这个例子展示了如何使用Box-Jenkins方法来选择和估计一个ARIMA模型,通过使用Econometric Modeler应用程序。然后,它展示了如何导出估计模型来生成预测。数据集,存储在Data_JAustralian.mat
,包含从1972年和1991年开始测量的季度澳大利亚消费价格指数(CPI),以及其他时间序列。
在命令行中,加载Data_JAustralian.mat
数据集。
负载Data_JAustralian
转换表数据表
一个时间表:
的行名数据表
.
将采样时间转换为adatetime
向量。
通过将行与中的采样时间关联,将表转换为时间表日期
.
DataTable.Properties.RowNames = {};日期= datetime(日期,“ConvertFrom”,“datenum”,...“格式”,“ddMMMyyyy”,“场所”,“en_US”);DataTable = table2timetable(数据表,“RowTimes”、日期);
在命令行中,打开计量经济学建模师应用程序。
econometricModeler
或者,从应用程序库打开应用程序(见计量经济学建模师).
进口数据表
为应用程序:
在计量经济学建模师选项卡,进口部分中,点击.
在导入数据对话框中进口吗?列的复选框,选择数据表
变量。
点击进口.
的变量,包括加索尔
,出现在时间序列窗格中,所有序列的时间序列图将出现在时间序列图(EXCH)图窗口。
创建一个时间序列图加索尔
通过双击加索尔
在时间序列窗格。
这个序列之所以显得非平稳是因为它有明显的上升趋势。
绘制样本自相关函数(ACF)和偏自相关函数(PACF)。
在时间序列窗格中,选择加索尔
时间序列。
单击情节选项卡,然后单击ACF.
单击情节选项卡,然后单击PACF.
关闭除相关图外的所有图形窗口。然后,拖ACF(加索尔)图窗口上方PACF(加索尔)图窗口。
显著的,线性衰减的样品ACF表明一个非平稳过程。
关闭ACF(加索尔)和PACF(加索尔)图窗口。
取数据的第一个差值。与加索尔
选择的时间序列窗格中,在计量经济学建模师选项卡,转换部分中,点击区别.
转换后的变量PAUDiff
出现在时间序列窗格,其时间序列图将显示在时间序列图(PAUDiff)图窗口。
差分消除了线性趋势。差分级数显得更平稳。
绘制样品的ACF和PACFPAUDiff
.与PAUDiff
选择的时间序列面板:
单击情节选项卡,然后单击ACF.
单击情节选项卡,然后单击PACF.
关闭时间序列图(PAUDiff)图窗口。然后,拖ACF (PAUDiff)图窗口上方PACF (PAUDiff)图窗口。
差异系列的样品ACF衰减较快。样品PACF在滞后2后切断。这一行为与差分序列的二级自回归(AR(2))模型一致。
关闭ACF (PAUDiff)和PACF (PAUDiff)图窗口。
估计一个ARIMA(2,1,0)模型的对数季度澳大利亚CPI。该模型具有1度的非季节性差异和2次AR滞后。
在时间序列窗格中,选择加索尔
时间序列。
在计量经济学建模师选项卡,模型部分中,点击华宇电脑.
在ARIMA模型参数对话框中延迟订单标签:
集程度的集成来1
.
集自回归秩序来2
.
点击估计.
模型变量ARIMA_PAU
出现在模型窗格中,其值将显示在预览窗格,其估计摘要将出现在模型总结(ARIMA_PAU)文档。
两个AR系数均在5%显著水平下显著。
通过绘制残差的直方图、分位数图和ACF,检查残差是否正态分布且不相关。
关闭模型总结(ARIMA_PAU)文档。
与ARIMA_PAU
选择的模型窗格中,在计量经济学建模师选项卡,诊断部分中,点击残留的诊断>残差直方图.
点击残留的诊断>剩余qq情节.
点击残留的诊断>自相关函数.
在右侧窗格中,拖动直方图(ARIMA_PAU)和QQPlot (ARIMA_PAU)图形窗口,使其占据上两个象限,并拖动ACF,使其占据下两个象限。
残差图表明残差近似正态分布且不相关。然而,有一些迹象表明有过量的大残留。这种行为表明t创新分布可能是合适的。
将模型导出到MATLAB®工作区。
在时间序列窗格中,选择加索尔
时间序列。
在计量经济学建模师选项卡,出口部分中,点击出口>出口变量.
在出口变量对话框中,选择选择复选框的ARIMA_PAU模型。
点击出口.的复选框加索尔时间序列已经选定。
的变量加索尔
和ARIMA_PAU
出现在工作区中。
根据估计的ARIMA(2,1,0)模型生成未来4年(16个季度)的预测和大约95%的预测区间。使用整个系列作为预测的样本。
[PAUF, PAUMSE] =预测(ARIMA_PAU 16“Y0”,加索尔);UB = PAUMSE + 1.96*根号(PAUMSE);LB = PAUMSE - 1.96*sqrt(PAUMSE);datesF = date (end) + calquarters(1:16);图h4 = plot(日期,PAU,“颜色”,综合成绩、综合成绩、综合成绩);持有在h5 =情节(datesF PAUF,“r”,“线宽”2);到h6 =情节(datesF乌兰巴托,“k——”,“线宽”, 1.5);情节(datesF磅,“k——”,“线宽”, 1.5);传奇((h4、h5代替),“日志CPI”,“预测”,...预测区间的,“位置”,“西北”)标题(“记录澳大利亚CPI预测”)举行从
[1]Box, George E. P., Gwilym M. Jenkins,和Gregory C. Reinsel。时间序列分析:预测与控制.3版。恩格尔伍德悬崖,NJ: Prentice Hall, 1994。