计量经济什么是白噪音

㈠ 单位根检验有哪些

问题一：单位根检验 5分 投入为序列x，收入为序列y，导入数据后并选xy，open as group做散点图可以观察到数据有向上的趋势，随x的增加y也增加，说明数据有趋势
打开序列，选view，unit root test，单位根检验又称ADF检验，test type不需要改
主要需要注意的选项是 test for unit root in level表示对原序列进行单位根检验
1st difference 表示对一阶差分后的序列进行单位根检验
2nd difference 表示对二阶差分后的序列进行单位根检验
一般单位根检验都是对原序列，此处选 level
include in test equation 下的三个选项分别是，截距项，截距项和趋势，none（针对平稳的时间序列来说是既无截距项又无趋势）由图可知数据存在趋势，此处选trend and intercept
请采纳答案，支持我一下。

问题二：单位根检验的根据什么确定 单位根检验是指检验序列中是否存在单位根，因为存在单位根就是非平稳时间序列了。单位根就是指单位根过程，可以证明，序列中存在单位根过程就不平稳，会使回归分析中存在伪回归。
中文名
单位根检验
外文名
Unit root test
单位根检验
是指检验序列中是否存在单位根
单位根
就是指单位根过程，可以证明
对于存在
单位根的时间序列
简介 听语音
单位根检验是随机过程的问题。定义随机序列{ x_t}，t=1,2,…是一单位根过程，若x_t=ρx_t-1 +ε ， t=1,2… 其中ρ=1，{ε }为一平稳序列(白噪音)，且E[ε ]=0, V(ε )=σ 问题三：有谁懂单位根检验？？ 15分 单位根就是说，如果设n 是正整数，当一个数的n 次乘方等于1 时，称此数为n 次“单位根”

问题四：单位根检验、协整、格兰杰因果检验有什么关系？ 单位根检验、协整检验和格兰杰因果关系检验三者之间的关系 实证检验步骤：先做单位根检验，看变量序列是否平稳序列，若平稳，可构造回归模型等经典计量经济学模型；若非平稳，进行差分，当进行到第i次差分时序列平稳，则服从i阶单整（注意趋势、截距不同情况选择，根据P值和原假设判定）。若所有检验序列均服从同阶单整，可构造VAR模型，做协整检验（注意滞后期的选择），判断模型内部变量间是否存在协整关系，即是否存在长期均衡关系。如果有，则可以构造VEC模型或者进行Granger因果检验，检验变量之间“谁引起谁变化”，即因果关系。一、讨论一1、单位根检验是序列的平稳性检验，如果不检验序列的平稳性直接OLS容易导致伪回归。2、当检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验，但要做格兰杰检验的前提是数据必须是平稳的，否则不能做。3、当检验的数据是非平稳（即存在单位根），并且各个序列是同阶单整（协整检验的前提），想进一步确定变量之间是否存在协整关系，可以进行协整检验，协整检验主要有EG两步法和JJ检验A、EG两谈咐步法是基于回归残差的检验，可以通过建立OLS模型检验其残差平稳性B、JJ检验是基于回归系数的检验，前提是建立VAR模型（即模型符合ADL模式）4、当变量之间存在协整关系时，可以建激蔽立ECM进一步考察短期关系，Eviews这里还提供了一个Wald－Granger检验，但此时的格兰杰已经不是因果关系检验，而是变量外生性检验，请注意识别 二、讨论二1、格兰杰检验只能用于平稳序列！这是格兰杰检验的前提，而其因果关系并非我们通常理解的因与果的关系，而是说x的前期变化能有效地解释y的变化，所以称其为“格兰杰原因”。2、非平稳序列很可能出现伪回归，协整的意义就是检验它们的回归方程所描述的因果关系是否是伪回归，即检验变量之间是否存在稳定的关系。所以，非平稳序列的因果关系检验就是协整检验。3、平稳性检验有3个作用：1）检验平稳性，若平稳，做格兰杰检验，非平稳，作协正检验。2）协整检验中要用到每个序列的单整阶数。3）判断时间学列的数据生成过程。 三、讨论明侍州三其实很多人存在误解。有如下几点，需要澄清：第一，格兰杰因果检验是检验统计上的时间先后顺序，并不表示而这真正存在因果关系，是否呈因果关系需要根据理论、经验和模型来判定。第二，格兰杰因果检验的变量应是平稳的，如果单位根检验发现两个变量是不稳定的，那么，不能直接进行格兰杰因果检验，所以，很多人对不平稳的变量进行格兰杰因果检验，这是错误的。第三，协整结果仅表示变量间存在长期均衡关系，那么，到底是先做格兰杰还是先做协整呢？因为变量不平稳才需要协整，所以，首先因对变量进行差分，平稳后，可以用差分项进行格兰杰因果检验，来判定变量变化的先后时序，之后，进行协整，看变量是否存在长期均衡。第四，长期均衡并不意味着分析的结束，还应考虑短期波动，要做误差修正检验。

