1、實(shí)驗(yàn)指導(dǎo)書（模型建模與預(yù)測(cè)）例1：我國(guó)1952-2011年的通貨膨脹率數(shù)據(jù)建模及預(yù)測(cè)注：從國(guó)家統(tǒng)計(jì)局網(wǎng)站上下載到的cpi是以上一年為100計(jì)算的消費(fèi)價(jià)格指數(shù)，即環(huán)比數(shù)據(jù)；而1952年為基期的消費(fèi)價(jià)格指數(shù)的計(jì)算，需要借助環(huán)比發(fā)展速度與定基發(fā)展速度的關(guān)系來(lái)得到。（1）數(shù)據(jù)錄入打開Eviews軟件，選擇“File”菜單中的“New-Workfile”選項(xiàng)，在“Workfilestructuretype”欄選擇“Dated-regularfrequency,在“Datespecification”欄中分別選擇“Annual”（年數(shù)據(jù)，分別在起始年輸入1952,終止年輸入2011,文件名輸入“cpi”，

2、點(diǎn)擊ok,見下圖，這樣就建立了一個(gè)工作文件。WorkfileCreateWorkfilestructuretypeDated-regularfrequencyDatespedfi匚呂tionFrequency:IrregularDatedandPanelworkfilesmaybemadefromUnstructuredworkfilesbylaterspedfyingdateand/orotheridentifierseries.Enddate:;Startdate:Names(optional)WF:inflationl在workfile中新建序列cpi,并錄入數(shù)據(jù)(點(diǎn)擊file/impO

3、rt/ReadText-Lotus-Excel，SEviewsEditObjectViewProcQuickOption樂(lè)WindowHelpNewOpenSaveSaveAs.CloseFetchfromDE.擇“By所以在ImportExport找到相應(yīng)的的Excel數(shù)據(jù)集，打開數(shù)據(jù)集，出現(xiàn)如下圖的窗口，observation-seriesincolumns即按照觀察值順序錄入，第一個(gè)數(shù)據(jù)是從開始的，“Upper-leftdatacell”中輸入B2,本例只有一列數(shù)據(jù)，在“NamesforseriesornumberTSDFileImport.WDataorder”選項(xiàng)中選ifnamedi

4、nfile”中輸入序列的名字cpi,點(diǎn)擊ok，則錄入了數(shù)據(jù)）:ExcelSpreadsheetImportDataorderaByObservation-seriesinoolumnsBySeries-seriesinrowsIIWritedate/obsEViewsdateformatFirstcalendardayLastcalenddaycpl上.TNamesforseriesorNumberifnamedinfileImportsampleIIWriteseriesnames19522011Resetsampleto:CurrentsampleWorkfilerangeOSeries:

5、CPIWorkfile:INFLATTQN:Untitled|Vie艸Proc|Object|Properties|Print|NameFreezeDefault1952Lastupdated:11/10/13-09:561000000105.1032106.501106.9264106.839109-610410839831087446111.5152129.5230134.4589,126.4935通過(guò)對(duì)cpi序列進(jìn)行計(jì)算，得到通1953195419551956195719501959196019611962963貨膨脹率序列inflation(=(cpi-cpi(-1)/cpi(-1)：

6、Series:NFLATIDNWorkfile:INFLATIDN:Untitledview|Px|Object|Properties|Print|NameFreezeDefault匚TiortEdit+F-Smpl+/-19521953195419551956195719501959196019611962(2)繪制時(shí)序圖2雙擊序列inflation1966INFLATIONLastupdated:11/10/13-10:05Modified:19522011/inflation=(cpi-cpi(-1)i/cpi(-1)NA0.0510320.0U0030.003249-0.0008100

7、.025932-0.0110580.0031950.0254700.1614910.033102-0.059240，點(diǎn)擊為eW/Graph/line,得到下列對(duì)話框:rrrGraphOptionsBoxFlotObjectTemplateTypeFr：=jTieAzis/ScaleLegendLirLe/Sj-TTibulFillAi-eaFztternuseAutochoice：Culor-E；酬-Sulid:dlway:AttributesLirLH/STTibol選擇圖形類型，平穩(wěn)的，這個(gè)判可繪制下圖的序列時(shí)序圖i比較粗糙，需要用統(tǒng)計(jì)方法進(jìn)一步驗(yàn)證。時(shí)序圖看出1953-2011年的通貨膨

