1.读取数据并将其储存为时间序列数据,并绘制出时序图
data1<-read.table("c:/users/w/documents/baogaoshuju.txt")
data2<-ts(data1,start=1,end=57,freq=1)
plot.ts(data2)
该序列始终在0值附近随机波动,而且波动的范围有界,没有明显的趋势性和周期性,可以看做是一个平稳时间序列。
2.绘制所读取序列的自相关函数图和偏自相关函数图。
(1)绘制自相关函数图:
acf(data2,lag=)
pacf(data2,lag=)
自相关系数具有短期相关特性,因此进一步认为该序列为平稳时间序列;且具有拖尾特性。
3.纯随机性检验
(1)对该序列滞后6期的相关性进行判断
Box.test(data2,type=“Ljung-Box”,lag=6)
(2)对该序列滞后12期的相关性进行判断
Box.test(data2,type=“Ljung-Box”,lag=12)
4.根据图形可以判断自相关图是1阶截尾,偏自相关图是拖尾,故用MA(1)模型拟合。且根据AIC准则及后文对常数项显著性的检验结果(通过了参数的显著性检验),本例选择非中心化的MA(1)模型更佳。
arima(x=data2,order=c(0,0,1),method=“CSS-ML”)
6.对MA(1)模型进行:(1)模型的显著性检验,即对残差序列进行白噪声检验。
a= arima(x=data2,order=c(0,0,1),method=“CSS-ML”)
r=a$residuals
Box.test(r,type=“Ljung-Box”,lag=6,fitdf=1) #延迟6期的残差序列白噪声检验
R运行结果:
Box.test(r,type=“Ljung-Box”,lag=6,fitdf=1)
Box-Ljung test
data: r
X-squared = 3.3346, df = 5, p-value = 0.6486
Box.test(r,type=“Ljung-Box”,lag=12,fitdf=1) #延迟12期的残差序列白噪声检验
R运行结果:
Box.test(r,type=“Ljung-Box”,lag=12,fitdf=1)
Box-Ljung test
data: r
X-squared = 10.1, df = 11, p-value = 0.5214
表明当检验阶数为6阶和12阶时,残差序列均是白噪声序列,模型显著有效。
7.对MA(1)模型进行:(2)参数的显著性检验
(1)对常数项显著性的t检验:
计算t统计量值
计算参数的t检验统计量的P值
p=pt(4.6766,df=55,lower.tail=F)*2
R运行的结果为:
p=pt(4.6759,df=55,lower.tail=F)*2
p
[1] 1.935741e-05
由于该P值小于0.05,表明常数项通过了参数的显著性检验。
(2)对ma(1)系数显著性的t检验:
计算t统计量值
计算参数的t检验统计量的P值
p=pt(7.0290,df=55,lower.tail=F)*2
R运行的结果为:
p=pt(7.0290,df=55,lower.tail=F)*2
p
[1] 3.381172e-09
由于该P值小于0.05,表明系数也通过了参数的显著性检验。
8.求向后预测第3项的预测值
predict(arima(data2,order=c(0,0,1)),n.ahead =3)
7.求95%的置信区间
data2.forecast=predict(arima(data2,order=c(0,0,1)),n.ahead=3)
U=data2.forecast$pred+1.96*data2.forecast$se
L=data2.forecast$pred-1.96*data2.forecast$se