610050699B0250664B2εt
R201948
2R01577
AIC准则76898SC准则78193
对于ARMA（12）模型估计，其命令形式为：lsyieldcar1ma1ma2。

f
四、模型诊断检验
ARMA模型参数估计后，应该检验模型的确认是否正确，通常是对模型的残差序列进行白噪声检验。
图4模型ARMA12的残差相关图和Q统计量
对残差序列进行白噪声检验，可以看出ACF和PACF都没有显著异于零，Q统计量的P值都远远大于005，因此可以认为残差序列为白噪声序列，模型信息提取比较充分。
常数和滞后一阶参数的P值都很小，参数显著；因此整个模型比较精简，模型较优。
在模型检验之后，我们还可以对模型优化，模型优化的主要判断标准就是AIC准则和SC准则。在几个模型都符合要求，且也都有效参数显著，这个时候我就要通过比较AIC准则和SC准则，从而来确定最终的模型，当然是AIC准则和SC准则越小越优。
五、模型预测
通过上述的分析我们知道，模型ARMA12是合适的，因此，我们就基于它来进行预测。

f
在这我们利用模型对65到70的这几个数据进行预测，预测结果如下图：
80
ForecastXF
ActualX
70
Forecastsample6570
I
cludedobservatio
s6
60
RootMea
SquaredError1285548
Mea
AbsoluteError
9475397
Mea
AbsPerce
tError3097303
50
TheilI
equalityCoefficie
t0131232
BiasProportio

0181260
Varia
ceProportio

0586456
40
Covaria
ceProportio
0232284
30
20
65
66
67
68
69
70
XF
2SE
图5模型预测图
我们下面给出预测和实际值的对比表：
表265期到70期的yield预测值和实际值
实际值预测值
6539456851
6659553374
6740499306
6857515793
6954510765
7023512298
从预测的效果来看，预测值和实际值之间还是存在比较大的差距的。因此，我们还有必要选择更好的ARMA模型或者其他模型来提高预测的精度。

fr