8、脹率數(shù)據(jù)是INFLATION.25-.10IIIIIIIIIIIr556065707580859095000510GraphOptions在進(jìn)一步分析之前，先將序列零均值化，生成新的序列x=inflation-mean(inflation)，x序列及其序列圖如下圖所示，后面的分析將圍繞x序列進(jìn)行分析。-.10-IIIIIIIIIIIL5560657075808590950005103）繪制序列相關(guān)圖雙擊序列x,點(diǎn)擊view/Correlogram，出現(xiàn)下圖對(duì)話框,CorrelogramSpecificationCorrelogramofaLevelO1stdifference|OK2nddif

9、ferenceLagstnindudeCancel12我們對(duì)原始數(shù)據(jù)序列做相關(guān)圖，因此在“Correlogramof”對(duì)話框中選擇“Level”即表示對(duì)原始序列做相關(guān)，在滯后階數(shù)中選擇12(或8=rV60)，點(diǎn)擊ok,即出現(xiàn)下列相關(guān)圖:CorrelogramofXate:11/10/13Time:10:43Sample:19522011Includedobservations:59AutocorrelationPartialCorrelationACRACQ-StatProbiiiii1i10.6400.64025.3350.00020.252-0.26529.4050.00030.1430.

10、193307260.0004-0.1500.01332.1910.00050.1940.13434.7100.00060.2230.06438.2460.00070.186-0.01340.6430.00000.174-0.11742.7720.00090.030-0.13543.2270.000從相關(guān)圖看出，自相關(guān)系數(shù)迅速衰減為0，說(shuō)明序列平穩(wěn)，但最后一列白噪聲檢驗(yàn)的Q12-0.106-0.10545.1350.000統(tǒng)計(jì)量和相應(yīng)的伴隨概率表明序列存在相關(guān)性，因此序列為平穩(wěn)非白噪聲序列。我們可以對(duì)序列采用Box-Jenkins方法建模研究。ADF檢驗(yàn)序列的平穩(wěn)性通過(guò)時(shí)序圖和相關(guān)圖判斷序列是平

11、穩(wěn)的，我們通過(guò)統(tǒng)計(jì)檢驗(yàn)來(lái)進(jìn)一步證實(shí)這個(gè)結(jié)論。雙擊序列inflation,點(diǎn)擊view/unitroottest，出現(xiàn)下圖的對(duì)話框,UnitRootTestTesttypeAugmentedDickey-FullerTestforunitrootingLevel1stdifference2nddifferenceIndudeintestequation9InterceptTrendandinterceptONoneLaglengthoAutomati匚sele匚tjori:SchwarzInfoCriterionMaximumlags:10Userspecified:我們對(duì)序列本身進(jìn)行檢驗(yàn)，序列

12、不存在明顯的趨模型進(jìn)行檢驗(yàn)，其他采用默認(rèn)設(shè)置，點(diǎn)擊ok，出現(xiàn)下圖的檢驗(yàn)結(jié)果，表明拒絕不帶趨勢(shì)的存在一個(gè)單位根的原假設(shè)，序列平穩(wěn)。AugmentedDick&y-FullerUnitRootTestonINFLATIONNullHypothesis:INFLATIONhasaunitrootExogenous:ConstantLagLength:1(AutomaticbasedonSIC,MAXLAG=10)t-StatisticProb?AugmentedDickey-Fullerteststatistic-4.104-6170.0020Testcriticalvalues:1%level-3

13、.5503965%level-2.91354910%level-2.594521*Ma.cKinnon(1996)one-sidledp-values雙擊序列x，點(diǎn)擊view/unitroottest，出現(xiàn)下圖的對(duì)話框,UnitRootTestT&sttypeAugmentedDickey-FullerTestforunitrootinF,說(shuō)明AR(3)與AR(2)沒(méi)有顯著差異，模型階數(shù)還有下降的可能。綜上所述，模型合適的階數(shù)是2階。信息準(zhǔn)則函數(shù)擬合AR(1)AR(8)模型的AIC和BIC信息準(zhǔn)則，分別估計(jì)MA(1)MA(9)模型，并將每個(gè)模型估計(jì)結(jié)果中的AIC和BIC信息準(zhǔn)則值記錄下來(lái)。然后

