时间序列分析实战（十）：ARIMAX时序的协整动态模型

🍉CSDN小墨&晓末:https://blog.csdn.net/jd1813346972

   个人介绍: 研一｜统计学｜干货分享
         擅长Python、Matlab、R等主流编程软件
         累计十余项国家级比赛奖项，参与研究经费10w、40w级横向

1 目的

  为研究国民生产总值与货币供应量及利率的关系。现收集到1954年1月至1987年10月M1货币量对数序列$log(M1)$，美国月度国民生产总值对数序列$log(GNP)$，以及短期利率和长期利率序列，该篇文章主要演示：以GNP为响应序列，根据因果检验结果选择适当的自变量，构建协整动态模型。其数据处理方式、单整性检验及单序列的$ARIMA$模型构建见 时间序列分析实战（七）：多个变量的ARIMA模型拟合。格兰因果检验见 时间序列分析实战（八）：时序的格兰杰因果检验。协整关系检验见 时间序列分析实战（九）：时序的协整关系检验 部分数据情况见表1所示。

表1 部分数据展示

2 回归模型的残差白噪声检验

  回归模型的建立见 时间序列分析实战（九）：时序的协整关系检验。

  运行程序：

Box.test(fit5$residuals,lag=6,type="Ljung-Box")

  运行结果：

## 
##  Box-Ljung test
## 
## data:  fit5$residuals
## X-squared = 506.29, df = 6, p-value < 2.2e-16## 
## Call:
## arima(x = data1$log.GNP., xreg = data.frame(data1$短期利率, data1$长期利率))
## 
## Coefficients:
##       intercept  data1.短期利率  data1.长期利率
##          7.1941         -1.4629         10.3497
## s.e.     0.0310          0.9951          1.0552
## 
## sigma^2 estimated as 0.02076:  log likelihood = 69.99,  aic = -131.98

  经过白噪声检验发现，残差序列为白噪声序列，需要进一步提取残差序列中蕴含的相关信息。

3 残差自相关、偏自相关情况

  运行程序：

library(aTSA)
par(mfrow=c(1,2))
acf(fit5$residuals,sub="自相关图")
pacf(fit5$residuals,sub="偏自相关图")

  运行结果：

  根据残差序列自相关及偏自相关图的性质，可以判断残差序列自相关系数拖尾，偏自相关系数3阶截尾。

4 协整动态回归模型拟合

  对残差序列拟合AR（4）模型。

  运行程序：

fit6<-arima(data1$log.GNP.,order=c(4,0,0),xreg
            =data.frame(data1$短期利率,data1$长期利率),include.mean=T)#拟合动态回归模型
fit6

  运行结果：

## 
## Call:
## arima(x = data1$log.GNP., order = c(4, 0, 0), xreg = data.frame(data1$短期利率, 
##     data1$长期利率), include.mean = T)
## 
## Coefficients:
##          ar1      ar2      ar3      ar4  intercept  data1.短期利率
##       1.3419  -0.0371  -0.2407  -0.0647     7.7602          0.2511
## s.e.  0.0881   0.1450   0.1460   0.0901     0.4655          0.1177
##       data1.长期利率
##               0.2958
## s.e.          0.2599
## 
## sigma^2 estimated as 9.301e-05:  log likelihood = 430.79,  aic = -845.58

  得到模型：

$$ln(GN{P}_t)=7.7602+0.2511S{F}_t+0.2958L{F}_t+\frac{1}{1-1.3419B+0.0371B^2+0.2407B^3+0.0647B^4}{ϵ}_t$$

5 残差检验

  运行程序：

ts.diag(fit6)

  运行结果：

  根据拟合模型的残差残差序列可知，该序列为白噪声序列，说明拟合的协整动态模型显著成立。