【本期分析師介紹】希音老師，《數(shù)據(jù)分析學堂》金牌分析師，對eviews的時間序列、ARMA、VAR、VECM、ARCH、GARCH等操作有深入的研究和實戰(zhàn)經(jīng)驗，累計服務客戶1000+。今天邀請希音老師給大家分享eviews的詳細操作步驟。長文預警!可在文末聯(lián)系麻瓜學姐要PDF文檔，更方便閱讀，10G獨家干貨等你來拿！

---

AR-MA模型是一類常用的是隨機時序模型。由Box和Jenkins創(chuàng)立，亦稱B-J方法。它是一種精度較高的時序短期預測，其基本思想是，某些時間序列是依賴于時間t的一組隨機變量。構成該時序的單個序列制雖然具有不確定性。但整個序列的變化卻有一定的規(guī)律性。可以用相應的數(shù)學模型定制描述。通過對該數(shù)學模型的分析研究。能夠本質(zhì)地認識時間序列的結構與特征，達到最小方差意義下的最優(yōu)預測。本文章主要使用EVIews對構建ARMA模型，進行簡單認識，由于對于所有的平穩(wěn)時間序列都可以轉(zhuǎn)化成MA形式。由于MA在可逆條件可以轉(zhuǎn)化成AR形式。所以我們對平穩(wěn)時間序列可以使用ARMA形式構建模型，進行預測。一、?平穩(wěn)性檢驗(單位根檢驗)Eviews有多重檢驗平穩(wěn)性的單位根檢驗，本文采用ADF進行采用檢驗，采用某國1960-1993年的GNP平減指數(shù)的季度數(shù)據(jù)，共136個觀測值，首先對變量進行變換，得到其通貨膨脹率，在EVIEWS的命令行中輸入：
genr pi=d(log(p))
其中p指的是GNP指數(shù)，pi指的是通貨膨脹率，genr是generate的縮寫，為生成一個新變量，也可以使用series進行生成新變量，log(p)是自然對數(shù)函數(shù)，進行d(*)，是指對變量*進行一階差分。
生成變量以后，選中變量pi，雙擊打開，點擊右上角的View，然后點擊Unit root test那一項，進入頁面圖如下：

其中test type為檢驗單位根的類型，我們選中ADF檢驗(默認狀態(tài))，在include in test equation這一項中為ADF檢驗的三種形式，lag length為滯后階數(shù)，一般采用系統(tǒng)默認，在test for unit root in是對原數(shù)據(jù)進行單位根檢驗(level)，還是對一階差分進行單位根檢驗(1st difference)，還是二階差分進行單位姑娘檢驗(2st difference)，本文先對原數(shù)據(jù)進行差分。
關于三種形式，可以使用以下方法，分別對三種形式進行一一檢驗，只要有一個拒絕存在單位根的原假設，那就說明時間序列是平穩(wěn)的。點擊ok以后，發(fā)現(xiàn)三種形式下p值大于0.1，不能拒絕原假設，因此原時間序列不平穩(wěn)，下圖為帶有截距項的示例圖：

然后再對一階差分下。進行單位根檢驗，檢驗結果發(fā)現(xiàn)，三種形式下的p值為0.0000因此拒絕存在單位根的原假設，所以一階差分以后的時間序列是平穩(wěn)的，可以對其進行構建ARMA模型。下圖為帶有時間趨勢項和截距項的結果展示圖：

二、?確定ARMA中的最大滯后階數(shù)p和q采用畫樣本相關系數(shù)圖和偏自相關系數(shù)圖來確定，在雙擊打開pi后，點擊view，然后在點擊correlogram，進行畫相關圖的頁面：

由于我們已經(jīng)確定原數(shù)據(jù)是不平穩(wěn)的額，一階差分以后數(shù)據(jù)時平穩(wěn)的，因此在這里使用第二個選項，對其一階差分以后的時間序列進行研究，點擊ok以后，出現(xiàn)如下相關圖：

