1.打开 eviews 软件，点击 file-new-workfile，见对话框又三块空白处，选择 时间序列 dated-regular frequency。在 date specification 中选择 monthly，start（起始时间）输入 2005M11，end（终止时间）输入 2008M6（eviews 的时间序列没有间隔序列输入就将时间进行调整） 。右下角为 工作间取名字 tmd。点击 ok。 在所创建的 workfile 中点击 object-new object，选择 series，以及填写名字 tmd，点击 OK。将数据填写入内就生成了以 tmd 为名的数据集 2. 点击 view-United root test，test type 选择 ADF 检验，滞后阶数中 lag length 选择 SIC 检验，点击 ok 得结果如下：一阶差分一阶差分：点击 GENR 命令按钮，在输入框中输入 bod1=D(bod)，得到一阶差分后的结果： 再对一阶差分后的数据同样进行平稳性检验（单根值检验）ADF序列零均值化序列零均值化1 在命令窗口输入如下命令（如下图所示）：Scalar m=mean(tmd) 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） 。 在 tmd 窗口下选择菜单操作方式：单击 Genr 在对话框中输入 BOD1=BOD-m 得到零均值后的新序列 tmd1 与之前的数据完全不同。 3. 在工作区双击序列图标 tmd1，再选用菜单操作方式：View Correlogram，在出现的对话框点击 OK。4.4. 估计模型中的未知参数估计模型中的未知参数识别透明度这组时间序列适合的模型后，需要进一步的估计模型中的具体 参数，下面就用 eviews 软件进行估计。 由前面的图形看出：自相关系数和偏相关系数具有相似的衰减特点：衰减快 ，偏相关图中，2 阶以后函数值趋于 0，呈截尾性选 AR(2)；而在自相关图中， 在 4 阶以后函数值趋于 0，呈拖尾性，因此可将 q 取 3 故可选 MA(3)模型。 利用菜单操作建立 ARMA 模型。在主窗口选择 Quick/Estimate Equation。进去 方程定义对话框。在方程定义栏类似输入：fc2 ma(1) ar(1) 5. 先将样本量扩大，在命令窗口输入 expand 2008m07 2009m12 在结果窗口点击“Forecast” ，：在 Eviews 中有两种预测方式：“Dynamic”和“Static”，前者是根据所选择的 一定的估计区间，进行多步向前预测；后者是只滚动的进行向前一步预测，即 每预测一次，用真实值代替预测值，加入到估计区间，再进行向前一步预测。 我们首先用前者来估计 2008 年 8 月到 2009 年 12 月 tmd1f，在“Sample range for forecast”空白栏中键入“2008M8 2009M12”（如上图所示） ，在“S.E.(optional)” 空白栏中键入 t2，选择“Dynamic”,点击“OK”，在表 t2 中得到预测结果。在生成的表 t2 中可以得出下表（时间重新调整为间隔为两个月）