（1）若数据方差非平稳，应先通过对数变换、平方根变换等方法，使序列方差平稳。
（2）先通过差分消除序列的长期趋势（如果有的话）。 （3）再通过季节差分消除序列的季节性（如果有的话）。 差分函数的使用可见前两次上机实习内容。 使平稳序列零均值化的方法：
在Eviews中可通过函数@mean()求序列的均值。
如要求平稳序列x的均值，并对序列x零均值化，则可用如下命令： Scalar m=@mean(x) Genr y=x－m
其中：Scalar命令在Eviews中表示生成标量数据（均值只是一个数，而不是序列）。
Y为对x零均值化后的序列。 当然，上述命令也可简化为： Genr y=x－@mean(x)
习题三：
用自相关分析图识别1990年1月至1997年12月我国工业总产值的月度时间序列及其自然对数的平稳性，并说明理由。若不平稳试绘制自然对数序列的一阶逐期差分和一阶季节差分后的我国工业总产值序列的相关分析图。
1990年1月至1997年12月我国工业总产值（单位：亿元） 年 1990 月 1 2 3 4 5 6 7 8 9 - 23 -
数据 1421.4 1367.4 1719.7 1759.6 1795.7 1848.1 1637.3 1670.9 1760.1 1991 1992 1993 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 - 24 -
1789.5 1888.6 1981.4 1757.8 1485.7 1893.9 1969.8 2033.7 2103 1836.3 1914.7 2022.2 2045.1 2069.2 2136 1984.2 1812.4 2274.7 2328.9 2373.1 2515.8 2288 2321 2441.1 2502.6 2608.8 2823.8 2179.1 2408.7 2869.4 2916.7 3022.1 3274.5 2862.9 2864.2 2908 2911.8 3101.3 1994 1995 1996 1997 12 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 1 - 25 -
3664.3 2903.3 2513.8 3409 3499.5 3642.6 3871.4 3373 3463.4 3663.74 3753.38 3973.17 4469.02 2996.7 2740.3 3580.9 3746.3 3817.9 4046.6 3483.9 3510.6 3703.1 3810.7 4091 4650.799 3476.6 2970.3 3942.6 4067.6 4746.899 4417.299 3806.8 3746.3 4011.1 4129.6 4372.899 4991.5 3843.84
2 3 4 5 6 7 8 9 10 11 12 3181.26 4404.49 4520.18 4638.99 4969.93 4146.899 4198.7 4536.839 4718.91 5034.939 5545.74 - 26 -
实验五 ARMA模型的建立、识别、检验
【实验目的】 熟悉对零均值平稳序列建立ARMA模型的前三个阶段：模型识
别、模型参数估计、诊断检验。
（1） 根据时间序列自相关图对零均值平稳序列进行初步的模型识别。 （2） 运用Eviews软件估计ARMA模型参数。
对所建立的模型是否为适应性模型进行诊断检验。
【实验内容】
模型识别
根据零均值平稳化后的序列的自相关函数和偏自相关函数表现出的特征，对序列进行初步的模型识别（注：这种方法并不总是有效）。
模型参数估计
Eviews建立ARMA模型的命令用到AR、MA、SAR，SMA等参数项。其中SAR、SMA两参数在建立季节性时间序列模型时要用到。
例如：对一个零均值的平稳序列x建立ARMA (2,1)模型， （1）命令操作方式为：ls x ar(1) ar(2) ma(1)
（2）菜单操作方式：Quick---?Estimate equation，输入：x ar(1) ar(2) ma(1)，OK。
以上述操作方式建模时，Eviews自动采用非线性最小二乘法估计模型参数。
模型的诊断检验：
1． 判断模型是否为适应性模型
判断模型是否为序列的适应性模型，主要根据模型残差是否为白噪声来判断，若残差是白噪声，则可认为此模型是序列的适应性模型，否则，不是。
Eviews操作：在模型窗口，View----?Residual tests----?Correlogram—Q statistics
- 27 -