基于EVIEWS时间序列建模及应用
eviews时间序列模型原理
eviews时间序列模型原理
EViews（Econometric Views）是一种强大的经济计量分析软件，广泛应用于经济学和金融学领域。它提供了一套完整的时间序列模型分析工具，以帮助研究人员对时间序列数据进行建模和预测。
时间序列模型是一种通过分析和建模过去的数据来预测未来的方法。它基于一个基本假设，即未来的数据将与过去的数据存在某种关系。时间序列模型的目标是找到这种关系，并利用它来预测未来的数据。
EViews提供了多种时间序列模型，包括自回归移动平均模型（ARMA）、自回归条件异方差模型（ARCH）、广义自回归条件异方差模型（GARCH）等。这些模型通过对数据的统计特征进行分析，提取出数据中的模式和规律，并用数学模型来描述这些规律。
在EViews中，建立时间序列模型的第一步是对数据进行可视化和描述性统计分析。通过绘制时间序列图，可以观察数据的趋势、季节性和周期性等特征。同时，还可以计算数据的均值、方差和自相关性等统计指标，以进一步了解数据的性质。
接下来，可以使用EViews中的模型估计工具来拟合时间序列模型。以ARMA模型为例，ARMA模型是一种基于过去数据的自回归和移动平均过程的组合。在EViews中，可以通过指定AR和MA的阶数来构建ARMA模型，并利用最大似然估计法来估计模型参数。
在建立模型之后，可以使用EViews中的模型诊断工具来评估模型的拟合效果。通过观察残差序列的自相关性和偏自相关性，可以判断模型是否存在遗漏变量或过度拟合的问题。同时，还可以通过对模型残差进行统计检验，判断模型是否符合数据的假设前提。
时间序列分析应用实例(使用Eviews软件实现)
时间序列分析应⽤实例（使⽤Eviews软件实现）
引⾔
某公司的苹果来货量数据是以时间先后为顺序记录的⼀组数据，从计量经济学的⾓度来分类就是⼀组时间序列数据。为了提⾼苹果来货量预测的准确度以及预测结果的可信度，下⾯运⽤Eviews软件包（即Econometrics Views 计量经济学软件包）并结合计量经济学的理论知识，选取2017年1⽉⾄2019年4⽉的苹果来货量⽉度数据（事前对原始数据进⾏处理，把数值单位从吨转换为万吨）为样本数据，⽤⼀个时间序列模型来拟合上述样本数据，然后利⽤建⽴好的模型预测苹果未来⼏个⽉的来货量情况，并对预测结果进⾏分析。
1 平稳性检验
1.1 初步检验
设来货量时间序列为Qt，⾸先观察Qt的折线图，如图1所⽰：
图1 Qt的折线图
从图1可知，苹果来货量的⽉度数据总体呈下降趋势，并存在季节性因素，进⽽通过序列原⽔平的⾃相关系数图进⼀步探讨序列的平稳性，结果如图2所⽰：
图2 Qt的⾃相关系数图
从图2可以看到，所有的⾃相关系数（Autocorrelation）均落在2倍标准差之内（垂⽴的两道虚线表⽰2倍标准差），初步判定序列Qt是平稳的。下⾯运⽤ADF单位根检验法证明序列的平稳性。
1.2 ADF单位根检验
假设序列Qt的特征⽅程存在多个特征根，那么序列平稳的条件为所有特征根λi的绝对值均⼩于1，即所有特征根都在单位圆内。构造该ADF 检验的原假设H0：存在i，使得λi＞1，备择假设H1：λ1, λ2, … , λp＜1，运⽤Eviews软件对序列Qt的原⽔平进⾏带常数项（Intercept）的ADF检验，采⽤SC准则⾃动选择滞后阶数，检验结果如图3所⽰：
基于EVIEWS软件的计量经济学建模检验案例解读
基于EVIEWS软件的计量经济学建模检验案例解读
计量经济学是经济学领域的一个重要分支，它运用数理统计方法对经济学模型进行定量分析和预测。而EVIEWS软件则
是计量经济学常用的数据分析与建模工具。本文将通过一个实例案例，解读基于EVIEWS软件的计量经济学建模检验的方法
和过程。
首先，我们需要了解案例的背景和研究问题。假设我们想研究某国家的经济增长与就业率之间的关系。我们提出了一个假设：经济增长对就业率有积极的影响。
第一步是数据收集和准备。我们需要收集与经济增长和就业率相关的数据。以中国为例，我们可以从国家统计局等官方机构获取国内生产总值（GDP）和就业率的数据。这些数据应