左邊的為AC圖(自相關圖)，PAC為右邊圖(偏自相關)，確定最大滯后階數(shù)的法則為圖中的AC和PAC下方的小長方形的連續(xù)多少個超過兩條虛線(兩虛線被稱為隨機區(qū)間)，圖中PAC下方可以明顯看出連續(xù)兩個超出隨機區(qū)間，因此可以采用Pmax為2，而AC下方的連續(xù)一個超出隨機區(qū)間，因此可以采用qma為1。三、?使用信息準則最小化原理確定最佳ARMA模型P的最大值為2，q的最大值為1，因此可以有以下4種組合ARMA(1,0)，ARMA(1,1)，ARMA(2,0)，ARMA(2,1)，通過信息準則篩選出最優(yōu)模型，以下在EVIEWS命令行中輸入：Ls d(pi)ar(1)Ls?d(pi)?ar(1)?ma(1)Ls d(pi)ar(1)ar(2)Ls?d(pi)ar(1)ar(2)ma(1)以上是四種模型的回歸操作，這里對四種回歸結果進行展示，根據(jù)信息準則(在圖中為AIC，SC，HQ等)，通過比較哪一個模型的這三個指標最小，就選哪一個模型，如果三個指標有大有小，采用投票原則，那個模型中三個指標最小的個數(shù)多就選那個。

有圖可以知道ARMA(2,1)模型中AIC，SC，HQ是最小的個數(shù)是最多的。因此采用ARMA(2,1)模型。四、?白噪聲檢驗在構建這個模型時，我們假設模型的誤差的序列無關的，因此我們有必要在構建模型以后進行誤差的序列相關性檢驗，以此來說明模型構建的良好，如果序列之間不存在序列相關性，我們就稱之為白噪聲，就是認為該序列已經(jīng)沒有任何可以提取的信息了。對于白噪聲的檢驗，可以采用Q統(tǒng)計量的方法，具體操作如下圖：
在回歸以后的表中，點擊右上角的view，然后選中Residual diagnostics，在選第一個帶有Q的，點擊以后，選滯后階數(shù)，你可以自定義也可以默認，采用默認方式以后，得到下圖：

Q-star為Q統(tǒng)計量的值，prob為Q統(tǒng)計量的相伴概率，由于我們的樣本數(shù)為136，最大滯后階數(shù)m可以取[136/10]或者[],采用m為13，在表中尋找13行所對應的Q統(tǒng)計量和p值，分別為7.6396,0.664,。這個p值告訴我們在10%的顯著性水平之下，我們不能拒絕序列不存在相關性的原假設，因此可以認為最后的檢驗是序列是不存在相關性的，白噪聲檢驗通過，因此我們的模型時構建比較優(yōu)良的。五、?短期預測預測分為樣本內(nèi)預測和樣本內(nèi)預測，預測的形式又可以分為靜態(tài)預測和動態(tài)預測，其中樣本內(nèi)預測就是根據(jù)某種預測方式對其樣本內(nèi)的一段時間子區(qū)間進行預測，然后通過對比預測值和真實值之間的差距，這可以用一些指標(比如RMSE，MAPE)來衡量預測的好與壞，樣本外需要先擴展樣本區(qū)間，在進行樣本外預測。靜態(tài)預測每一期時需要用到上期的真實值，而動態(tài)預測用到的是其預測值或者說是擬合值，所以靜態(tài)預測，一般只能預測樣本為1期，而動態(tài)預測不受限制。下面對預測進行簡單展示：
1.首先調(diào)整樣本數(shù)，雙擊Range，然后對出現(xiàn)的頁面中1993改成1994，這樣我們就準備連續(xù)預測四期；

2.在回歸頁面表中，點擊forcast，然后出現(xiàn)以下頁面；

由于我們是通過對pi的一階差分呢進行建立ARMA模型的，但是由于我們預測的是pi，即前面所說的通貨膨脹率，因此選中pi，然后series names中forecast name為pif，這是系統(tǒng)默認的，如果你想預測某個序列，那么預測出來以后的序列名會在元序列多一個f，當然你也可以自定義。然后是forecast sample，預測樣本區(qū)間選為1994第一季度到1994年第二季度，我們選中動態(tài)預測，dynamic forecast，之后點擊ok。
3.然后點擊工作區(qū)中的pif序列，打開以后，尋找最后四期，結果如下圖所示：

當然你也可以嘗試靜態(tài)預測，樣本內(nèi)預測，其操作大體類似，本文就不再一一贅述。

往期推薦

---

SPSS經(jīng)典案例 | 小白必看！方差分析、T檢驗、相關分析、因子分析，上財博士手把手教你套模板！

stata經(jīng)典案例 | 初學者必看！面板數(shù)據(jù)、廣義矩估計、var模型、logit模型回歸詳細操作步驟

還在為畢業(yè)論文數(shù)據(jù)處理頭禿?！喏，秘籍給你，紅包也給你(文末有驚喜)

掃碼關注小數(shù)，每天一篇精選干貨!

---

[你長那么好看，文末點個在看再走唄】

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎

總結

以上是生活随笔為你收集整理的arma模型_Eviews经典案例 | 初学者必看！ARMA模型精讲的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。