问题五：趋势性检验中,进行单位根检验的意义是什么 对非平稳序列使用传统的估计方法时(像普通最小二乘估计OLS)，以及估计变量间的关系时会得出错误推断。正确的方法是在检验时间趋势之前，要先确定时间序列中是否存在单位根。如果变量不能拒绝有单位根，则认为是非平稳的。如果经过单位根检验得到所研究的序列是非平稳的，可以通过一次或多次差分变为平稳序列。

问题六：EVIEWS中怎么对多个变量 单位根检验以及回归分析 30分 你问的问题太多
比如吧，第一个问题，那是当然的，必须的
第二个问题，没有必须的要求的
滞后项就是常识性问题了
所以呢，你的问题太常识太基础了，如果不会做数据分析的话，让人帮你
我经常帮别人做这类的数据分析的

问题七：Eviews单位根检验结果怎么看 10分 看ADF那一行的p值，越接近0越说明序列是平稳的，第一个p=0.0526，在10%上通过平稳性检验，在5%上不通过，第二个p=0.0730，也是在10%上通过5%上不通过

问题八：时间序列单位根检验问题 1.建立workfile 然后将序列打开 在view中可以找到unit root test 进入后是用ADF检验 设定滞后期数 得到结果
2.分别对两组时间序列进行单位根检验，检查它们的平稳性。非平稳序列之间的关系可能是伪回归。同时也可鸡存在协整关系，得到回归方程后，使用单位根检验残差序列的平稳性。

问题九：怎么用R语言做单位根检验 R语言做单位根检验的几个方法：
一是用fUnitRoots包中的UnitrootTests()和adfTest()
二是用tseries包中的adf.test()和pp.test()
用法都基本类似，可以看一下help的example
希望对你有用。

㈡ 计量经济学中的"白噪声"是什么概念

白噪声(White Noise)中各个频点/频段具有相同的电中漏平/能量，如100～200Hz与1000～1100Hz范围内的噪声能量是相同的，但由于人耳前首的听觉特性对高频较敏感，实际听到的是明亮的“咝咝”声。电视机无信号时的背景噪声和调频收音机无台时的背景噪声均是白噪声。白噪声可用来测量扬声器和耳机的谐振和灵敏度等卖悔烂。

㈢ 计量经济学中，“白噪声”通俗的讲，是什么意

很多种举拍来源：
1、模型中没有引入亮族进来的自变量
2、变量的测量误正键羡差
3、变量的波动
4、。。。

㈣ 计量经济学数理推导

        

        随机误差项

        

        

        残差项

        

    ①线性回归模型→正确型塌的变量集&函数形式

    ② 是固定的或独立于误差项→

    ③不存在设定偏误→

    ④同方差性→

    ⑤干扰项无自相关→

    ⑥观测次数大于待估参数个数

    ⑦ 性质良好→ 具有足够变异性且

        估计值：

    其中

        估计方法：①最小二乘法（OLS）；②最大似然法（ML）；③参数估计矩法（MM）

    ①线性性

        记

        则

    ②无偏性

        

        

        则

    ③有效性

        

        

    ④一致性

        

        

        

        

    ①随机误差项方差的预测值：

        OLS下，

        ML下，

    ②总体条件均值的预测值：

        

        

        

    ③总体个别值的预测值：

        

        

    ①异方差性；②序列相关性；③多重共线性；④随机解释变量

    ①虚拟变量模型；②滞后变量模型；③模型设定偏误

    ①选择性样本模型；②二元离散选择模型；③平行数据模型

        称时间序列 为宽平稳过程，若：

    ① ；② ；③

        均与时间 无关

        总体ACF：

        样宴租轮本ACF：

         与 之间消除了中间变量 带来的间接相关后的直接相关性

        白噪音

    ① ；② ；③

    ①DF检验

        

    ②ADF检验

        Ⅰ：

        Ⅱ：

        Ⅲ：

        

    ①自回归过程AR(p)

        

    ②移动平均过程MA(q)

        

    ①自回归过程AR(p)

        

        

        特征方程

        必要条件：

        充分条件：

    ②移动平均过程MA(q)

        

        

        ... 晌信   ...