该是时间序列数据，通常包括一定的时间跨度和频率（例如月度或年度数据）。
第二步是数据预处理。我们需要对收集到的数据进行清洗和处理，以确保数据的质量。具体来说，我们需要检查数据是否存在缺失值、异常值等，确保数据的连续性和一致性。
第三步是建立计量经济学模型。在本案例中，我们使用一个简单的线性回归模型来研究经济增长对就业率的影响。假设就业率（Y）是经济增长（X）的线性函数，即Y = β0 +
β1X + ε，其中β0和β1是回归系数，ε是误差项。
第四步是模型检验。在EVIEWS软件中，我们可以利用
OLS（Ordinary Least Squares）方法进行模型的估计和检验。OLS方法是最小二乘法的一种形式，用于估计回归系数的值。
此外，我们还可以通过检验模型的显著性和拟合优度来评估模
型的质量。
具体来说，我们可以通过检验回归系数的t值和p值来判断是否存在统计显著性。如果t值的绝对值较大且p值小于设定的显著性水平（通常是0.05），则可以认为回归系数是显
在Eviews中对时间序列进行预测的详细步骤
在Eviews中对时间序列进行预测的详细步骤
一、输入数据
1.1打开Eviews6.0，按照如图所示打开工作表创建框。
1.2在右上角的data specification框中输入起止年份（start data和end data）
1.3输入数据：在输入框中输入data gdp（本文采用的数据为1990—2012年的GDP值）。当然，data后面可以输入任何你想要定义的“英文名字”
输入data gdp后注意按回车键，弹出表格窗口后在其中输入数据（也可复制进去数据：ctrl+v键）
二、平稳性检验
2.1在打开的数据窗口中点击View→Correlogram（1）
在弹出的窗口中直接点OK即可↓
2.2自相关图和偏相关图进行分析：
最简单粗暴的方法就是看最右边的Prob值（即P值），当这列数据有多数都大于0.05（置信水平）时为白噪声序列=序列是平稳的。本文中GDP数据P值均小于
0.05，则为非白噪声。需对序列进行差分。
三、取一阶差分
3.1在输入框中输入第二列代码，这代表将数据gdp进行一阶差分，一阶差分后的值命名为dgdp.按回车键
3.2在dgdp数据的窗口中重复2.1的操作，对序列的平稳性进行检验
得到结果如下：
惨！还是非白噪声，只能进行二阶差分了！
四、取二阶差分
4.1如第三列代码所示（记得不能重复命名）
4.2对新的序列dgdp2进行平稳性检验，步骤同上，结果如下：
MY GOD! 看见了木有，这回是白噪声了，P值多数都大于0.05！
五、用最小二乘法对模型进行估计：输入ls dgdp2 c ar（2）（探索性建模）
时间序列模型案例
2.6 案例分析1：中国人口时间序列模型（file:b2c1）
46
8
10
12
14
50
55
60
65
70
75
80
85
90
95
00
Y
-0.2
-0.1
0.0
0.1
0.2
0.3
50
55606570758085909500
DY
图2.11 中国人口序列（1949-2000） 图2.12 中国人口一阶差分序列（1950-2000）
从人口序列图可以看出我国人口总水平除在1960和1961两年出现回落外，其余年份基本上保持线性增长趋势。47年间平均每年增加人口1451.5万人，年平均增长率为17.5‰ 。由于总人口数逐年增加，实际上的年人口增长率是逐渐下降的。把47年分为两个时期，即改革开放以前时期（1949—1978）和改革开放以后时期（1978—1996），则前一个时期的年平均增长率为20‰，后一个时期的年平均增长率为13.4‰。从人口序列的变化特征看，这是一个非平稳序列。
见人口差分序列图。建国初期由于进入和平环境，同时随着国民经济的迅速恢复，人口的年净增数从1950年的1029万人，猛增到1957
