EViews. Видео-урок 2. Анализ временных рядов.

Условие задачи: построить модель временного ряда в Eviews по имеющимся данным. Ниже приведены видеоуроки и отчет по решению. Закачка файла с данными, файлов решения задачи в EViews и отчёта с результатами в Word начнется автоматически через 10 секунд. 

Рассмотрены следующие вопросы: Экспорт данных  из Excel в EViews. Тесты на единичный корень. Тест Дики-Фуллера. Построение коррелограммы. Идентификация модели временного ряда. Начальное построение модели на основании полученных данных. Модель авторегрессии. Применение информационных критериев. Создание фиктивных переменных. Фиктивные переменные для компенсации выбросов во временном ряду. Проверка ряда на гетероскедастичность остатков. Тест Вайта. Устранение гетероскедастичности временных рядов. Авторегрессионная условная гетероскедастичность. Модели ARCH и GARCH с условной гетероскедастичностью. Прогноз и интерпретация полученной модели временного ряда. 




Отчет.
Изобразим данный временной ряд.

Проверим стационарность данного временного ряда, используя ADF-тест (расширенный тест Дики-Фуллера).
   Вероятность принятия р = 0,0003<0,01, следовательно можем предположить стационарность рассматриваемого временного ряда.
Построим коррелограмму.
Коррелограмма
 Автокорреляционная функция убывает, а частная автокорреляционная функция резко снижается после первого лага. Следовательно, можем предположить процесс авторегрессии. Подберем модель авторегрессии для данного временного ряда. При подборе будем ориентироваться на информационные    Построим авторегрессию первого порядка.
Авторегрессия первого порядка
  Член авторегрессии первого порядка оказался статистически значим. Добавляем далее значимые члены авторегрессии при этом будем ориентироваться на информационные критерии, они не должны увеличиваться.
   В результате получим следующую модель авторегрессии.
Модель 1:
Модель авторегрессии 1
  Все коэффициенты оказались статистически значимыми, а информационные критерии меньше, чем в рассмотренной нами модель авторегрессии первого порядка.
   Из графического представления рассматриваемого временного ряда мы видим, что имеется два значительных выброса значений. Для компенсации этих выбросов введем фиктивные переменные Z1 и Z2.
Модель 2:
Модель авторегрессии 2
   В результате мы получили модель, в которой все коэффициенты являются значимыми, а критерии Шварца и Акаике меньше по величине, чем критерии построенных нами выше моделей. Так же можем отметить высокое значение коэффициента детерминации.
  Исходя из визуального анализа нашего временного ряда, можем предположить неоднородность дисперсий. Промежутки малой колебаемости чередуются с промежутками высокой колебаемости.
   Попробуем подобрать модель с условной гетероскедастичностью GARCH(p, q).
Модель 3:
Модель с условной гетероскедастичностью GARCH(p, q).
В результате мы получили модель:
X = 0,8623∙Xt-1 – 0,1463∙Xt-2 + 0,2608∙Xt-3 + 9407,8∙Z1 + 13885,47∙Z2 +et
В которой условная дисперсия описывается выражением:
 ht2= 391530,5 + 0,6964∙et-12 + 0,618∙et-22 – 0,9055∙ht-12
   В результате мы получили модель, в которой все коэффициенты являются значимыми, а критерии Шварца и Акаике меньше по величине, чем критерии построенных нами выше моделей. Так же можем отметить высокое значение коэффициента детерминации.
    Проверим стационарность остатков модели, для этого постоим коррелограмму остатков.
Коррелограмма остатков
     Значения вероятностей не превосходят 0,05, следовательно, можно отметить стационарность остатков.
Тест на гетероскедастичность:
Тест на гетероскедастичность
   Вероятность принятия нулевой гипотезы нормальности 04, следовательно, остатки гомоскедастичны, гетероскедастичности нет.
Произведем прогноз по построенной модели.
Прогноз по построенной моделиПрогноз по построенной модели
 Видим, что значение условной дисперсии стабилизируется на значении 662381.

Скачать файл решения задачи:


Имя файла: eviews_urok2.zip
Размер файла: 192.27 Kb

Если закачивание файла не начнется через 10 сек, кликните по этой ссылке