14、，將其復(fù)制到統(tǒng)計(jì)軟件Excel中作為一列，并在Excel軟件中插入模型對(duì)應(yīng)階數(shù)作為另外一列數(shù)據(jù)。最后，在Excel軟件中以模型階數(shù)為橫軸，以模型殘差方差為縱軸繪制散點(diǎn)圖，即可得到下列AIC和BIC信息準(zhǔn)則圖。由圖形可見，AIC和BIC準(zhǔn)則確定的模型階數(shù)是2階。綜合上述三種模型定階方法的結(jié)論，模型階數(shù)確定為2階，即選擇AR(2)模型。模型參數(shù)估計(jì)經(jīng)過(guò)模型識(shí)別所確定的階數(shù)，可以初步建立AR(2)，可用菜單或命令兩種方式分別建立。在主菜單選擇Quick/EstimateEquation，出現(xiàn)下圖的方程定義對(duì)話框，在方程定義空白區(qū)鍵入xar(1)ar(2),其中ar(i)(i=1,2)表示自回歸系數(shù)；

15、估計(jì)方法選擇項(xiàng)有最小二乘估計(jì)(LS)、兩階段最小二乘估計(jì)(TSLS)等，我們選擇LS。也可通過(guò)命令方式實(shí)現(xiàn)，在主窗口輸入lsxar(1)ar(2)。估計(jì)結(jié)果如下DependentVariable:XMethod:LeastSquaresate:11/10/13Time:10:51Sample(adjusted:19552011Includedobservations:57afteradjustments(6.297209)(2.077382)Convergenceachievedafter3iterationsVariableCoefficientStd.Errort-StatisticPro

16、b.AR(10.3141380.129236&2972090.0000AR(2)-0.2603960.129199-2.0773820.0424R-squared0.456071Meandependentvar8.17E-05AdjustedR-squared0.446182S.D.dependentvar0.058694S.E.ofregression0.043680Akaikeinfocriterion-3.389409Sumsquaredresid0.104935Schwarzcriterion-3.317723Loglikelihood90.59317Hannan-duinncrite

17、r.-3.361550urbin-Watsonstat1.895620InvertedRoots41*_3341.33V=最小二乘估計(jì)結(jié)果為t誤差項(xiàng)方差的估計(jì)值為,二0.043680a7）模型適應(yīng)性檢驗(yàn)參數(shù)估計(jì)后，應(yīng)對(duì)擬合模型的適應(yīng)性進(jìn)行檢驗(yàn)，實(shí)質(zhì)是對(duì)模型殘差序列進(jìn)行白噪聲檢驗(yàn)。若殘差序列不是白噪聲，說(shuō)明還有一些重要信息沒(méi)被提取，應(yīng)重新設(shè)定模型。可以對(duì)殘差進(jìn)行純隨機(jī)性檢驗(yàn)，也可用針對(duì)殘差的X2檢驗(yàn)。殘差序列的生成殘差序列從1955至2011年采用擬合的AR(2)模型生成，在方程窗口點(diǎn)擊proc/makeresidualseries，得到下列對(duì)話框ResidualtypeoOrdinarySta

18、ndardizedk石亡neralizedNameforresidseriesCancel將該方程的殘差序列定義為a_ea_eq02q_02-即卩可，可以得到從1955至2011年采用擬合的AR(2)模型生成的殘差序列。前面的1953、1954則是將前面的初始值X,X,X,;a,a,a,012012都設(shè)為0而計(jì)算的。程序命令如下a_eq02(2)=x(2)-0.814138*0+0.268396*0a_eq02(3)=x(3)-0.814138*x(2)+0.268396*0這樣得到的序列a_eq02即為AR(2)模型的殘差序列，a_eq02序列的自相關(guān)偏自相關(guān)圖如下：Correlogramo

19、fA_EQ02ate:11/10/13Time:16:14Sample:19522011Includedobservations:60AutocorrelationPartialCorrelationACRACQ-StatProb(偏)相關(guān)函數(shù)值、LQ-Stat及其p值顯示,0.0490.15430.694-0.121-0.1231.08580.58101140.1291.93470.5360.0490.0202.09520.7180.0740.1032.4-6590.7320.1660.155436950.6270.0220.0194.4-0410.7320.0660.0924.71630.