年的1825万人。由于粮食短缺，三年经济困难时期是建国后我国惟一一次人口净负增长时期（1960，1961），人口净增值不但没有增加，反而减少。随着经济形势的好转，从1962年开始人口年增加值迅速恢复到1500万的水平，随后呈连年递增态势。1970年是我国历史上人口增加最多的一个年份，为2321万人。随着70年代初计划生育政策执行力度的加强，从1971年开始。年人口增加值逐年下降，至1980年基本回落到建国初期水平。1981至1991年人口增加值大幅回升，主要原因是受1962—1966年高出生率的影响（1963年为43.73‰）。这种回升的下一个周期将在2005年前后出现，但强势会有所减弱。从数据看，1992年以后，人口增加值再一次呈逐年下降趋势。由于现在的人口基数大于以往年份，所以尽管年增人口仍在1千万人以上，但人口增长率却是建国以来最低的（1996年为10.5‰）。从Δy t 的变化特征看，1960，1961年数据可看作是两个异常值，其它年份数据则表现为平稳特征。但也不是白噪声序列，而是一个含有自相关和（或）移动平均成分的平稳序列。
eviews实验指导(ARIMA模型建模与预测)
eviews实验指导(ARIMA模型建模与预测) eviews实验指导(ARIMA模型建模与预测)
ARIMA模型是一种常用的时间序列分析方法，可以用于建模和预测时间序列数据。在eviews软件中，我们可以利用其强大的功能进行ARIMA模型的建模和预测分析。
一、数据准备与导入
在进行ARIMA模型建模之前，首先需要准备好相关的时间序列数据，并导入eviews软件中。可以通过以下步骤进行操作：
1. 创建一个新的工作文件，点击"File" -> "New" -> "Workfile"，选择合适的时间范围和频率。
2. 在eviews软件中，点击"Quick" -> "Read Text"，导入包含时间序列数据的文本文件。确保文本文件中的数据格式正确，并根据需要设置导入选项。
3. 确认数据已经成功导入，可以通过在工作文件窗口中查看和编辑数据。
二、ARIMA模型建模
在eviews中，建立ARIMA模型需要进行以下步骤：
1. 点击"Quick" -> "Estimate Equation"，打开方程估计对话框。
2. 在对话框中，选择要建模的时间序列变量，并选择ARIMA模型。根据数据的特点，可以选择不同的AR、MA和差分阶数。
3. 设置其他参数，如是否包含常数项、是否进行季节性调整等。根
据具体分析需求进行选取。
4. 点击"OK"，进行模型估计。eviews将自动计算出ARIMA模型的
系数估计和相应的统计指标。
5. 检查模型的拟合优度，可以通过观察残差序列的ACF和PACF
图、Ljung-Box检验等方法来判断模型是否合适。
应用时间序列Eviews
3. 序列纯随机性的判定
一个时间序列是否有分析价值，要看序列观测 值之间是否有一定的相关性 若序列各项之间不存在相关，即相应滞后阶数 的自相关系数与0没有显著性差别，序列为白噪 声序列。 自相关图中的Q统计量可以用来对序列的纯随 机性进行检验。
4. 平稳序列的建模
根据自相关系数图的截尾特征，选择模型的滞 后阶数，即p和q的范围。 选择一组p和q后，对ARMA模型进行估计
时间序列分析 EVIEWS上机实践
2013-2014第二学期
统计学院 周凡吟
实践内容
一．时间序列数据在Eviews中的基本操作 二．平稳性的判断 三．纯随机性的判断 四．平稳时间序列建模与参数估计 五．模型的比较及优化 六．模型的残差检验 七．模型的预测
时间序列数据在Eviews中的基本操作
1. 2. 3.
选择graph类型：line&Symbol 点击Options可修改图形的修饰，如背景色，线条 粗细，色彩等。 点击Sample可修改作图范围。
1.3查看序列的简单统计量
序列的简单统计量也可以帮助我们了解序列的一 些基本性质，如最大最小值，中位数，分布特征 等。 双击需要作图的序列，单击View/Descriptive Statistics。
确定合理的滞后阶数 检验统计量的临界值依赖于模型的形式：是否具有截距 项或趋势项。
Eviews时间序列分析实例.
