前面写了一大堆关于ARMA模型的概念性的东西，今天就来写写应用吧。（才不是被催的，口亨。）说到应用，最重要的当然是挑选一款合适的软件了，毕竟手算真的可能天荒地老的，说不定还得被Rebellion喷，相当不划算。时间序列模型最常用的软件是EViews。毫不夸张地说，EViews就是设计来解这类模型的。当然你喜欢用Stata, Matlab甚至Python也没人拦着你，但是对于硕士及以下的学生来说，就是可以但没必要。
笔者使用的软件是EViews 9.0（经管之家版，划掉），其高端大气上档次的图形操作界面简直是人类（莘莘学子）的福音。本文全文采用美国1948年1月至2020年2月月度失业率数据作为例子（数据来源：美联储圣路易斯分行），大家可以下载同样的数据跟我左手右手一个慢动作。
以下部分多图预警，建议充够钱之后打开。
本节写EViews基本操作，已经熟悉的读者可以直接跳到下一节。
首先我们打开EViews，选择新建一个工作表（workfile）。选择数据频率为月度，并输入起止年份方便接下来系统自动补全。基本配置如下图所示。
接下来我们可以看到下面的界面，这是一个EViews工作表的基本界面。其中显示了工作表的数据范围、一个序列resid、一个数值c。现在序列和数值的取值均为0，它们的作用是在估计完方程之后储存残差序列和截距项的值。上面有一排操作按钮对应各种功能。各位如果有兴趣（xiandedanteng）可以一个个点开看看是啥。
右键新建（New Object），在下表中选择序列（Series）并命名。
上级打开un序列，运用人类的本质（划掉）复制粘贴大法，我们可以把美国的失业率数据复制上来。当然用其他数据也可以，多试几个练习一下总没有错。
基本操作到此结束，接下来是重头戏。
一般来说，拿到一个序列之后第一件事情就是单位根检验。如果序列存在单位根，那么ARMA模型基本就毫无用武之地，因为存在伪回归问题。（不熟悉的孩子请翻到前两章复习一下）单位根检验的方法很多，有DF、ADF、PP、KPSS等一大堆不同的检验。检验的具体内容比较复杂，大家知道怎么应用就好。
先说ADF（Augmented Dickey-Fuller）和DF（Dickey-Fuller）。ADF检验本质上来说就是DF的升级版，它能够控制序列自相关问题。因此通常来说大家做到的都会是ADF(p)检验，p是我们选取的滞后阶数。ADF(0)检验就是DF检验。那么问题来了，这个p哪里能买到呢？如下图右侧区域所示，我们一般有两种方法——用SIC等信息准则自动选择，或是自己手动设定。自动选择不用说了，如果我们要手动设定的话，月度数据可以选择12的倍数，季度数据的话可以选择4的倍数。下图的界面可以在序列的View/Unit Root Test选项中打开。
ADF/DF检验的原假设是序列存在单位根（不平稳），所以我们的目标当然是拒绝原假设啦。
再说PP（Phillips-Perron）检验。这个检验其实和ADF没有什么本质性的区别，（所以那些分别用ADF和PP检验来讨论稳健性的神棍……嗯……）最大的区别在于PP不需要自己选择滞后阶数，仅此而已。它们的原假设是一样的，得到的结果也基本上是一致的。
然后是神奇的KPSS检验（Kwiatkowski-Phillips-Schmidt-Shin，这里的Phillips和PP的是同一个人，老板啊……）。这个检验和前面三个差了十万八千里，而且可靠性（power）也高了不少，它能够分辨AR系数到底是0.99还是1这个哲学问题。简单来讲，它的原假设是序列平稳，这和前面三个是完全相反的，因此我们希望不拒绝原假设。它还会针对不同情况用到不同的核（kernel，可简单理解为长期方差），这里就不具体展开了。
这里我们用ADF对原序列（Level）进行单位根检验，结果简单明了。下图最后一列显示p值相当接近0，因此我们认为序列是平稳的。注意这里SIC选的滞后阶数p是5。下一步，构建模型。
构建模型同样是一个哲学问题，因为实在是没有一个标准答案。所谓构建模型，其实就是瞎猜数据生成过程（Data Generating Process, DGP）。显然，ARMA是DGP中最受学生欢迎的一种（大概是因为才疏学浅吧），这里我们就盲猜美国失业率符合ARMA模型。[1]
ARMA模型有什么特点呢？如果大家还记得前面的文章写了啥的话，应该能记住有两个很重要的东西，它们叫ACF和PACF。不记得他们是啥了不要紧，会用就好。Eviews就像个电饭煲，自己会下水和米就好，完全不需要想起自己其实不会煲饭这个事实。请大家猛戳“开始煮饭”，啊不，是View/Correlogram...那个键。出来的东西如下图所示。左边那个是ACF，右边的是PACF。
不知道它们是啥不要紧，会看就行。记住以下规律：AR模型的ACF呈几何递减，阶数为PACF的显著阶数；MA模型的PACF呈几何递减，阶数为ACF的显著阶数；ARMA模型是AR和MA的叠加。看上图，左边的ACF显然是指数递减的，而右边的PACF和指数递减好像没什么关系。盲猜AR。再看PACF的显著阶数。注意到中间实线旁边的那两根虚线了么，它们就是PACF的临界值，那根条条超出临界值就是显著。定睛一看，仿佛6阶显著。于是我们认为美国失业率的数据生成过程是AR(6)。也就是说，半年以前的失业率对现在的失业率有直接影响，听起来好像合情合理。
那么有人会问了，我看13阶和25阶的PACF好像也显著噻，你怎么不考虑一下？这就跟煲饭一样，好不容易等饭煲了一小时，还要保温3小时才吃，何必咧？一句话，大道至简（parsimonious），饭就得饿的时候吃。
接下来就估计AR(6)咯，不难。点主界面上的Quick/Estimate Equation...，把要估计的方程输进去就好。本例中应该在对话框中输入“un ar(1) ar(2) ar(3) ar(4) ar(5) ar(6) c”，最后那个c别忘掉了，那是常数项。结果跑出来，R方0.986，AR(6)系数显著，再好不过啦。接下来就是抄数据水作业时间了嗯……
但这还不算完，我们可以对回归的残差检验一下确定这个DGP确实是AR(6)。怎么搞呢？点View/Residual Diagnostics/Correlogram Q-statistics，就相当于给残差而不是原序列画一个ACF/PACF。如下图所示，哪哪都不显著啦，满分！
别急着开心，残差检验的列表好像还不止这一个哦，不如看看别的，比如这个View/Residual Diagnostics/Correlogram Squared Residual。这个相当于画出了残差平方的ACF和PACF。众所周知，残差的平方和方差有关（废话）。那么这个correlogram其实表示的是方差的时变性。用人话来说，方差是会变哒，而它怎么变可以在图上看出。如下图，两条杠说明有喜，AR(6)不够用啦。
通常我们解决这个问题的方法是使用广义自回归条件异方差模型（Generalised Autoregressive Conditional Heteroskedasticity, GARCH），这就留待以后再细说吧，今天知道怎么用EViews来瞎猜ARMA模型就可以啦。
参考
- ^千万别告诉我的时间序列老师Prof. Andrew Harvey，分分钟被砍死。当然更惨一点的结果是挂科。
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