20、7870.0670.0225.03920.831陰辺1:為白12-0.031-0.1T75.97030.918噪聲，因此模型是適合的模型。模型擬合圖如下-.05-.10-.158)模型預(yù)測(cè)我們用擬合的有效模型進(jìn)行短期預(yù)測(cè)，比如我們預(yù)預(yù)測(cè)未來(lái)4年的通貨膨脹率，首先需要擴(kuò)展樣本期，在命令欄輸入expand19522015，回車則樣本序列長(zhǎng)度就變成64了，且最后面4個(gè)變量值為空。在方程估計(jì)窗口點(diǎn)擊Forecast，出現(xiàn)下圖對(duì)話框,Forecast預(yù)測(cè)方法常用有0Insertactualsforout-of-sampleobservations兩種：Dynamicforecast和Staticfore

21、cast：OKCancel動(dòng)態(tài)預(yù)測(cè)是根據(jù)所選擇的一定的估計(jì)區(qū)間，進(jìn)行多步向前預(yù)測(cè)(從預(yù)測(cè)樣本的第一期開始計(jì)算多步預(yù)測(cè))：Xdynamic=0.814138Xdynamic0.268396Xdynamictt1t2t=1955,1956,2011,2012,2013,2014,2015每一步都是采用前面的預(yù)測(cè)值計(jì)算新的預(yù)測(cè)值。而樣本范圍內(nèi)(1955-2011)的序列實(shí)際值是已知的。因此，動(dòng)態(tài)預(yù)測(cè)只是適應(yīng)于樣本外(2012-2015)預(yù)測(cè)，而不適應(yīng)于樣本內(nèi)(1955-2011)預(yù)測(cè)。靜態(tài)預(yù)測(cè)是滾動(dòng)的進(jìn)行向前一步預(yù)測(cè)，即每預(yù)測(cè)一次，用真實(shí)值代替預(yù)測(cè)值，加入到估計(jì)區(qū)間，再進(jìn)行向前一步預(yù)測(cè)(利用滯后因變

22、量的實(shí)際值而不是預(yù)測(cè)值計(jì)算一步向前(one-step-ahead)預(yù)測(cè)的結(jié)果):Xstatic=0.814138X0.268396X,tt1t2t=1955,1956,2011,2012,可見，對(duì)于樣本外(2012-2015)的預(yù)測(cè)需要提供樣本外預(yù)測(cè)期間的解釋變量值。對(duì)靜態(tài)預(yù)測(cè)，還必須提供滯后因變量的數(shù)值。而對(duì)于樣本外(2012-2015)的預(yù)測(cè)通常因變量的實(shí)際觀測(cè)值是未知的，所以，靜態(tài)預(yù)測(cè)一般只適應(yīng)于樣本內(nèi)(1955-2011)預(yù)測(cè)，不適應(yīng)于樣本外預(yù)測(cè)(只可以進(jìn)行向前一步樣本外預(yù)測(cè))。并且，由計(jì)算公式可見，樣本內(nèi)(1955-2011)的靜態(tài)預(yù)測(cè)值與模型的擬合值(估計(jì)值)相同。綜上所述，在預(yù)測(cè)

23、時(shí)，樣本內(nèi)(1955-2011)預(yù)測(cè)選用靜態(tài)預(yù)測(cè)或模型的擬合值(估計(jì)值)，樣本外(2012-2015)預(yù)測(cè)選用動(dòng)態(tài)預(yù)測(cè)。具體步驟：(1)進(jìn)行樣本內(nèi)(1955-2011)靜態(tài)預(yù)測(cè)，在方程估計(jì)窗口點(diǎn)擊Forecast，出現(xiàn)下圖對(duì)話框，預(yù)測(cè)序列記為xf_static，擊OK,得到下列預(yù)測(cè)圖556065707580859095000510XFSTATIC+2SF名為x_fitForecast:XF_STATICActual:XForecastsample:19522015Adjustedsample:19552012Ineludedobservations:57RootMeanSquaredError

24、0.042907MeanAbsoluteError0.028974MeanAbs.PercentError274.5107TheilInequalityCoefficient0.440220BiasProportion0.000050VarianeeProportion0.193805CovarianeeProportion0.8061442)將序列的估計(jì)值x_fit和這里的靜態(tài)預(yù)測(cè)序列xf_static以組的形式打開，并將組命可見，樣本內(nèi)的靜態(tài)預(yù)測(cè)序列值嚴(yán)格落在擬合值序列x_fit的曲線上，說(shuō)明在樣本期內(nèi)1955-2011)靜態(tài)預(yù)測(cè)值與模型的擬合值(估計(jì)值)是相等的。(3)進(jìn)行樣本外(201

