1、模型识别 （1） 数据录入 打开 Eviews 软件，选择“File”菜单中的“New–Workfile”选项，在“Workfile structure type” 栏选择Dated-regular frequency，在Date specification栏中选择Monthly，start date填2017:1、end date填2019:12，点击 ok，如下图，这样就建立了一个工作文件。

（2）绘制序列时序图 双击序列sale，点击 view/Graph/line，出现下面的的序列时序图，从时序图看出该序列没有明显的趋势或者周期特征，应该后续使用其他的统计方法。

（3）绘制序列相关图

从相关图看出，自相关系数迅速衰减为 0，说明序列平稳，但最后一列白噪声检验的 Q 统计量和相应的伴随概率表明序列存在相关性，因此序列为平稳非白噪声序列。

（4）ADF 检验序列的平稳性 点击 view/unit root test出现如下图 从图4中可以看出p值远小于显著水平，表明拒绝存在一个单位根的原假设，序列平稳。

（5）模型定阶 偏自相关系数在 k=2 后很快趋于0即4阶截尾，尝试拟合 AR（2）； 自相关系数在k=1处显著不为0，当 k=2 时在2倍标准差的之间，可以考虑拟合 MA（1）；同时可以考虑 ARMA（2，1）模型等。

在序列工作文件窗口点击 View/Descriptive Statistics/Histogram and States 对原序列做描 述统计分析如图 从图中可看出序列均值非 0，我们通常对0均值平稳序列做建模分析，所以需要在原序列基础上生成一个新的0均值序列。点击主菜单Quick/Generate Series，在对话框中输入赋值语句Series x=sale-9.206389，回车则生成新序列 x，这个序列是0均值 的平稳非白噪声序列，新序列的描述统计量见图，相当于在原序列基础上作了个整体平移，所以统计特性没有发生根本改变。我们对序列 x 进行分析。

2、模型参数估计 （1）尝试AR模型，经过模型识别所确定的阶数，可以初步建立AR (2)模型，在主菜单选择 Quick/Estimate Equation，在方程定义空白区键入 x ar(1) ar(2) （2）尝试 MA 模型, 在主菜单选择 Quick/Estimate Equation，出现图 2-10 的方程定义对话框， 在方程定义空白区键入 x ma(1) （3）尝试 ARMA 模型 由模型定阶发现，p 可能等于1或2，q 可能等于1，我们根据各种组合来选择最优模型，在主窗口命令栏输入 ls x ar(1) ma(1)，按回车，即得到参数估计 由参数估计结果看出，AR（2）系数不显著，说明模型并不适合拟合 ARMA(2，1) 模型。 综上可见，我们可以对同一个平稳序列建立多个适合模型，但比较 AIC 和 SC 的值，以及综合考虑其他检验统计量，考虑模型的简约原则，ARMA（1，1）模型是较优选择。

3、模型检验 相关图显示，残差为白噪声，也显示拟合模型有效

4、模型预测 用拟合的有效模型进行短期预测， 预测值存放在 XF 序列中，此时我们可以观察原序列 x 和 xf 之间的动态关系，同时选中 x 和 xf，击右键，点 open/as group，然后点击 view/graph/line，则出现如下图动态预测值 几乎是一条直线，说明动态预测效果很不好。 进行静态预测，如下图可以看出静态预测效果不错 结论：x 的未来一个月的预期值为-1.826207，并且sale的均值是9.206389，即可以得出未来一个月的税收缴纳为7.380182

对于ARMA模型的阶数识别没有唯一结果，因为平稳可逆的ARMA模型整个的自洽性，所以不用担心会出现严重的系统性错误 尝试用多个模型拟合序列，选择相对较优的模型。