Eviews中实现ARIMA模型并进行预测

最新推荐文章于 2024-05-27 18:07:36 发布
最新推荐文章于 2024-05-27 18:07:36 发布
阅读量1.1w 收藏 90
点赞数 6
文章标签： 最小二乘法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46452957/article/details/124965828
版权

声明:本人也在学习的过程中，如有不对可以批评指正哦！

问题: 以2015年1月5日到2022年4月1日上证指数的日收盘价，研究新冠疫情对股市的影响本文

数据的选择及变化趋势图
为了研究需要，本文选取了新型冠状病毒肺炎第一次在武汉爆发前后3个月的上证指数日收盘价数据，具体为2019年10月8日至2020年4月20日。其中ARIMA模型使用2019年10月8日至2020年1月20日的数据建立，并进行后期预测。
在这里插入图片描述
由图可知，在疫情开始前的三个月内上证指数的波动具有一定的趋势性，因此可以大致判断样本数据是不平稳的。

ARIMA 模型的建立
为了准确判断原始序列是否平稳，进一步对原始数据绘制序列的自相关和偏自相关分析图，如下图所示：
在这里插入图片描述
由图 3可见，序列的样本自相关并没有快速地落入置信区间，因此原始样本是不平稳的。对其做一阶差分后的序列的单位根检验结果如下表：
在这里插入图片描述
由表可知，一阶差分后的数据已经通过的单位根检验具有平稳性。
在这里插入图片描述
由上图可见 dclose 具有平稳性且

最低0.47元/天 解锁文章
vanessapyy
关注
  • 6
    点赞
  • 踩
  • 90
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论
数据分享|SAS与eviews用ARIMA模型对我国大豆产量时间序列预测、稳定性、白噪声检验可视化...
拓端研究室TRL
04-13 695
全文链接：http://tecdat.cn/?p=31480我国以前一直以来都是世界上大豆生产的第一大国。但由于各国的日益强大，导致我国豆种植面积和产量持续缩减。因此，预测我国的大豆产量对中国未来的经济发展有着极其重要的作用（点击文末“阅读原文”获取完整代码数据）。我们为一位客户进行了短暂的咨询工作，他正在构建一个主要基于ARIMA的大豆产量预测应用程序，运用SAS与eviews软件对全国1957...
数据分享|Eviews用ARIMA、指数曲线趋势模型对中国进出口总额时间序列预测分析
拓端研究室TRL
11-24 1054
全文链接：https://tecdat.cn/?p=34361众自20世纪80年代至今，随着改革开放的深入以及中国最终加入WTO，我国的对外贸易实现了跨越式的发展，中国已经成为世界第一大出口国和第二大进口国，中国经济对世界经济做出了重大贡献（点击文末“阅读原文”获取完整代码数据）。相关视频与此同时，中国经济自身的外贸依存度也已经达到了很高的水平，因此正确分析预测我国的进出口贸易额将对我国对外贸易的...
【Eviews实战】——ARIMA模型建模
jd1813346972的博客
03-17 4282
熟悉eviews基本操作, 通过建立ARIMA模型进行时间序列预测。 该篇文章对1990年1月-1997年12月我国消费价格指数进行平稳性检验，并利用ARIMA模型预测未来6个月消费价格指数变动情况。文章涉及ADF检验； τ检验；t检验、自回归过程、移动平均过程等。
基于ARIMA模型实现时间序列的预测
最新发布
江宁山人的专栏
05-27 366
第一种方案，有点复杂，涉及到模型中系数的调优，简单系统建议使用第2种方案。2.2 一组序列，以线性回归的方式预测接下来的7个数字（比较好用）使用jarima，git hub上项目可以直接使用（但比较简单）2.1 以月度借记卡发行作为时间序列，预测未来12个月的发卡量。
Eviews7.2模型建模与预测时间序列分析（ARIMA 模型的建立与预测）
weixin_44146604的博客
05-09 4万+
1、模型识别 （1）数据录入 打开 Eviews 软件，选择―File菜单中的―New–Workfile‖选项，在“Workfile structure type” 栏选择“Dated –regular frequency”，在“Date specification”栏中分别选择“Annual”(年数据)，分别在起始年输入1867，终止年输入1938，点击ok，这样就建立了一个工作文件。点击 File/Import，找到相应的 Excel 数据集，导入即可。 （2）时序图判断平稳性 从上面的绵羊数量时序
第65步 时间序列建模实战：ARIMA建模（Eviews）
qq_30452897的博客
09-04 1万+
第65步 时间序列建模实战：ARIMA建模（Eviews）
时间序列预测 EViews
weixin_64589302的博客
11-17 1万+
时间序列预测--EViews
Eviews7.2模型建模与预测时间序列分析（ARMA 模型建模与预测）
weixin_44146604的博客
03-27 5万+
实验内容及实验结果 请写出具体的实验步骤，并给出相应的实验结果，如有需要，附上编写的程序及其运行结果截图!! 实验步骤： 1、模型识别 （1） 数据录入 打开 Eviews 软件，选择“File”菜单中的“New–Workfile”选项，，在“Workfile structure type” 栏选择Dated-regular frequency，在Date specification栏中选择Monthly，start date填2017:1、end date填2019:12，点击 ok，如图，这样就建立了一
时间序列分析模型——ARIMA模型
weixin_30363509的博客
06-13 5971
时间序列分析模型——ARIMA模型 一、研究目的 传统的经济计量方法是以经济理论为基础来描述变量关系的模型。但经济理论通常不足以对变量之间的动态联系提供一个严密的说明，而且内生变量既可以出现在方程的左端又可以出现在方程的右端使得估计和推断变得更加复杂。为了解决这些问题而出现了一种用非结构方法来建立各个变量之间关系的模型，如向量自回归模型（vector autoregression,VAR）和向...
ARIMA模型的识别、诊断、估计和预测(Eviews)
11-12
运用Eviews软件进行ARIMA模型的识别、诊断、估计和预测，讲解较为详细，希望对大家有所帮助。
ARIMA EVIEWS实现
09-21
ARIMA EVIEWS 时空分布及其规律
Eviews软件操作案例（详细步骤）
04-05
有Eviews软件操作的案例，详细步骤 。使你轻松入门~~~快速掌握Eviews
自回归模型 java_Eviews的ARIMA（差分自回归移动平均模型）模型入门操作指南
weixin_39957647的博客
02-27 5232
ARIMA模型即差分自回归移动平均模型，它是在AR、MA、ARMA模型的基础上，基于数据的平稳性构建的差分时间序列，ARIMA模型包含AR、MA、ARMA模型，所以学会操作ARIMA模型，也就相当于学会了AR、MA、ARMA模型。ARIMA(p，d，q)中，AR是"自回归"，p为自回归项数；I为差分，d为使之成为平稳序列所做的差分次数(阶数)；MA为"滑动平均"，q为滑动平均项数。1数据及平稳性检...
用EViews做时间序列SARIMA模型的傻瓜操作小记
weixin_30600197的博客
03-24 6230
去年用过EViews来做SARIMA模型，今天又要用到，结果操作全忘光了，好不容易摸索出来，故在此小记下。 1. File->New->Workfile，出来窗口，Frequency，Start date和End date都是对等会要处理的时间序列说的，时间格式以月份为频率的xxxx.xx就可以了 2. Workfile窗口中出来了，然后对空白处右键New Object，选择Ser...
时间序列模型（ARIMA和ARMA）完整步骤详述
热门推荐
越努力 越幸运
05-28 18万+
实现ARMA和ARIMA 时间序列模型的预测。
理论加实践，终于把时间序列预测ARIMA模型讲明白了
fengdu78的博客
11-15 11万+
上篇我们一起学习了一些关于时间序列预测的知识。而本文将通过一段时间内电力负荷波动的数据集来实战演示完整的ARIMA模型的建模及参数选择过程，其中包括数据准备、随机性、稳定性检验。本文旨在实...
EViews8|庞皓计量经济学教材习题2.2
qq_56593533的博客
05-13 7474
由回归结果可知本例中可决系数为0.972527，说明所建模型整体上对样本数据拟合较好，即解释变量“全省地区生产总值的对数”对被解释变量“浙江省一般预算收入的对数”的绝大部分差异作出了解释。（1）建立浙江省一般预算收入与全省地区生产总值的计量经济模型，估计模型的参数，检验模型的显著性，用规范的形式写出估计检验结果，并解释所估计参数的经济意义。（3）建立浙江省一般预算收入对数与地区生产总值对数的计量经济模型，估计模型的参数，检验模型的显著性，并解释所估计参数的经济意义。
eviews建立arima模型
05-23
建立一个 ARIMA 模型的步骤如下： 1. 确定时间序列的平稳性。使用时间序列图和自相关图来确定时间序列的平稳性。如果时间序列不平稳，则需要进行差分，直到时间序列变得平稳。 2. 确定 ARIMA 模型的阶数。使用自相关图和偏自相关图来确定 AR 和 MA 的阶数。AR 阶数表示时间序列的过去值对当前值的影响，MA 阶数表示随机误差对当前值的影响。根据 AIC 和 BIC 等标准来选择最优的 ARIMA 模型。 3. 拟合 ARIMA 模型。使用 eviews 的 ARIMA 命令来拟合模型。在拟合模型时，需要指定 AR 和 MA 阶数、差分次数等参数。 4. 进行模型检验。使用残差序列的自相关图、偏自相关图、LB 检验等来检验模型的拟合效果是否良好。 5. 使用模型进行预测。使用 eviews 的 Forecast 命令来进行预测。在预测时，需要指定预测期数、预测置信区间等参数。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

vanessapyy

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值