25、2-2015)動(dòng)態(tài)預(yù)測(cè)，在方程估計(jì)窗口點(diǎn)擊Forecast，出現(xiàn)下圖對(duì)話框，F(xiàn)orecast!ISeries:XMethodSeriesnamesFore匚呂sstofEquation:EQ020Insertactualsforout-of-sampleobservations預(yù)測(cè)序列記為xf_dynamic,預(yù)測(cè)方法選擇amicforecast”預(yù)測(cè)樣本區(qū)間為樣本外區(qū)間“2012-2015”點(diǎn)擊Ok,得到下列預(yù)測(cè)圖Cancel建立新的序列x_fit_f存放序列的靜態(tài)和動(dòng)態(tài)預(yù)測(cè)值，在樣本內(nèi)(1955-2011)采用靜態(tài)預(yù)測(cè)值或序列的擬合值(估計(jì)值)，在樣本外(2012-2015)采用動(dòng)態(tài)預(yù)測(cè)值

26、。所以，將序列xf_static(或序列x_fit)中第1955-2011年的數(shù)值復(fù)制到序列x_fit_f的對(duì)應(yīng)位置，然后將序列xf_dynamic中第2012-2015年的數(shù)值復(fù)制到序列x_fit_f的對(duì)應(yīng)位置，這樣得到的序列x_fit_f就是序列x的預(yù)測(cè)值。將序列的實(shí)際值x和這里的預(yù)測(cè)序列x_fit_f以組的形式打開，并將組命名為x_x_fit_f,組序列圖形，即x的實(shí)際值與預(yù)測(cè)值圖形如下_f+mean(inflation)”。然后，將通貨膨脹率序列的實(shí)際值inflation和這里的預(yù)測(cè)序列inflation_fit_f以組的形式打開，并將組命名為inflat_inflat_fit_f,組

27、序列圖形，即inflation的實(shí)際值與預(yù)測(cè)值圖形如下可見，兩個(gè)圖形的區(qū)別只是上下進(jìn)行了平移。例2：某企業(yè)201個(gè)連續(xù)產(chǎn)量數(shù)據(jù)建模及預(yù)測(cè)(1)數(shù)據(jù)錄入打開Eviews軟件，選擇i菜單中的e-Workfile選項(xiàng)，在“Workfilestructuretype”欄選擇“Unstructured/Undated”,在“Daterange欄中輸入數(shù)據(jù)個(gè)數(shù)201，點(diǎn)擊ok,就建立了一個(gè)工作文件。WorkfileCreateWorkfilestru匚tu皂typeUnstru匚tu皂d/UndatedData呂ngObservations:201|port/ReadIrregularDatedandPn

28、nlworkfilesmaybemadefromUnstructuredworkfilesbylaterspecifyingdate已仃d/arotheridentifierseries.在workfile中新建序列iprod|uctionn,并錄Text-Lotus-Excel,0EViewsFib.EditObjectViewProcQuickOptionsWindowHelpNewOpenSaveSaveAs.FetchfromDB.TSDFileImport.在“Dataorder”選項(xiàng)中選.CloseImportExport找到相應(yīng)“的Excel數(shù)據(jù)集，打開數(shù)據(jù)集，出現(xiàn)如下圖的窗口,

29、擇“Byobservation-seriesincolumns”即按照觀察值順序錄入，第一個(gè)數(shù)據(jù)是從開始的，所以在“Upper-leftdatacell”中輸入B2，本例只有一列數(shù)據(jù)，在“Namesforseriesornumberifnamedinfile”中輸入序列的名字production，點(diǎn)擊ok，則錄入了數(shù)據(jù)）:84-80-78-76r亠一11雙擊序列productio8020000n，點(diǎn)擊卿加Graph/line,得到下列對(duì)話框:Series:PRODUCTIONWorkfile:PRODUCTION:Untitled|=|回訓(xùn)亡腳Pr罔pbjed:Propertie呂PrintN

