cpi时间序列-第一组实验报告

实验项目名称：中国2010年1月到2015年12月的月度CPI数据时间序列分析

一、实验分工

我们大家讨论出实验的主题——研究月度CPI数据的变化规律，之后进行率分工安排：胡典、张声颖负责查找我国月度CPI数据，陈龙龙、康燕红负责制定实验内容、徐子明、陈建椿负责eviews操作并撰写实验报告，陈龙龙、徐子明负责审查并修订实验报告。

二、实验目的

实验目的：本实验采用2010年1月到2015年12月的月度CPI数据为时间序列分析模型，通过平稳性检验、白噪声检验、纯随机性检验、分析自相关和偏自相关图进行模型的确定和定阶、MA(1)模型检验、AR(1) 模型检验、MAAR(1) 模型检验、对参数估计预测等来研究月度CPI数据的变化规律。

三、实验环境

装有Eviews7.2软件的电脑一台；《现代时间序列分析导论》教材一本

四、实验方法及数据来源

实验方法：本实验采用2010年1月到2015年12月的月度CPI数据为时间序列分析模型，通过平稳性检验、白噪声检验、纯随机性检验、分析自相关和偏自相关图进行模型的确定和定阶、MA(1)模型检验、AR(1) 模型检验、MAAR(1) 模型检验、对参数估计预测等来研究月度CPI数据的变化规律。

数据来源:中华人民共和国国家统计局网站（/）

五、实验内容及步骤

第一、序列预处理

（一）平稳性检验（如不平稳，适当差分平稳化）

（1）包括图形检验（如图所示，其中，月度cpi数据导入并命名为GPI）：

由图可知，数据不平稳。

（2）将其进行差分平稳化得到如下图所示：

为了使研究更加精准，适当采用差分对序列在进行平稳化处理，对月度gpi数据变化进一步分析预测，从而我们对数据进行二阶差分（eviews命令：genr dgpi=D(gpi)，genr dgpi2=D(dgpi)）。

（二）纯随机性检验（如是白噪声分析结束，如不是进入第二步）在Eviews中进行白噪声检验分析，得下图：

如图可知，Prob值<0.05,为非白噪声。所以，进行以下建模等相关分析、检验、优化。

第二、建模

（一）分析自相关和偏自相关图进行模型的确定和定阶

进行二阶差分后，得到自相关与偏自相关系数如下图所示：

由图分析可知，该模型为一阶自相关、二阶偏自相关（左侧一阶截尾，右侧二阶截尾）。

（二）估计参数

当完成（三）所示图可得，参数估计结果为：

（1-B）dgpi

t =-0.001349+ε

t

-0.982019ε

t-1

（三）检验（参数显著性检验和模型有效性检验——分别对MA(1)、AR(1)、ARMA(1) 模型进行检验）

1.MA(1)模型检验：

在eviews命令栏输入：LS dgpi2 c MA(1)，点击回车键，有如下结果:

如图所知，Prob值<0.05，模型显著。

2.AR(1) 模型检验:

如图所知，Prob值<0.05，模型显著。

3.MAAR(1) 模型检验:

如图所知，Prob值<0.05，模型显著。

第三，预测

利用MA(1) 模型进行静态预测（staitic forcast），预测区间设为：2013m01

到2015m12，预测结果如下，可以看出预测结果较好。

实验结论

（1）经过平稳性检验，原数据不平稳，对数据差分处理得到数据平稳。 （2）经过纯随机性检验，由于Prob 值<0.05,为非白噪声。

（3）分析自相关和偏自相关图进行模型的确定和定阶，二阶差分后可知，该模型为一阶自相关、二阶偏自相关。

（4）分别对MA(1)、AR(1)、ARMA(1) 模型进行检验，得之检验结果分别为模型显著、模型显著、模型显著。

（5）对MA(1)参数估计结果为：（1-B ）dgpi t =-0.001349+εt -0.982019εt-1 （6）利用MA(1) 模型进行静态预测，预测结果较好,模型的建立较为成功。