基于arima模型我國近年來外匯儲備的分析及預測(編輯修改稿)
2025-02-14 14:48 本頁面
【文章內(nèi)容簡介】 數(shù)據(jù)取對數(shù),畫時序圖.差分后的時序圖.第一個圖是原數(shù)據(jù)取對數(shù)后的時間序列圖，還具有趨勢性,不平穩(wěn)。后邊一次三個是對取對數(shù)后的數(shù)據(jù)進行一階差分，二階差分，三階差分后的時間序列圖。進行ADF檢驗.取對數(shù)后二階差分數(shù)據(jù): (dlogx2) Augmented DickeyFuller Testdata: dlogx2 DickeyFuller = , Lag order = 3, pvalue = alternative hypothesis: stationary 取對數(shù)后三階差分數(shù)據(jù): (dlogx3) Augmented DickeyFuller Testdata: dlogx3 DickeyFuller = , Lag order = 2, pvalue = alternative hypothesis: stationary由上述ADF檢驗輸出結果可以看出,二階差分之后的數(shù)據(jù),p=,比較平穩(wěn),=,.所以可以根據(jù)上述處理的數(shù)據(jù)建立arima模型.建立arima模型及檢驗。先以二階差分結果建立arima模型.畫出ACF和PACF圖以估計模型階數(shù).上圖,我看做ACF圖在前3階沒有顯著規(guī)律,而后拖尾,(3,2,3)模型.接著,對模型檢驗.顯著性檢驗結果:Call:arima(x = logx, order = c(3, 2, 3))Coefficients: ar1 ar2 ar3 ma1 ma2 ma3 . sigma^2 estimated as : log likelihood = , aic = 結果中ar1, ,ar3ma1,ma2,ma3系數(shù)通過檢驗,系數(shù)顯著不為零,應適當修正為arima(1,2,3)模型.對新模型檢驗.模型估計值及T檢驗結果:Call:arima(x = x, order = c(1, 2, 3))Coefficients: ar1 ma1 ma2 ma3 . sigma^2 estimated as 149110: log likelihood = , aic = 上述結果中,各系數(shù)均通過t檢驗,系數(shù)顯著不為零.然后對上述模型做殘差檢驗.殘差檢驗結果良好.單位根檢驗: abs(polyroot(c(1,$coef[2:4])))[1] abs(polyroot(c(1,$coef[1])))[1] 上述結果均大于1,說明擬合程度良好.為求得更精確模型,下面接著試用三階差分后的數(shù)據(jù)建立arima模型.畫出取對數(shù)三階差分后的ACF圖和PACF圖.上圖中,ACF圖為拖尾,(2)模型.下面對三階差分后數(shù)據(jù)所建立的模型檢驗.參數(shù)估計值及T檢驗結果:Call:arima(x = x, order = c(2, 3, 0))Coefficients: ar1 ar2 . sigma^2 estimated as 216964: log likelihood = , aic = 上述結果中系數(shù)ar1,ar2通過t檢驗,顯著不為零.所以方程為: （1+ B+）ΔXt2=εt殘差檢驗:殘差檢驗結果良好單位根檢驗:. abs(polyroot(c(1,$coef[1:2])))[1] 輸出結果均大于1,說明模型擬合很好.綜上,arima(1,2,3)模型和ar(2),相差不大.基于建立的ARIMA模型預測用arima(1,2,3)模型做預測.預測結果及標準差: predict(arima(x,c(1,2,3)),3)$predTime Series:Start =
畢業(yè)設計相關推薦
鄂ICP備17016276號-1