30、am亡FreezeD亡fultSortEclit+F-Snipl+/-PRODUCTIONLastupdated:11/10/13-20:56181.9000039.4000079.0000031.4000034.0000005.9000030.0000030.3000002.6000033.5000084-80-78-7684-80-78-76BoxFlotObjectFr：iJTit!A:F,說(shuō)明MA(7)與新的只含有ma(1)和ma(6)項(xiàng)的MA(6)模型沒(méi)有顯著差異。綜上所述，合適的模型是新的只含有ma(1)和ma(6)項(xiàng)的MA(6)模型。綜合上述三種模型定階方法的結(jié)論，合適的模型是新

31、的只含有ma(1)和ma(6)項(xiàng)的MA(6)模型。(6)模型參數(shù)估計(jì)經(jīng)過(guò)模型識(shí)別所確定的階數(shù)，可以初步建立只含有ma(1)和ma(6)項(xiàng)的MA(6)模型，可用菜單或命令兩種方式分別建立。在主菜單選擇Quick/EstimateEquation，出現(xiàn)下圖的方程UnitRootTesttew估計(jì)結(jié)果如下Sample:1201VariableCoefficientStd.Errort-StatisticProb.MA(1-0.4577370.062439-7.3250690.0000MA(60.1265230.0626572.0193780.044SR-squared0.1628SSMeandepe

32、ndentvar6.89E-16AdjustedR-squared0.15&681S.D.dependentvar2.906625S.E.ofregression2.666057Akaikeinfocriterion4.303979Sumisquaredresid1414464Schwarzcriterion4.341347Loglikelihood-431.3024Hannan-Quinncriter.4.322279urbin-Watsonstat1.902970InvertedMARoots.71+.34I,71-.34i,07-.69iO7+.69IX=0.457737a：,0.126

33、528a最小二乘估計(jì)結(jié)果為Convergenceachieved!after10iterationstncudedobsen/ations:201MaBackcast:-5u定義對(duì)話框，在方程定義空白區(qū)鍵入xma(1)ma(6),其中ma(i)(i=1,2)表示移動(dòng)平均系數(shù)；估計(jì)方法選擇項(xiàng)有最小二乘估計(jì)(LS)、兩階段最小二乘估計(jì)(TSLS)等，我們選擇LSo也可通過(guò)命令方式實(shí)現(xiàn)，在主窗口輸入lsxma(1)ma(6)ot1t6(7.325069)(2.019378)誤差項(xiàng)方差的估計(jì)值為6二2.666057a7)模型適應(yīng)性檢驗(yàn)參數(shù)估計(jì)后，應(yīng)對(duì)擬合模型的適應(yīng)性進(jìn)行檢驗(yàn)，實(shí)質(zhì)是對(duì)模型殘差序列進(jìn)行白

34、噪聲檢驗(yàn)。若殘差序列不是白噪聲，說(shuō)明還有一些重要信息沒(méi)被提取，應(yīng)重新設(shè)定模型。可以對(duì)殘差進(jìn)行純隨機(jī)性檢驗(yàn)，也可用針對(duì)殘差的2檢驗(yàn)。殘差序列的生成殘差序列從1至201年采用擬合的只含有ma(l)和ma(6)項(xiàng)的MA(6)模型生成，在方程窗口點(diǎn)擊proc/makeresidualseries，Equation:EQ01J06Workfile:PRODUCTION:Untitled|=|回ProcObject|Pint|N日in亡F已皂z皂吃弓打厲日僅Fo已匚丘就|Stats|R亡引d得到下列對(duì)話框DepMetatSanInchCorMASpecify/Estimate.Forecast.MakeR

35、esidualSenes.MakeReg巳GoupMakeGradientGroupMakeDerivativeGroupMakeModelUpdateCoefsfromEquationMakeResidualst-StatisticProb.RM-7.325069巧cn了左0.0000nndLdiR將該方程的殘差序列定義為aeResidualtypeOrdinaryStandardizedGeneralizedOKCancelNameforresidseriesaeqOl06|q_0l_06即可，由于模型不含AR項(xiàng)，故殘差序列從第一個(gè)觀測(cè)值開始，不需要計(jì)算前面時(shí)刻的殘差值。這樣得到的序列a_

36、eq_01_06即為只含有ma和ma(6)項(xiàng)的MA模型的殘差序列,a_eq_01_06序列的自相關(guān)偏自相關(guān)圖如下：CorrelogramofA_EQ01_O6ate:11/10/13Time:22:02Sample:1201Includedobservations:201AutocorrelationPartialCorrelationACPACCl-StatProb1iiiIiIii(偏)相關(guān)函數(shù)值、以及Q-Stat及其iqi模型是適合的模型。模型擬合圖如下0.0440.044039420.530-0.134-0.1364.07270131-0.059-0.0474.73460.1BS0.0