Eviews时间序列分析实例
时间序列是市场预测中经常涉及的一类数据形式，本书第七章对它进行了比较详细的介绍。通过第七章的学习，读者了解了什么是时间序列，并接触到有关时间序列分析方法的原理和一些分析实例。本节的主要内容是说明如何使用Eviews软件进行分析。
一、指数平滑法实例
所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规律，但确实存在某种前后关联的时间序列的短期预测。由于其他很多分析方法都不具有这种特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。
（－）一次指数平滑
一次指数平滑又称单指数平滑。它最突出的优点是方法非常简单，甚至只要样本末期的平滑值，就可以得到预测结果。
一次指数平滑的特点是：能够跟踪数据变化。这一特点所有指数都具有。预测过程中添加最新的样本数据后，新数据应取代老数据的地位，老数据会逐渐居于次要的地位，直至被淘汰。这样，预测值总是反映最新的数据结构。
一次指数平滑有局限性。第一，预测值不能反映趋势变动、季节波动等有规律的变动；第二，这种方法多适用于短期预测，而不适合作中长期的预测；第三，由于预测值是历史数据的均值，因此与实际序列的变化相比有滞后现象。
指数平滑预测是否理想，很大程度上取决于平滑系数。Eviews提供两种确定指数平滑系数的方法：自动给定和人工确定。选择自动给定，系统将按照预测误差平方和最小原则自动确定系数。如果系数接近1，说明该序列近似纯随机序列，这时最新的观测值就是最理想的预测值。
出于预测的考虑，有时系统给定的系数不是很理想，用户需要自己指定平滑系数值。平滑系数取什么值比较合适呢？一般来说，如果序列变化比较平缓，平滑系数值应该比较小，比如小于0.l；如果序列变化比较剧烈，平滑系数值可以取得大一些，如0.3～0.5。若平滑系数值大于0.5才能跟上序列的变化，表明序列有很强的趋势，不能采用一次指数平滑进行预测。
时间序列分析与Eviews应用
时间序列分析与Eviews 应用非稳定序列转化为稳定序列数据变量的平稳性是传统的计量经济分析的基本要求之一。只有模型中的变量满足平稳性要求时，传统的计量经济分析方法才是有效的. 而在模型中含有非平稳时间序列时，基于传统的计量经济分析方法的估计和检验统计量将失去通常的性质，从而推断得出的结论可能是错误的。因此，在建立模型之前有必要检验数据的平稳性。在很长时间里，学者们在分析经济变量时都假定所分析的数据已满足平稳性的要求。然而，近年来，尤其是纳尔逊和普洛瑟(Nelson Plosser ，1982) 的开创性论文发表后，随着计量经济学的发展，学者们对经济时间序列数据，尤其是宏观经济时间序列数据的看法发生了根本的变化。许多经验分析表明，多数宏观经济变量都是非平稳的，由此引发了宏观经济分析方法尤其是周期分析方法的一场革命，即“单位根革命”。解决的问题1、如何判别虚假回归（伪回归）问题？2 、怎样检验一组变量存在协整关系？3 、一组变量若存在协整关系，怎样建立误差修正模型？如何更好的通过已有数据反映变量之间的长、短期关系。一、序列相关二、非平稳时间序列时间序列的特征在做多元回归之前，有必要先了解每个时间序列的特性。在很多应用研究中，人们常常对具有增长趋势的时间序列取对数后进行分析。取对数后，这样的序列常常更接近于一条直线。大多数宏观经济数据表现出这一特征。取对数后的变量差分(LnYt-LnYt-1) 近似反映了两个时期之间该序列的增长率。自相关( Autocorrelation ) 对于通常的经济数据序列，原始序列Y的当前值与滞后值之间的相关程度较高，但其差分序列Y的当
应用时间序列分析eviews实验手册(1)
应用时间序列分析
实验手册
目录
目录.................................. 错误!未定义书签。第一章 Eviews的基本操作................. 错误!未定义书签。第二章时间序列的预处理.................. 错误!未定义书签。
一、平稳性检验 ....................... 错误!未定义书签。
二、纯随机性检验 ..................... 错误!未定义书签。第三章平稳时间序列建模实验教程.......... 错误!未定义书签。
一、模型识别 ......................... 错误!未定义书签。
二、模型参数估计 ..................... 错误!未定义书签。
三、模型的显著性检验.................. 错误!未定义书签。
四、模型优化 ......................... 错误!未定义书签。第四章非平稳时间序列的确定性分析........ 错误!未定义书签。
一、趋势分析 ......................... 错误!未定义书签。
二、季节效应分析 ..................... 错误!未定义书签。
