再求和得到GDP序列的预测,它将这两个过程一次性完成。
28
《统计学》精品课程建设
12000008000004000004000000200000-4000000-200000-40000055Residual606570Actual7580Fitted859095图7 ARIMA模型拟合图
至此,我们已经建立了时间序列GDP的ARIMA(1,1,0)模型,接下来的工作就是利用该模型对数据进行预测。在Eviews软件中forcast菜单下使用dynamic方法,结果见表8。
表8 ARIMA模型预测结果
年 份 预测值(万元) 预测相对误差(%)
1999年 8045195 -0.48 2000年 8685755 1.25 2. 组合模型预测
首先,建立组合模型,其过程如下:
(1)拟合确定性趋势部分?t。由GDP的时间序列图,发现它具有指数上升的趋势。
?t为此,我们可以将确定性趋势部分拟合成指数增长模型:??809.59314?e0.187996?T[5]
,T
为趋势项(取值同曲线拟合预测法)。
(2)对剩余序列
yt[6]
用Box-Jenkins法拟合适应的ARMA模型,模型为:
yt?1.6691yt?1?1.1804yt?2??t,模型是我们选择的最优模型,建立的方法和过程同ARIMA
模型的建立。
[5][6]
参数估计时,使用了NLS,其初始值可由1978年的GDP数据初步确定;t的取值同曲线拟合法。 yt的单位根检验结果(见表7)表明它是一个平稳序列。
29
《统计学》精品课程建设
(3)建立组合模型。我们以已估计出来的指数增长模型的参数和ARMA模型的参数作为初始值,用非线性最小二乘法对组合模型的参数进行整体估计,得到最终的组合模型。最终的估计的估计结果为:
表9 组合模型的估计结果 估计方程 变量 GDP=?×EXP(?×T)+ ?1×(GDP(-1)- ?×EXP(?×(T-1)))+ ?2×(GDP(-2)-?×EXP(?×(T-2))) ? ? ?1 ?2 R2 F D.W. 对应值 605.1785 (3.5301) 0.1938 (30.8869) -1.1986 1.6923 (20.5398) (-10.8913) 0.9987 278.1332 2.2440 注:括号中的值为系数估计对应的t-统计量 JB=1.9716 Q(4)=7.1601 Q(8)=14.209 ARCH(1)=0.559 WHITE=0.7508 RESET(1)=1.37
模型可以写成:GDPt其中,?t?185939.2?e??t?yt0.187463?t (3)
?1.664028?yt-1?1.151417?yt-2??t,yt
我们对模型进行了一系列的统计检验。t-统计量表明模型中各参数均是显著的;F检验表明模型从总体上的显著的;J-B检验表明残差的分布是正态分布;D.W.检验表明残差没有一阶自相关,Q检验表明残差没有高阶自相关;ARCH检验表明不存在异方差现象;RESET检验表明模型的设置是正确的。因而该模型是适应的。由图5可以看出模型具有较高的拟合程度,拟合优度R2达到了0.9981,它较真实地刻画了GDP序列的动态变化规律。故可以利用模型(2)对烟台市GDP数据的未来取值进行预测。
8000000600000040000002000001000000-100000-200000-30000055Residual606570Actual7580Fitted85909520000000图8 组合模型拟合图
30
百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读,免费范文网,提供经典小说教育文库统计学案例集(7)在线全文阅读。
相关推荐: