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，因此学会操做ARIMA模型，也就至关于学会了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作的差分次数（阶数）；MA为"滑动平均"，q为滑动平均项数。json
1微信
而后进行平稳性检验，具体操做过程参见本公众号文章app
《函数
Eviews中时间序列的平稳性、协整检验操做（一）：ADF单位根检验》
博士的计量经济学干货，公众号：博士的计量经济学干货Eviews中时间序列的平稳性、协整检验操做（一）：ADF单位根检验：
ADF检验结果以下：url
如图所示，NullHypothesis表示原假设是：rgdp序列具备一个单位根，即rgdp原序列为一个非平稳序列。ADF检验值为0.401554，对应p值=0.9985，大于0.05，在5%的显著性水平下接受原假设，rgdp序列具备单位根，是非平稳序列。spa
接下来检验一阶差分的GDP：.net
能够看到一阶差分后的rgdp仍然是非平稳的（p值大于0.05）；code
作二阶差分的rgdp：orm
如图所示，NullHypothesis表示原假设是：二阶差分的rgdp序列具备一个单位根， ADF检验值为-6.417232，对应p值=0.0000，小于0.05，在5%的显著性水平下拒绝原假设，二阶差分rgdp序列不具备单位根，是平稳序列。blog
2
通过以上验证，能够认为二阶差分rgdp序列是单整的平稳数据，即只须要创建ARMA(p,2,q)模型。ARMA(p,2,q)能够转化为AR（）和MA()，其对应的特征为两种函数均表现为逐渐衰减的态势，在样本对应的ACF和PACF图形上，能够进行相应的判断。
首先生成二阶差分rgdp序列，在Eviews输入如下命令：
genrdrgdp=rgdp-rgdp(-1)genrddrgdp= drgdp-drgdp(-1)
而后进行自相关与偏自相关分析：
如图所示，ddrgdp的序列对应的ACF图形形在第2期就衰减为0，PACF图形也在第2期衰减为0，所以能够创建ddrgdp的ARMA（2,2），也就是ARIMA（2,2,2）模型。
3
能够看到，AR（1）的估计系数为-0.354667，AR（2）的估计系数为-0.785199，MA（1）的估计系数为0.393404；MA（2）的估计系数为0.487878。
估计结果以下：
从ddrgdp残差图中观察可知，残差序列基本不具备序列相关性，除了2008年左右，残差的波动幅度基本在二倍置信区间之间，振幅小于5%。
4
为了考察ARIMA（2,2,2）模型对ddrgdp的预测效果，根据此模型对2020年进行预测。
在Eviews中预测获得2020年的ddrgdp=195.0616，那么2020年的drgdp=195.0616+drgdp（2019）=195.0616+8321.219=8516.281，
那么，2020年的
rgdp=8516.281+rgdp（2019）=8516.281+144543.4804=153059.7614
欢迎扫码关注，如有问题，请点击“在看”留言或在公众号里留言。
本文分享自微信公众号 - 博士的计量经济学干货（econometrics_ABC）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。