根据输出的残差的Q统计量判断残差是否为白噪声序列。怎么根据Q的统计量判断残差是否为白噪声序列？
2． 模型中各项的取舍
若建立的模型为适应性模型，还要看输出项中各变量是否显著(通过输出结果中的t统计量值及相应的P值)，对不显著的项，要剔除，然后重新建模。
3． 模型的选择（定阶）
对于同一个序列来说，可能有多个适应性模型，要从这多个适应性模型中选择，通常根据多个模型输出项中的赤池信息准则(AIC，Akaike info criterion)和施瓦茨准则(SBC，Schwartz Bayes criterion)进行比较，一般认为这两个统计量值越小的模型越好。
4．模型平稳性和可逆性的判断
判断模型是适应性模型后，还应判断模型是否平稳和可逆，判断方法如下。 模型输出结果最下方输出的两项，AR inverted root (如果有的话)和MA inverted root（如果有的话），其含义分别为：
inverted AR root ：为模型自回归AR部分所对应的差分方程的特征方程的特征根。若特征根的绝对值都小于1，则说明模型是平稳的；若其中有大于或等于1的，说明模型非平稳；若有等于1或很接近于1的，说明原序列为单位根过程，需要先对序列进行差分平稳化变换(有几个单位根，作几阶差分变换)，然后建模。
inverted MA root：为模型移动平均MA部分所对应的差分方程的特征方程的特征根。若特征根绝对值都小于1，则说明模型是可逆的；若有大于或等于1的，说明模型不可逆；若有等于1或很接近于1的，则很有可能在数据处理过程中，对原序列过度差分了，这时需要减少对序列差分的阶数，再重新建模。；
- 28 -
【实验步骤】 练习一
操作文件：参见上机3练习一
操作内容：打开一个文件，如 arma2.wf1
(1) 选取一个序列，如x，判断序列是否为平稳，均值是否零均值平稳序列（本
例略）。
(2) 观察该序列自相关图，根据自相关函数滞后二阶截尾，偏自相关函数表
现为拖尾，初步判断模型阶数AR(2)。 (3) 建模：ls x ar(1) ar(2) (4) 诊断检验：
a. 模型是否为序列的适应性模型：检验模型残差是否为白噪声。 b. 模型中各项是否显著：用各变量的t检验值及相应的p值。 c. 模型选择：先记下拟合的ar(2) 模型的AIC和SBC。 再拟合其它模型如：ARMA(2,1)，记下输出的AIC和SBC。 比较上述结果，看哪个更小。
d. 判断模型是否平稳：看inverted AR root 是否小于1. 练习二：
操作文件：参见上机3练习二 操作内容：打开一个文件
（1） 选取一个序列，判断序列是否平稳，均值是否为零，若否，应先将序列
转化为零均值平稳序列。转化方法见以前上机实习内容。 （2）~（4）同上。
- 29 -
实验六 ARMA模型的诊断性检验
【实验目的】 通过练习，进一步熟悉建模步骤：模型识别，参数估计，诊断
检验（适应性检验、模型定阶等）。
【实验内容】 (1)三个模型是否都为适应性模型？ (2)哪个模型更佳？
(3)三个模型中均包含了常数项，其与序列均值有何关系？ (4)各个模型的估计中，实际用到的观察值的个数分别为多少？
【实验步骤】
操作文件：zl1.wf1~zl20.wf1及其它具有实际背景的数据。 练习一zl14.wf1磨轮剖面数据，见附录。
操作步骤：1、判断序列mlpm是否平稳，均值是否为零。
2、根据自相关图，进行模型识别。 3、建立模型：ls mlpm c ar(1) ar(2) 4、模型诊断检验：看此模型是否合适。 5．再分别建立两个模型，且重复上述步骤。
ls mlpm c ma(1) ma(2) ls mlpm c ar(1) ma(1)
练习二、依据上述思路，请分别对zl17.wf1，zl18.wf1，gdpindex.wf1等文件进行操作。（该组文件中的数据本身为平稳数据）
练习三、操作文件：zl1.wf1，zl3.wf1，zl4.wf1 , zl5.wf1，zl19.wf1，gdp.wf1，stpoor.wf1。（该组文件中的数据均非平稳，建模前需先作适当变换）
练习四、操作文件：zl2.wf1，zl11.wf1，zl20.wf1，usagnp.wf1等。（该组文件中的数据均含有季节性，建模前需作适当变换）
- 30 -
实验七 ARMA模型的预测
【实验目的】：（1）进一步熟悉ARMA模型建模过程。
（2）利用ARMA模型进行预测。
预测说明： Eviews中有两种不同的预测处理方式：Dynamic（动态）和Static（静态）。 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。
【实验内容】 平稳时间序列模型预测
非平稳时间序列模型的预测
【实验步骤】
平稳时间序列模型预测 操作文件：zl14.wf1 （1）打开zl14.wf1
（2）对序列mlpm建立AR(2)模型 操作命令：ls mlpm c ar(1) ar(2) （3）进行追溯预测：
操作：在Equation窗口，选Forecast菜单，在出现的对话框中，
选static，将预测结果存入mlpmf1序列中，单击OK。观察输出结果mlpmf1。
说明：static为一步超前预测。 （4）进行向前多步预测。 操作命令：expand 1 259 smpl 251 259
然后在Equation窗口，选Forecast菜单，在出现的对话框中，选Dynamic，并将预测结果保存在mlpmf2序列中，单击OK。观察输出结果mlpmf2。
说明：Dynamic为动态预测。
注：S.E用于存放预测的估计标准误差，便于计算置信区间。
- 31 -
非平稳时间序列预测（操作文件：gdp.wf1） 操作步骤：(1)打开gdp.wf1，
(2)对序列dlog(gdp)建立ar(2)模型
操作命令：ls dlog(gdp) ar(1) ar(2)
(3)进行追溯预测：
打开forecast对话框，选forecast of gdp，选static，预测结果保存在gdpf1中，单击OK。 (4)进行向前多步预测
操作命令：expand 1978 2005 smpl 2002 2005
打开forecast 对话框，选forecast of gdp ，选dynamic，预测结果保存在gdpf2中，单击OK。观察输出结果。
- 32 -