三、综合分析 ......................... 错误!未定义书签。第五章非平稳序列的随机分析.............. 错误!未定义书签。
一、差分法提取确定性信息.............. 错误!未定义书签。
二、ARIMA模型........................ 错误!未定义书签。
EViews统计分析在计量经济学中的应用--第6章 时间序列模型PPT课件
6.1 时间序列的趋势分解 6.2 时间序列的平稳性及其检验 6.3 随机时间序列分析模型 6.4 习题（略）
5/7/2020
EViews统计分析在计量经济学中的应用
1
6.1：时间序列的趋势分解
实验目的：熟悉和掌握滤波在时间序列模型中 的应用。
实验数据：1996年1月-2011年10月世界集装 箱船手持订单量（单位为万TEU）（相关数据 和工作文件存放于文件夹 “书中资料/第6 章” ） 。
5/7/2020
EViews统计分析在计量经济学中的应用
15
自相关、偏自相关图
图6.10自相关、偏自相关图
图6.10中，虚线表示到中心线2个标准 差宽度，Autocorrelation和AC分别表 示自相关函数的图形和数值，Partial Correlation和PAC分别表示偏自相关 函数的图形和数值。序列稳定性可以用 自相关分析图判断：如果序列的自相关 系数很快地（滞后阶数K大于2或3时） 趋于0，即落入随机区内，时间序列是 平稳的；反之，则序列是非平稳的。若 自相关系数大于临界值，则时间序列数 据有显著的自相关性。从图6.10中可以 看出自相关函数在延迟36阶的过程中， 没有迅速向零趋近的趋势，这说明该序 列是非平稳序列。为了进一步获得平稳 序列，一般将原序列取对数，在此基础 上，分别分析其原序列、一阶及二阶序 列。
利用eviews实现时间序列的平稳性检验与协整检验
在对时间序列Y、X1进行回归分析时需要考虑Y与X1之间是否存在某种切实的关系，所以需要进行协整检验。
1.1利用eviews创建时间序列Y、X1 ：
打开eviews软件点击file-new-workfile，见对话框又三块空白处workfile structure type处又三项选择，分别是非时间序列unstructured/undate，时间序列dated-regular frequency，和不明英语balance panel。选择时间序列dated-regular frequency。在date specification中选择年度，半年度或者季度等，和起始时间。右下角为工作间取名字和页数。点击ok。
在所创建的workfile中点击object-new object，选择series，以及填写名字如Y，点击OK。将数据填写入内。
1.2对序列Y进行平稳性检验：
此时应对序列数据取对数，取对数的好处在于可将间距很大的数据转换为间距较小的数据。具体做法是在workfile y的窗口中点击Genr，输入logy=log(y),则生成y的对数序列logy。再对logy序列进行平稳性检验。
点击view-United root test，test type选择ADF检验，滞后阶数中lag length选择SIC 检验，点击ok得结果如下：
Null Hypothesis: LOGY has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=1)
数模之Eviews教程+时间序列+ARIMA模型
• 给出一个随机时间序列，首先可通过该序列 的时间路径图来粗略地判断它是否是平稳的。
• 一个平稳的时间序列在图形上往往表现出一 种围绕其均值不断波动的过程。 • 而非平稳序列则往往表现出在不同的时间段 具有不同的均值（如持续上升或持续下降）。
Xt
Xt
t (a) (b) 图 9.1 平稳时间序列与非平稳时间序列图
且样本自相关系数迅速下降到0，随后在0附近 波动且逐渐收敛于0。
0.6 0.4 0.2
1.2
0.8
0.4 0.0 0.0 -0.2 -0.4 -0.6 2 4 6 8 10 12 14 16 18 -0.4
-0.8 2 4 6 8 10 12 14 16 18
RANDOM1
RANDO M1AC
（ a）
2 2 P ( ( X X ) / n) Q ( X X ) / n i (2) i 依概率收敛： lim n
第（1）条是OLS估计的需要 第（2）条是为了满足统计推断中大样本下的 “一致性”特性： ˆ) P lim (
n
注意：在双变量模型中：
xi u i xi u i / n ˆ 2 2 x x i i /n
rk
-0.031 0.157 0.264 -0.191 -0.616 -0.229 -0.385 -0.181 -0.521 -0.364 -0.136 -0.451 -0.828 -0.884 -0.406 -0.162 -0.377 -0.236 0.000
精选EVIEWS中的模型操作
Page
T-GARCH(1,1)