        

        有限阶协方差总是平稳的

    ①自回归过程AR(p)

        ACF：

        PACF：

        ACF拖尾，PACF截尾

    ②移动平均过程MA(q)

        ACF：

        ACF截尾，PACF拖尾

㈤ 什么是鞅什么是白噪音他们有什么用途

鞅是指去了毛的兽皮，就是指套在马颈或马腹上的皮带。泛指牲口拉车时的器具。

白噪音是一种功率频谱密度为常数的随机信号或随机过程。在一段声音中的频率分量的功率在整个可听范围（0～20KHZ）内都是均匀的。由于人耳对高频敏感，这种声音听上去是很吵耳的沙沙声。

鞅的用途是通过套在马颈或马腹上，固定拉车的马匹。

白噪音的用途利用白噪音来停止婴儿的哭泣；帮助些经常受到环境噪音污染的人群恢复工作效率。

(5)计量经济什么是白噪音扩展阅读：

白噪声信号在各个频段上的功率是一样的，由于白光是由各种频率（颜色）派行的单色光混合而成，因而此信号的这种具有平坦功率谱岁嫌的性质被称作是“白色的”。

理想的白噪声具有无限带宽，因而其能量是无限大，这在现实世界是不可能存在的。实际上，人们常常将有限带宽的平整讯号视为白噪音，因为这让人们在认知分析上更加方便。

参考资料来源：

网络——鞅尘雀哗

网络——白噪音

㈥ 怎样用eviews进行白噪声检验

可以打开eviews中的resid序列并将差分阶数选择为level，看伴随p值的大小即可，如果伴随p值大说明对应的白噪声也较大。

只要一个噪声过程所具有的频谱宽度远远大于它所作用系统的带宽，并且在该带宽中其频谱密度基本上可以作为常数来考虑，就可以把它作为白噪声来处理。

Eviews处理的基本数据对象是时间序列，每个序列有一个名称，只要提及序列的名称就可以对序列中所有的观察值御贺进行操作，Eviews允许用户以简便的可视化的方式从键盘或磁盘文件中输入数据。

根和森据已有的序列生成新的序列，在屏幕上显示序列或打印机上打印输出序列，对序列之间存在的关系进行统计分析。

(6)计量经济什么是白噪音扩展阅读：

eviews的优点：

EViews是在Windows操作系统中计量经济学软件里世界性领导软件。强而有力和灵活性加上一个便于使用者操作的界面；最新的建模工具，快速直觉且容易使用的软件。

由于它革新的图表使用者界面和精密的分析引擎工具，EViews 是强唤拆亩大，灵活性和便于使用的功能。EViews 预测分析计量软件在科学数据分析与评价、金融分析、经济预测、销售预测和成本分析等领域应用非常广泛。

EViews软件在Windows环境下运行，操作接口容易上手，使得本来复杂的数据分析过程变得易学易用。

㈦ 计量经济学中的DF检验和ADF检验

一、DF检验：随机游走序列Xt=Xt-1+μt是非平稳的，其中μt是白噪声。而该序列可看成是随机模型Xt=ρXt-1+μt中参数ρ=1时的情形戚烂。

零假设H0：δ=0；备择假设H1：δ<0可通过OLS法估计Xt=α+δXt-1+μt并计算t统计量的值，与DF分布表中给定显着性水平下的临界值比较：如果：t<临界值，则拒绝零册埋假设H0：δ=0，认为时间序列不存在单位根，是平稳的。

二、ADF检验：在DF检验中，实际上是假定了时间序列是由具有白噪声随机误差项的一阶自回归过程AR（1）生成的。

但在实际检验中，时间序列可能由更高阶的自回归过程生成的，或者随机误差项并非是白噪声，为了保证DF检验中随机误差项的白噪声特性，Dicky和Fuller对DF检验进行了扩充，形成了ADF（AugmentDickey-Fuller）检验。