37、960.0346.68840.153-0.000-0.0236.63840.2450.0360.0596.95820325-0.075-0.0753.14550320-0.031-0.0228.34590.400-0.054-0.0653.96100.441iiiiiiTi12-0.074-0.03310.1910.599因此8）模型預(yù)測(cè)我們用擬合的有效模型進(jìn)行短期預(yù)測(cè)，比如我們預(yù)預(yù)測(cè)未來(lái)2期的產(chǎn)量，首先需要擴(kuò)展樣本期，在命令欄輸入expand1203，回車則樣本序列長(zhǎng)度就變成203了，且最后面2個(gè)變量值為空。在方程估計(jì)窗口點(diǎn)擊Forecast，出現(xiàn)下圖對(duì)話框，F(xiàn)orecastForecass

38、tofEquation:EQ01_06Series:XSeriesnames1203refriodQDynamicforecastStati匚forecastStructural(ignoreARMA)0CoefuncertaintyinS.E.calcOutput刁ForecastgraphForecastevaluationMAbackcast:Estimationperiod預(yù)測(cè)方法常用有団Insertactualsforout-of-sampleobservationsStaticforecast，前者是根據(jù)所選擇的一定的Cancel兩種：Dynamicf估計(jì)區(qū)間，進(jìn)行多步向前預(yù)測(cè)；后

39、者是只滾動(dòng)的進(jìn)行向前步預(yù)測(cè)，即每預(yù)測(cè)一次，用真實(shí)值代替預(yù)測(cè)值，加入到估計(jì)區(qū)間，再進(jìn)行向前一步預(yù)測(cè)。選擇Dynamicforecast，點(diǎn)擊ok,得到下列預(yù)測(cè)圖XFDYNAMIC+2S.FForecast:XF_DYNAMICActual:XForecastsample:1203Includedobservations:200RootMeanSquaredError2.900966MeanAbsoluteError2.333624MeanAbs.PercentError99.96444TheilInequalityCoefficient0.996923BiasProportion0.000015

40、VarianceProportion0.995775CovarianceProportion0.004210進(jìn)行靜態(tài)預(yù)測(cè)，見下圖，預(yù)測(cè)值仍然存放在xf_static中:10.07.55.02.50.0-2.5-5.0-7.5-10.0255075100125150175200XFSTATIC+2S.E,Forecast:XF_STATICActual:XForecastsample:1203Includedobservations:201RootMeanSquaredError2.652760MeanAbsoluteError2.136508MeanAbs.PercentError189.80

41、35TheilInequalityCoefficient0.638522BiasProportion0.000011VarianceProportion0.384196CovarianceProportion0.615793做x和xf_static圖，可以看出靜態(tài)預(yù)測(cè)效果不錯(cuò):預(yù)測(cè)值存放在xf_dynamic序列中，此時(shí)我們可以觀察原序列x和xf_dynamic之間的動(dòng)態(tài)關(guān)系，同時(shí)選中x和xf_dynamic,擊右鍵，點(diǎn)open/asgroup,然后點(diǎn)擊view/graph/line,則出現(xiàn)下圖，動(dòng)態(tài)預(yù)測(cè)值幾乎是一條直線，說(shuō)明動(dòng)態(tài)預(yù)測(cè)效果很不好（在此計(jì)算之前需要首先將workfile的samp

42、le改為1203，具體命令為smpl1203）。8UnitRootTesttew0642-2-4-6-8255075100125150175200XXFSTATIC注意：此時(shí)靜態(tài)預(yù)測(cè)只能得到向前一期的預(yù)測(cè)值，即只有202期的預(yù)測(cè)值。采用例題1相同的思路，經(jīng)過(guò)向前2步預(yù)測(cè)，x的未來(lái)2期的預(yù)測(cè)值分別為1.581811、-0.041432，考慮通產(chǎn)量84.11940，就可以得出未來(lái)2期的產(chǎn)量分別為85.70121、84.07797(production的預(yù)測(cè)序列記為production_f_static，生成命令是“seriesproduction_f_static=xf_static+mean(p