E-GARCH的操作为： 点击主菜单Quick/Estimate Equation,得到如下对话框，在 Method选择EGARCH，再将Threshold数值输入0，点击确定。如下图：
Page
EGARCH(1,1)模型的参数均显著，说明序列具有杠杆性，可以进一步加入“ARCH-M”检验：
Page
9、静夜四无邻，荒居旧业贫。。10、雨中黄叶树，灯下白头人。。11、以我独沈久，愧君相见频。。12、故人江海别，几度隔山川。。13、乍见翻疑梦，相悲各问年。。14、他乡生白发，旧国见青山。。15、比不了得就不比，得不到的就不要。。。16、行动出成果，工作出财富。。17、做前，能够环视四周；做时，你只能或者最好沿着以脚为起点的射线向前。。9、没有失败，只有暂时停止成功！。10、很多事情努力了未必有结果，但是不努力却什么改变也没有。。11、成功就是日复一日那一点点小小努力的积累。。12、世间成事，不求其绝对圆满，留一份不足，可得无限完美。。13、不知香积寺，数里入云峰。。14、意志坚强的人能把世界放在手中像泥块一样任意揉捏。15、楚塞三湘接，荆门九派通。。。16、少年十五二十时，步行夺得胡马骑。。17、空山新雨后，天气晚来秋。。9、杨柳散和风，青山澹吾虑。。10、阅读一切好书如同和过去最杰出的人谈话。11、越是没有本领的就越加自命不凡。12、越是无能的人，越喜欢挑剔别人的错儿。13、知人者智，自知者明。胜人者有力，自胜者强。14、意志坚强的人能把世界放在手中像泥块一样任意揉捏。15、最具挑战性的挑战莫过于提升自我。。16、业余生活要有意义，不要越轨。17、一个人即使已登上顶峰，也仍要自强不息。
用EVIEWS处理时间序列分析
应用时间序列分析
实验手册
目录
目录 (2)
第二章时间序列的预处理 (3)
一、平稳性检验 (3)
二、纯随机性检验 (9)
第三章平稳时间序列建模实验教程 (10)
一、模型识别 (10)
二、模型参数估计（如何判断拟合的模型以及结果写法） (14)
三、模型的显著性检验 (17)
四、模型优化 (18)
第四章非平稳时间序列的确定性分析 (19)
一、趋势分析 (19)
二、季节效应分析 (34)
三、综合分析 (38)
第五章非平稳序列的随机分析 (44)
一、差分法提取确定性信息 (44)
二、ARIMA模型 (57)
三、季节模型 (62)
第二章时间序列的预处理
一、平稳性检验
时序图检验和自相关图检验
（一）时序图检验
根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界、无明显趋势及周期特征
例2.1
检验1964年——1999年中国纱年产量序列的平稳性
1.在Eviews软件中打开案例数据
图1：打开外来数据
图2：打开数据文件夹中案例数据文件夹中数据
文件中序列的名称可以在打开的时候输入，或者在打开的数据中输入图3：打开过程中给序列命名
图4：打开数据
2.绘制时序图
可以如下图所示选择序列然后点Quick选择Scatter或者XYline；绘制好后可以双击图片对其进行修饰，如颜色、线条、点等
图1：绘制散点图
图2：年份和产出的散点图
100
200300400
5006001960
1970198019902000
YEAR
O U T P U T
图3：年份和产出的散点图
应用时间序列eviews实验报告
应用时间序列eviews实验报告
时间序列分析是数据分析领域中一个重要的分析方法，主要用于研究某个变量随时间
变化的趋势或周期性波动模式，具有非常广泛的应用领域，如经济学、金融学、社会学、
医学等领域。Eviews是一个经济学研究软件，具有强大的时间序列分析功能，可以用于时间序列的建模、预测等操作。本文将对Eviews在时间序列分析实验中的应用进行介绍和分析。
一、实验介绍
本次实验使用的数据为GDP数据，区间为1995-2019年，数据来源为国家统计局。实
验目的为使用Eviews进行时间序列分析，研究GDP的时间序列特征，建立合适的模型进行预测。在实验中，我们将使用Eviews进行ADF检验、白噪声检验、建立ARIMA模型等操作，以充分展示Eviews在时间序列分析中的应用。
二、实验步骤
1、数据导入
首先打开Eviews软件，新建一个工作文件，导入GDP数据(见下图)。
2、ADF检验
ADF检验是检验时间序列平稳性的常用方法，其原理是检验时间序列是否具有单位根。在Eviews中进行ADF检验的操作如下：
依次选择"View-Graph"-"Augmented Dickey-Fuller Test"菜单，弹出窗口后选择要分析的序列名称以及置信水平，单击"OK"按钮，即可看到ADF检验结果(见下图)。
由图可知，GDP序列的ADF检验结果为-3.0949，小于95%置信水平下的临界值-2.889，说明序列是平稳的。
3、白噪声检验
4、建立ARIMA模型
接下来我们将使用Eviews建立ARIMA模型，对GDP序列进行预测。首先，在Eviews
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（1-B）（2 1+0.328913B+0.806248B2）X t