独立四格表资料检验

四格表资料的卡方检验用于进行两个率或两个构成比的比较。

1、专用公式：

若四格表资料四个格子的频数分别为a，b，c，d，则四格表资料卡方检验的卡方值=n(ad-bc)^2/(a+b)(c+d)(a+c)(b+d)，（或者使用拟合度公式）

自由度v=（行数-1）（列数-1）=1

2、应用条件：

要求样本含量应大于40且每个格子中的理论频数不应小于5。当样本含量大于40但有1=<理论频数<5时，卡方值需要校正，当样本含量小于40或理论频数小于1时只能用州仔蚂确切概率法计算概率。

以上内容参考：网络-卡方检验

㈧ 时间序列基础

1.随机时姿埋序分析的基本概念
1）随机变量：简单的随机现象，如某班一天学生出勤人数，是静态的。
2）随机过程：随机现象的动态变化过程。动态的。如某一时期各个时刻的状态。
所谓随机过程，就是说现象的变化没有确定形式，没有必然的变化规律。用数学语言来说，就是事物变化的过程不能用一个（或几个）时间t的确定的函数来描述。
如果对于每一特定的t属于T（T是时间集合），X(t)是一个随机变量，则称这一族无穷多个随机变量{X(t),t属于T}是一个随机过程。

2.白噪声序列
1）纯随机过程：随机变量X（t）（t=1，2，3……），如果是由一个不相关的随机变量的序列构成的，即对于所有s不等于k，随机变量Xs和Xk的协方差为零，则称其为 纯随机过程 。
2）白噪声过程：如果一个纯随机过程的期望和方差均为常数，则称之为 白噪声过程 。白噪声过程的样本实称成为白噪声序列，简称白噪声。
3）高斯白噪声序列：如果白噪声具体是服从均值为0、方差为常数的正态分布，那就是 高斯白迹销蚂噪声序列 。

3.平稳性序列
1）平稳性可以说是时间序列分析的基础。平稳的通俗理解就是时间序列的一些行为不随时间改变， 所谓平稳过程就是其统计特性不随时间的平移而变化的过程。
2）即时间序列内含的规律和逻辑，要在被预测的未来时间段内能够延续下去。这样我们才能用历史信息去预测未来信息，类似机器学习中的训练集和测试集同分布。
3）如果时间序列的变化是没有规律的、完全随机的，那么预测模型也就没有用。
4）平稳性的数学表达：如果时间序列在某一常数附近波动且波动范围有限，即有常数均值和常数方差，并且延迟k期的序列变量的自协方差和自相关系数是相等的或者说斗枯延迟k期的序列变量之间的影响程度是一样的，则称该序列为平稳序列。简单说就是没有明显趋势且波动范围有限。

4.严平稳/强平稳
1）通俗来说，就是时间序列的联合分布随着时间变化严格保持不变。
2）数学表达：如果对所有的时刻 t， (yt1,yt2,…ytm)的联合分布与(y(t1+k),(yt2+k),…y(tm+k))的联合分布相同，我们称时间序列 {yt} 是严平稳的。也就是时间序列的联合分布在时间的平移变换下保持不变。

5.弱平稳
1）数学表达：均值不变，协方差Cov（yt，y(t-k)）=γk，γk依赖于k。
2）即协方差也不随时间改变，而仅与时间差k相关。
3）可以根据根据时间序列的折线图等大致观察数据的（弱）平稳性：*所有数据点在一个常数水平上下以相同幅度波动。
4）弱平稳的线性时间序列具有短期相关性（证明见参考书），即通常只有近期的序列值对现时值得影响比较明显，间隔越远的过去值对现时值得影响越小。至于这个间隔，也就是下面要提到的模型的阶数。

6.严平稳和弱平稳的关系
1）严平稳是一个很强的条件，难以用经验的方法验证，所以一般将弱平稳性作为模型的假设条件。
2）两者并不是严格的包含与被包含关系，但当时间序列是正态分布时，二者等价。

