1. 时间序列分析入门为什么需要平稳性检验我第一次接触时间序列分析时最困惑的就是为什么要做平稳性检验。直到在金融数据分析项目里踩了坑才明白非平稳序列直接建模会导致预测结果完全失真。比如分析某上市公司股价时如果忽略平稳性检验就直接拟合ARIMA模型得到的预测曲线可能会呈现毫无根据的剧烈波动。平稳时间序列有三个核心特征均值恒定不同时间段的波动围绕固定值方差恒定波动幅度不会随时间扩大或缩小自协方差恒定任意两个时间点的关联程度只与时间间隔有关在EViews中验证这些特性最直观的方法就是绘制时序图。以某电商平台2015-2023年月度GMV数据为例导入数据后点击Quick→Graph→Line Graph如果曲线呈现明显的上升趋势或季节性尖峰比如每年双十一的峰值就初步判断为非平稳序列。注意时序图只能作为初步判断还需要结合自相关图和单位根检验综合验证。我曾遇到过时序图看似平稳但ADF检验拒绝原假设的案例。2. 平稳性检验三板斧从观察到量化2.1 时序图检验实战技巧在分析某省电力负荷数据时我发现时序图有三个关键观察点长期趋势选中View→Descriptive Statistics→Histogram and Stats若均值线明显倾斜则存在趋势季节性波动通过Options→Seasonal Adjustment开启季节性标记线异常波动右键点击异常点选择Label可添加数据标签 EViews命令示例生成带标记的时序图 load chow_test.wf1 graph g1.line ser01 g1.addtext(t) 2020年疫情异常点 g1.draw(shade) 2020 20212.2 自相关图深度解读自相关系数ACF的解读有门道截尾现象前几期显著不为零超出蓝色置信带之后突然衰减拖尾现象系数缓慢衰减至零像拖了个长尾巴某次分析宏观经济指标时自相关图显示滞后12期、24期出现周期性高峰这提示存在年度季节性。此时应该点击View→Correlogram设置滞后阶数为36勾选Partial Autocorrelations同时观察偏自相关使用Q-statistic的p值判断显著性2.3 单位根检验的玄机ADF检验有三种形式需要根据情况选择无截距无趋势Option选择None有截距无趋势选择Intercept有截距有趋势选择Trend and intercept最近帮客户分析原油价格时误选了带趋势项的检验导致错误接受原假设。后来通过以下步骤纠正先做带趋势项的检验若趋势项p值0.1则改用截距项观察序列折线图辅助判断对不确定的序列同时做PP检验交叉验证3. ARIMA建模五步法以电商销售预测为例3.1 数据预处理关键操作处理某母婴品牌销售数据时遇到典型问题存在618/双十一的极端值用Genr创建虚拟变量春节导致的月份缺失Proc→Resample调整频率疫情期间异常值Quick→Generate by Equation做Winsorize处理 处理缺失值的实用命令 series sales_adj recode(isna(sales), movav(sales,3), sales)3.2 模型定阶的实用技巧通过自相关图定阶时容易犯两个错误把季节性截尾误认为普通截尾忽略残差的白噪声检验我的经验法则是非季节性滞后看前6期季节性滞后看12/24期用View→Residual Diagnostics→Correlogram-Q-statistics验证3.3 参数估计的陷阱规避某次建立ARIMA(1,1,1)模型时遇到AR项系数接近10.98模型收敛但预测发散解决方法改用Estimate→ARMA Options中的ML估计添加Bounded参数约束检查差分次数是否过度4. 模型优化与诊断从能用走向好用4.1 信息准则的灵活运用比较模型时不要只看AIC小样本优先考虑BIC预测优先考虑AIC参数过多时参考HQ准则在预测季度GDP时发现ARIMA(2,1,2)的AIC最小但预测效果差最终选择AIC次优但结构更简的ARIMA(1,1,0)4.2 残差诊断的进阶检查除了常规的白噪声检验还要做Histogram-Normality Test检验正态性通过Recursive Estimates观察参数稳定性使用CUSUM Test检测结构突变4.3 预测效果的提升策略实际项目中总结的三种增强方法组合预测将ARIMA与指数平滑结果加权平均干预分析对特殊事件添加虚拟变量动态更新设置滚动窗口重新估计参数 动态预测的示例代码 smpl 2020m1 2023m6 equation eq1.arima(1,1,1) eq1.forecast(fnahead) pred for !i1 to 12 smpl 2020m1 2023m6!i eq1.update eq1.forecast(fnahead) pred_{!i} next最后提醒所有模型都要用最新数据验证。去年做的消费预测模型今年因消费习惯变化就需要重新调整参数。时间序列分析就像照顾植物需要持续观察和修剪才能保持活力。