43、roduction)”，在此計(jì)算之前需要首先將workfile的sample改為1203，具體命令為“smpl1203”)。production的預(yù)測(cè)值與實(shí)際值圖形如下(production_production_f_st)：PRODUCTIONPRODUCTIONFSTATICResidualActualFitted32oUnitRootTesttew（8）模型預(yù)測(cè)我們用擬合的有效模型進(jìn)行短期預(yù)測(cè)，比如我們預(yù)預(yù)測(cè)未來(lái)2期的產(chǎn)量，首先需要擴(kuò)展樣本期，在命令欄輸入expand1203，回車則樣本序列長(zhǎng)度就變成203了，且最后面2個(gè)變量值為空。在方程估計(jì)窗口點(diǎn)擊Forecast，出現(xiàn)下圖對(duì)話框，F(xiàn)

44、orecastSeries:XfiethodSeriesnamesForecastofEquation:EQ01_06&Insertactualsforout-of-sampleobservations預(yù)測(cè)方法常用有兩種：Dynamicforecast和Staticforecast：OKCancel動(dòng)態(tài)預(yù)測(cè)是根據(jù)所選擇的一定的估計(jì)區(qū)間，進(jìn)行多步向前預(yù)測(cè)（從預(yù)測(cè)樣本的第一期開始計(jì)算多步預(yù)測(cè)）：Xdynamic=0.457737adynamic,0.126528dynamictt1t6t=1,2,201,202,203每一步都是采用前面的預(yù)測(cè)值計(jì)算新的預(yù)測(cè)值。而樣本范圍內(nèi)（1-201）的序列實(shí)際值

45、是已知的。因此，動(dòng)態(tài)預(yù)測(cè)只是適應(yīng)于樣本外（202-203）預(yù)測(cè)，而不適應(yīng)于樣本內(nèi)（1-201）預(yù)測(cè)。靜態(tài)預(yù)測(cè)是滾動(dòng)的進(jìn)行向前一步預(yù)測(cè)，即每預(yù)測(cè)一次，用真實(shí)值代替預(yù)測(cè)值，加入到估計(jì)區(qū)間，再進(jìn)行向前一步預(yù)測(cè)（利用滯后因變量的實(shí)際值而不是預(yù)測(cè)值計(jì)算一步向前（one-step-ahead）預(yù)測(cè)的結(jié)果）：Xstatic=0.457737a,0.126528att1t6t=1,2,201,202,可見，對(duì)于樣本外（202-203）的預(yù)測(cè)需要提供樣本外預(yù)測(cè)期間的解釋變量值。對(duì)靜態(tài)預(yù)測(cè),還必須提供滯后因變量的數(shù)值。而對(duì)于樣本外（202-203）的預(yù)測(cè)通常因變量的實(shí)際觀測(cè)值是未知的，所以，靜態(tài)預(yù)測(cè)一般只適應(yīng)于樣

46、本內(nèi)（1-201）預(yù)測(cè)，不適應(yīng)于樣本外預(yù)測(cè)（只可以進(jìn)行向前一步樣本外預(yù)測(cè)）。并且，由計(jì)算公式可見，樣本內(nèi)（1-201）的靜態(tài)預(yù)測(cè)值與模型的擬合值（估計(jì)值）相同。綜上所述，在預(yù)測(cè)時(shí)，樣本內(nèi)（1-201）預(yù)測(cè)選用靜態(tài)預(yù)測(cè)或模型的擬合值（估計(jì)值），樣本外（202-203）預(yù)測(cè)選用動(dòng)態(tài)預(yù)測(cè)。具體步驟：（1）進(jìn)行樣本內(nèi)（1-201）靜態(tài)預(yù)測(cè)，在方程估計(jì)窗口點(diǎn)擊Forecast,出現(xiàn)下圖對(duì)話框,ForecastofEquation:EQ01_06Series:XForecastMethodQDnamic:forecastStaticforecast:Structural(ignoreARMA)0CoefuncertaintyinS.E.calcSeriesnames1203MAbackcast:EstimationperiodOutput3Forecastgraph団Insert呂匚tualsforout-of-sampleobservations預(yù)測(cè)序列記為xfstatic，預(yù)測(cè)方法選擇“forecast”，預(yù)測(cè)樣本區(qū)間為“1-203Cancel點(diǎn)擊OK，得到下列預(yù)測(cè)圖10.07.55