7.单位根非平稳序列（可转换为平稳序列的非平稳序列）
在金融数据中，通常假定资产收益率序列是弱平稳的。但还有一些研究对象，比如利率、汇率、资产的价格序列，往往不是平稳的。对于资产的价格序列，其非平稳性往往由于价格没有固定的水平，这样的非平稳序列叫做单位根（unit-root）非平稳序列。
1）最着名的单位根非平稳序列的例子是随机游走（random walk）模型：
pt=μ+p(t-1)+εt
μ是常数项（漂移：drift）。εt是白噪声序列，则pt就是一个随机游走。它的形式和AR模型很像，但不同之处在于，AR模型中，系数的模需要小于1，这是AR的平稳性条件，而随机游走相当于系数为1的AR公式，不满足AR模型的平稳性条件。
随机游走模型可作为（对数）股价运动的统计模型，在这样的模型下，股价是不可预测的。因为εt关于常数对称，所以在已知p(t-1)的条件下，pt上升或下降的概率都是50%，无从预测。
2）带趋势项的时间序列
pt=β0+β1*t+yt，yt是一个平稳时间序列。
带漂移的随机游走模型，其均值和方差都随时间变化；而带趋势项的时间序列，其均值随时间变化，但方差则是不变的常数。
单位根非平稳序列可以进行平稳化处理转换为平稳序列。比如用差分法处理随机游走序列，用用简单的回归分析移除时间趋势处理带趋势项的时间序列。

建立具体的模型,需解决如下三个问题模型的具体形式、时序变量的滞后期以及随机扰动项的结构。

μ是yt的均值；ψ是系数，决定了时间序列的线性动态结构，也被称为权重，其中ψ0=1；{εt}为高斯白噪声序列，它表示时间序列{yt}在t时刻出现了新的信息，所以εt称为时刻t的innovation（新信息）或shock（扰动）。
线性时间序列模型，就是描述线性时间序列的权重ψ的计量经济模型或统计模型，比如ARIMA。因为并非所有金融数据都是线性的，所以不是所有金融数据都适合ARIMA等模型。

①自回归模型（AR）
用变量自身的历史时间数据对变量进行回归，从而预测变量未来的时间数据。
p阶（滞后值，可暂理解为每个移动窗口有p期）自回归公式即AR(p)：

②移动平均模型（MA）
移动平均模型关注的是误差项的累加，能够有效消除预测中的随机波动。
可以看作是白噪声序列的简单推广，是白噪声序列的有限线性组合。也可以看作是参数受到限制的无穷阶AR模型。

③自回归移动平均模型（ARMA）
有时候，要用很多阶数的AR和MA模型（见后面的定阶问题），为解决这个问题提出ARMA模型。
对于金融中的收益率序列，直接使用ARMA模型的时候较少，但其概念与波动率建模很相关，GARCH模型可以认为是对{εt}的ARMA模型。

④自回归差分移动平均模型（ARIMA）
ARIMA比ARMA仅多了个"I"，代表的含义可理解为 差分。
一些非平稳序列经过d次差分后，可以转化为平稳时间序列。我们对差分1次后的序列进行平稳性检验，若果是非平稳的，则继续差分。直到d次后检验为平稳序列。