t
0.868001t2
GNP平减指数时间序列模型为:
（1-B）（2 1+0.328913B+0.806248B2）X t
t
0.868001t2
拟合曲线对比：
百度文库
拟合曲线与原序 列曲线十分接近， 直观来看，拟合效
果较好！
预测值的比较
在显著性水平为0.05的 条件下，延迟期数为6和12时 ，Q统计量的P值均小于0.05
2阶差分序列为非白噪声序列
结合前面分析，认为该序列为2阶 差分平稳非白噪声序列，可考虑建立 ARIMA模型
根据2阶差分序列的自相关图ACF和偏自相关 图PACF的特点，判断阶数进行建模:
可以尝试用ARMA(2,2) ARMA(3,2) ARMA(3,3);也就是说，对原序 列GNP尝试用ARIMA(2,2,2) ARIMA(3,2,2) ARIMA(3,2,3)进行拟 合，首先建立ARIMA(2,2,2)如下：
1990年1月至1997年12月我国工业总产值
单位：亿元
数据预处理
数据导入 观察原始数据的自相关与偏自相关图 观察原始数据的折线图 对原始数据进行对数化 对处理过的数据进行差分 对季节进行差分
时间序列特征分析
时间序列特征分析
时间序列特征分析
一阶差分
二阶差分
时间序列特征分析
序列自相关图和偏自相关图
图（1.5） 差分序列在零附近波动， 无明显趋势或周期
认为2阶差分 序列平稳
图（1.6） 自相关系数在零值附近波动
二阶差分序列的单位根检验：
检验t统计量的值是3.709559，小于各个显著 性水平下的临界值，所以 拒绝原假设。也就是说， 二阶差分序列不存在单位 根。二阶差分序列平稳。
对平稳的2阶差分序列进行白噪声检验：
基于EVIEWS时间序 列建模及应用
目录
1、ARIMA模型
1.1 模型的适用条件与构建过程 1.2 EVIEWS操作简单说明 1.3 模型构建实例
2、季节时间序列模型
2.1 确定性季节时间序列模型 2.2 随机性季节时间序列模型
时间序列的预处理：
拿到一个时间序列后，首先要对它的平 稳性和纯随机性进行检验，这两个重要的 检验称为序列的预处理。
研究方法 确定性时间序列分析 随机性时间序列分析
基本原理
通常时间序列可分解为长期趋势变动，季 节效应和不规则变动因素，如果将长期趋 势变动和季节效应视为时间的确定性函数， 而且时间数列经过长期趋势的提取和季节 效应的分析，剩余不规则因素就应是零均 值的白噪声序列。
具体操作
计算季节指数，剔除季节因素
0.95076 0.961093 1.017216
1.01918 1.101063 1.227749
最终预测值
3875.427 3508.379
4607.65 4778.458
5057.65 5284.303 4611.082 4693.941 5002.702 5047.084 5490.089 6163.593
可供选用模型二
模型适用性检验：
模型ARIMA(2,2,(2))
模型ARIMA(3,2,3)
通过对模型的适用性检验，左侧拟合模型中的残差白噪声检验显示延迟 6阶，12阶，18阶的残差序列属于白噪声序列，模型ARIMA(2,2,(2))显著 有效，对序列适应性更强。因此，选用该模型作为最终拟合模型。
模型预测结果：
该方法的优缺点
优点：快速便捷的提取信息。 缺点：从残差的自相关图可以看出新序列 仍存在一定的相关性，这说明拟合的这个 模型没有完全把元序列蕴含的相关差分提 取出来。
模型建立 根据相关图，可首选建立3,1,11,1,1
12
阶季节时间序列模型。 EViews的估计命令是：
DLOG(gy,1,12) C AR(1) AR(2) AR(3) SAR(12) MA(1) SMA(12)
建立ARIMA(3,2,2)如下：
AR(3)系数未通过检验， 予以剔除
结果和前述模型相同
ARIMA(3,2,2):d(gnp,2) ar(1) ar(2) ar(3) ma(1) ma(2)
建立ARIMA(3,2,3):
命令为：d(gnp,2) ar(1) ar(2) ar(3) ma(1) ma(2) ma(3)
模型检验
为说明模型的预测误差， 现 已 90—96 年 数 据 为 样 本 ， 对 97 年 进 行 预 测 ， 并 与 其 真实值进行对比，计算预 测误差。
利用指数平滑法对以上图形进行拟合
实际值
3843.84 3181.26 4404.49 4520.18 4638.99 4969.93 4146.899
ARIMA模型建模流程：
获得观察值序列
N 拟合ARMA模型
平稳性 检验 Y
白噪声 检验
Y
分析结束
N 差分运算
EVIEWS 操作
创建文件
数据录入
画图
自相关和偏自相关图
单位根检验
建立方程
Q检验
预测
例：某国1980年至1993年GNP平减指数的季 节时间序列，共56个观测值，见下表
表5.1 某国GNP平减指数季度资料
年/季
1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993
1
