上面介绍的平滑法都可以用于描述时间序列的趋势,包括线性趋势和非线性趋势。当用这些方法进行预测时,要注意它们一般只适合平稳时间序列,当序列存在明显的趋势或季节成分时,这些方法就不再适用。 时间序列的趋势可以分为线性趋势和非线性趋势两大类,如果这种趋势能够延续到未来,就可以利用趋势进行外推预测。 有趋势序列的预测方法主要有线性趋势预测、非线性趋势预测和自回归模型,就是前述所介绍的AR(p)模型预测等。
在介绍非平稳序列之前,先给出差分的概念。 用变量xt 的当期值减去其滞后期的数值,从而得到新序列的计算方法称为差分。 若减去的滞后期数是一期,得到的新序列称为原序列的一阶差分;若减数是滞后k 期的数值,得到的新序列称为原序列的k 阶差分。对于一个时间序列数据,如果该序列的特征方程恰好有d 个根在单位圆上,那么,这种时间序列数据就是非平稳的时间序列数据。 这种时间序列的特点是经过d 次差分,可以转化为一个平稳的序列[1]。
在上述过程中,数据是否平稳对模型的选取及数据的处理至关重要。 那么,如何评估一个时间序列数据是否平稳呢? 除绘制时间序列数据的走势图之外,更为准确的方法有:时间序列数据的单位根检验、自相关系数和ADF 检验。
例如,美国的GNP 和国内私人总投资INV 是单位为10 亿美元的名义值,价格指数P为GNP 的平减指数(1 972 =100),利息率R 为半年期商业票据利息。 回归方程所采用的变量都是实际GNP 和实际投资;它们是通过将名义变量除以价格指数得到的,分别用小写字母gnp,inv 表示。 实际利息率的近似值r 则是通过贴现率R 减去价格指数变化率p得到的。 样本区间:1963—1984 年,建立如下线性回归方程:
回归结果如下:
图11.8 回归结果图
p 阶滞后的Q 统计量的原假设是:序列不存在p 阶自相关;备选假设为:序列存在p阶自相关。
图11.9 残差自相关图
虚线之间的区域是自相关中正负两倍于估计标准差所夹成的。 如果自相关值在这个区域内,则在显著水平为5%的情形下与零没有显著区别。 本例1 阶的自相关系数和偏自相关系数都超出了虚线,说明存在1 阶序列相关。 1 阶滞后的Q 统计量的P 值很小,拒绝原假设,残差序列存在一阶序列相关。
结合我国GDP 变化走势,单位根检验过程,以及通过差分方法化非平稳序列为平稳序列的过程如下。
【例11.5】 表11.7 是我国1978—2004 年的GDP,试建立模型预测2005 年和2006年的GDP 数据。
表11.7 我国1978—2004 年的GDP
1978—2004 年我国GDP 具有明显的上升趋势。 在ADF 检验时选择含有常数项和时间趋势项,由SIC 准则确定滞后阶数(p =4)。 GDP 序列的ADF 检验如下:
图11.10 GDP 序列ADF 检验
检验结果显示,GDP 序列以较大的P 值,即100%的概率接受原假设,即存在单位根的结论。(www.xing528.com)
将GDP 序列做1 阶差分,然后对ΔGDP 进行ADF 检验
图11.11 一阶差分ΔGDP 的ADF 检验
检验结果显示,ΔGDP 序列仍接受存在单位根的结论。 其他检验方法的结果也接受原假设,ΔGDP 序列存在单位根,是非平稳的。
再对ΔGDP 序列做差分,则Δ2GDP 的ADF 检验(选择不含常数项和趋势项)如下:
图11.12 二阶差分ΔGDP 的ADF 检验
检验结果显示,二阶差分序列Δ2GDP 在1%的显著性水平下拒绝原假设,接受不存在单位根的结论,因此可以确定GDP 序列是二阶单整序列。
GDP 序列是二阶单整序列,即GDP ~I (2)。 但是检验得到GDP 的对数序列ln(GDP)是一阶单整序列,所以本例建立Δln(GDP)序列的ARIMA 模型。 首先观察Δln(GDP)序列的相关图。
图11.13 Δln(GDP)序列的相关图
Δln(GDP)序列的自相关系数和偏自相关系数都在一阶截尾,则取模型的阶数p =1和q =1,建立ARIMA(1,1,1) 模型(时间期间:1978—2004 年,2005 年和2006 年实际数据不参加建模,留作检验)。
图11.14 ARIMA(1,1,1) 模型回归结果
图11.15 Δln(GDP) 序列的ARIMA(1,1,1)模型残差的相关图
从图11.15 的相关图中可以看出模型的残差不存在序列相关,并且模型的各项统计量也很好。
图11.16 是这个模型的拟合和预测(静态)的结果,其中2005 年和2006 年的预测结果与真实值比较接近,预测效果可以接受。
图11.16 模型的拟合和预测图
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。