⑤一般分析过程
1、 平稳性检验
ADF检验（单位根检验）：这是一种检查数据稳定性的统计测试。
原假设（无效假设）：时间序列是不稳定的。
2、 平稳化处理
平稳化的基本思路是：通过建模并估计趋势和季节性这些因素，并从时间序列中移除，来获得一个稳定的时间序列，然后再使用统计预测技术来处理时间序列，最后将预测得到的数据，通过加入趋势和季节性等约束，来还原到原始时间序列数据。
2.0 对数变换
对某些时间序列需要取对数处理，一是可以将一些指数增长的时间序列变成线性增长，二是可以稳定序列的波动性。对数变换在经济金融类时间序列中常用。
2.1 差分法
如果是单位根非平稳的（比如随机游走模型），可以对其进行差分化。它能让数据呈现一种更加平稳的趋势。差分阶数的选择通常越小越好，只要能够使得序列稳定就行。
2.2 平滑法
移动平均、指数加权移动平均
注：经差分或平滑后的数据可能因包含缺失值而不能使用检验，需要将缺失值去除
2.3 分解法
建立有关趋势和季节性的模型，并从模型中删除它们。
3 、建立模型：模型选择和模型的定阶
模型的选择即在AR、MA、ARMA、ARIMA中间如何选择。
模型的定阶即指定上面过程中产生的超参数p、q和d（差分的阶数）。
（1）用ACF和PACF图判断使用哪种线性时间序列模型
AR模型：ACF拖尾，PACF截尾，看PACF定阶。
MA模型：ACF截尾，PACF拖尾，看ACF定阶。
ARMA模型：都拖尾。（EACF定阶）
截尾：在某阶后 迅速 趋于0（后面大部分阶的对应值在二倍标准差以内）；
拖尾：按指数衰减或震荡，值到后面还有增大的情况。
ARIMA模型：适用于差分后平稳的序列。
（2）利用 信息准则 函数选择合适的阶
对于个数不多的时序数据，可以通过观察自相关图和偏相关图来进行模型识别，倘若要分析的时序数据量较多，例如要预测每只股票的走势，就不可能逐个去调参了。这时可以依据AIC或BIC准则识别模型的p, q值，通常认为AIC或BIC值越小的模型相对更优。
AIC或BIC准则综合考虑了残差大小和自变量的个数，残差越小AIC或BIC值越小，自变量个数越多AIC或BIC值越大。AIC或BIC准则可以说是对模型过拟合设定了一个标准。
AIC （Akaike information criterion，赤池信息度量准则）
AIC=2k-2ln(L)
· BIC （Bayesian information criterion，贝叶斯信息度量准则）
BIC=kln(n)-2ln(L)
k为模型的超参数个数，n为样本数量，L为似然函数。
类比机器学习中的损失函数=经验损失函数+正则化项。
模型选择标准：AIC和BIC越小越好（在保证精度的情况下模型越简单越好）
4 、模型检验和评估（之前应切分训练集和验证集）
检验残差是否符合标准（QQ图）：是否服从均值为0，方差是常数的正态分布（εt是否是高斯白噪声序列）。
拟合优度检验（模型的评估）：R ^{2和调整后的R} 2（R^2只适用于平稳序列）。
5 、预测
如果之前进行了标准化、差分化等，需要进行还原：
标准化的还原要注意是log(x+1)还是log(x)。

1 、基础概念
波动率
在期权交易中，波动率是标的资产的收益率的条件标准差。之前的平稳序列假设方差为常数，但当序列的方差不是常数时，我们需要用波动率对其变化进行描述。
对于金融时间序列，波动率往往具有以下特征：
存在波动率聚集（volatility cluster）现象。 即波动率在一些 时间段 上高，一些时间段上低。
波动率以连续时间变化，很少发生跳跃。
波动率不会发散到无穷，而是在固定的范围内变化（统计学角度上说，其是平稳的）
杠杆效应：波动率对价格大幅上升和大幅下降的反应是不同的。
波动率模型/条件异方差模型
给资产收益率的波动率进行建模的模型叫做条件异方差模型。这些波动率模型试图刻画的数据有这样的特性： 它们是序列不相关或低阶序列相关的(比如股票的日收益率可能相关，但月收益率则无关)，但又不是独立的 。波动率模型就是试图刻画序列的这种非独立性。
定义信息集F(t-1)是包含过去收益率的一切线性函数，假定F(t-1)给定，那么在此条件下时间序列yt的条件均值和条件方差分别表示为：

㈨ 计量经济学中的滞后期有什么用。应该怎么确定滞后期

时间序列分析

一般是Box-Jenkins的方法
把因变量的滞后项作为自变量
y_t = b0 + b1*y_{t-1} + b2*y_{t-2} + ... + bp*y_{t-p} + u_t
这样的模型确定滞后阶数p的方法是
1. y_t满足covariance-stationarity 也就是对于任意t 均值不变 方差不变 协方差只是间隔项数的函数
2. u_t是白噪声而不出现序列相关
3. p的确定遵循parsimony的原则 国内应该翻译为“精简”
一般构造AIC和 SBC两个指标来比较 这两个指标越小越好
AIC = T * ln(残差平方和) + 引入p阶的惩罚
SBC相似
也就是说首先残差平方和应该越小说明自变量也就是滞后阶数的解释能力强 不过呢引入的滞后项数越多 残差平方和应该越来越小 所以要看有效性 便加入一个惩罚 使得模型精简 原理和adjusted R^2一样
AIC适合小样本 SBC适合大样本
然后这两个信息标准都在一般的回归软件中列了出来
比较其中最小的就是合适的p阶滞后
但是一定要保证残差是白噪声

㈩ eviews软件计算Arma（2,1）参数及白噪声方差

在得到参漏核茄数值那个界面中，参数值下有Sum squared resid 即为残差平返察方和RSS（计量经济学），
方差=RSS/(n-k-1), n为观测值的个数，k为变量个数，该题中为3，代入数据可氏搭得到方差值