89.89 94.4 98.72 102.95 110.72 122.88 130.12 136.8 145.12 158.6 171.94 190.01 203.98 212.87
模型ARiMA(2,2,2)：d(gnp,2) ar(1) ar(2) c ma(1) ma(2)
C与MA(1)系数的T检 验显示：由于P值均
大于0.05，故接 受原假设，即二者 系数显著为零，所以剔除
剔除C与MA（1）:
可供选用模型一 模型参数均通过检验
ARIMA(2,2,(2)) : d(gnp,2) ar(1) ar(2) ma(2)
ARIMA模型
残差自回归模型
条件异方差模型
平稳性检验方法：
图检验方法
主观色彩较强
构造检验统计量
时序图检验 自相关图检验
单位根检验
有明显趋势或 周期性，则为
非平稳
随着延迟期数 增加，自相关 系数会很快衰
减向零
平稳
反之，自相关 系数衰减向零 的速度较慢
非平稳
纯随机性检验方法：
构造检验统计量
大样本场合 Q统计量
根据检验的结果可以将序列分为不同 的类型，对不同类型的序列采取不同的分 析方法。
时间序列的基本类型：
时间序列
平稳时间序列
平稳性检验
非平稳时间序列
平稳白噪声 序列
纯随机性检验
平稳非白噪声 序列
没有分析价值
模型拟合 （常用ARMA模型）
确定性时序 分析
长期趋势 循环波动 季节性变化
随机波动
随机性时序 分析
2
91.07 95.7 99.42 104.75 113.48 124.44 131.3 139.01 148.89 161.85 176.46 193.03 206.77 214.25
3
91.79 96.52 100.25 106.53 116.42 126.68 132.89 141.03 152.02 165.12 180.24 197.7 208.53 215.89
对98年进行预测
与上同理，只是样本数据是90年—97年
指数平滑预测值
4645.479 4679.548 4713.617 4747.686 4781.755 4815.824 4849.893 4883.963 4918.032 4952.101
4986.17 5020.239
季节指数
0.834236 0.749726 0.977519 1.006482 1.057697 1.097279
一阶差分序列 仍不平稳
图（1.4） 自相关系数向零衰减的速度依然较慢
一阶差分序列D(GNP)的单位根检验 结果：
检验t统计量的值是1.929760，大于各个显著 性水平下的临界值，所以 不能拒绝原假设。也就是 说，一阶差分序列D(GNP) 存在单位根，因此，一阶 差分序列也是非平稳的。
2阶差分时序图与自相关图：
模型参数估计与相关检验结果
0,1,10,1,1 阶季节乘积模型 12
模型预测
谢 谢！
自相关系数随延迟期数的增加， 衰减向零的速度相当缓慢，且后期 有反向递增趋势
序列GNP的单位根检验结果：
检验t统计量的值是 0.325604，大于各个显著 性水平下的临界值，所以 不能拒绝原假设。也就是 说，序列GNP存在单位根， 因此，是非平稳的。
一阶差分后的时序图与自相关图：
图（1.3） 时序图仍显示有长期趋势
93Q1 93Q2 93Q3 93Q4
原始值 ARIMA(2,2,(2)) ARIMA(3,2,3)
212.87 212.01
211.69
214.87 215.89
215.51 216.08
216.01 214.91
218.21 217.32
219.06
季节时间序列建模 案例
研究对象及目的
对我国1990年1月至1997年12月 工业总产值的月度资料（1990 年为不变价格）共有96个观测 值进行时间序列拟合，并对 1998年工业总产值进行预测。
4
93.03 97.39 101.54 108.74 119.79 128.99 134.99 143.24 155.38 168.05 185.13 201.69 210.27 218.21
该序列时序图（1.1）和自相关图（1.2） 如下：
图（1.1） 该图显示有明显的长期趋势
序列非平稳
图（1.2）
对Q统计量 修正
大，小样本场合 LB统计量
检验结果
若P值非常小（<0.05） 则认为该序列属于非白
噪声序列
（有分析价值）
否则，认为该序列为纯 随机序列
（无分析价值）
平稳非白噪声序列建模步骤：
平稳非白噪声序列 计算ACF,PACF ARMA模型识别
估计模型中未知参数的值
N
模型检验
Y 模型优化
预测序列将来的走势
4198.7 4563.839
4178.91 5034.939
5545.74
预测值
3516.61 3178.815 4154.457 4316.138 4566.797 4776.951 4194.931 4270.953 4558.298 4605.601 5003.337
5624.93
预测误差
8.51% 0.08% 5.68% 4.51% 1.56% 3.88% 1.16% 1.72% 0.12% 10.21% 0.63% 1.43%