9. Table P-9 contains a time series of 80 observations.

Using a computer program

for ARIMA modeling, obtain a plot of the data, the sample autocorrelations, and the
sample partial autocorrelations. Develop an appropriate ARIMA model, and
generate forecasts for the next three time periods from forecast origin t = 80.
Chạy phần mềm Minitab  Time series  Autocorrelation
Được kết quả:

Autocorrelation Function for Yt

(with 5% significance limits for the autocorrelations)

1,0

0,8

0,6

0,4
Autocorrelation

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

2 4 6 8 10 12 14 16 18 20
Lag

Autocorrelations
La AC
g F T LBQ

1 -0,879120 -7,86 64,18 1 0,053154 0,19 230,78

0
2 0,802273 4,50 118,31
1 -0,010721 -0,04 230,79
3 -0,664269 -3,03 155,90
1
4 0,594062 2,45 186,36
1 -0,023342 -0,08 230,84
5 -0,477534 -1,83 206,31 2
6 0,397962 1,47 220,35 1 0,079117 0,28 231,46
7 -0,277007 -1,00 227,24 3

8 0,167998 0,60 229,81 1 -0,151224 -0,53 233,73

4
9 -0,087067 -0,31 230,51
 1 0,211328 0,74 238,24 1 -0,331408 -1,13 262,96
5 8
1 -0,241473 -0,84 244,21 1 0,363233 1,22 277,15
6 9
1 0,261595 0,90 251,34 2 -0,386427 -1,28 293,47
7 0

Chạy phần mềm Minitab  Time series  Partial Autocorrelation

Được kết quả:

Partial Autocorrelation Function for Yt

(with 5% significance limits for the partial autocorrelations)

1,0

0,8

0,6
Partial Autocorrelation

0,4

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

2 4 6 8 10 12 14 16 18 20
Lag

Partial Autocorrelations
La PAC
g F T

1 -0,879120 -7,86 7 0,122583 1,10

2 0,129520 1,16 8 -0,161226 -1,44
3 0,284501 2,54 9 -0,160483 -1,44
4 0,159707 1,43 1 0,133339 1,19
0
5 0,145787 1,30
1 0,112677 1,01
6 -0,044744 -0,40
1
 1 -0,021299 -0,19 1 0,008447 0,08
2 7
1 0,109436 0,98 1 -0,259493 -2,32
3 8
1 -0,218033 -1,95 1 -0,096814 -0,87
4 9
1 -0,004183 -0,04 2 0,158774 1,42
5 0
1 0,031295 0,28
6

 Dựa vào biểu đồ ACF và biểu đồ PACF, có thể thấy dữ liệu phù hợp với mô hình
AR(1).

ARIMA Model: Yt
Final Estimates of Parameters
T-
Type Coef SE Coef Value P-Value

AR   1 -0,9377 0,0489 -19,17 0,000

Constan 109,628 0,611 179,57 0,000
t
Mean 56,576 0,315    

Number of observations:  80

Residual Sums of Squares

D
F SS MS

78 2325,19 29,8102
Back forecasts excluded

Modified Box-Pierce (Ljung-Box) Chi-Square Statistic

Lag 12 24 36 48

Chi- 24,81 39,4 73,96 83,88

Square 2
DF 10 22 34 46
P-Value 0,006 0,01 0,000 0,001
 3

Vì chi-sq cho sai số của mô hình tự tương quan = 24,81  mô hình AR(1) được sử dụng
này là chưa phù hợp. Đề xuất cải thiện mô hình bằng cách thêm MA ở lag2.

Dự báo 3 thời đoạn tiếp theo tính từ t = 80:

Forecasts from period 80

95% Limits
Perio
d Forecast Lower Upper Actual

81 29,9234 19,2199 40,6269  

82 81,5688 66,8957 96,2419  
83 33,1408 15,7088 50,5728