我們對倫敦銅價和美國工業產值指數、交易所庫存分別進行因果檢驗。零假設分別是倫敦銅價不是美國工業產值指數的格蘭杰原因，美國工業產值指數也不是倫敦銅價的格蘭杰原因；倫敦銅價不是交易所庫存的格蘭杰原因，交易所庫存也不是倫敦銅價的格蘭杰原因。滯后期我們都取3，由此得到假設的F檢驗結果及P值。
MCU與IP格蘭杰因果檢驗結果
MCU與STK格蘭杰因果檢驗結果
從檢驗結果可以看出，美國工業產值指數是倫敦銅價的格蘭杰原因，而倫敦銅價不是美國工業產值指數的格蘭杰原因，這和我們的預期一致；而交易所庫存不是倫敦銅價的格蘭杰原因，倫敦銅價也不是交易所庫存的格蘭杰原因。我們分析，銅價和庫存之間的格蘭杰因果關系不明顯，可能和我們所選數據的頻度有一定關系，由于選取的是月度數據，和工業產值等中長期因素相比，庫存對價格的影響力度相對較弱，這在相關性及回歸分析中也有所體現。
六、預測模型
從模型（2）和模型（3）可以得出銅價和美國工業產值以及交易所庫存的一般關系，但由于MCU和IP實際上都是時間序列，在時間序列中，相鄰時期殘差之間經常出現正相關。杜賓—瓦森（DW）檢驗是序列相關的正式檢驗，如果相鄰殘差之間沒有聯系，統計量大約為2。SPSS系統對回歸模型進行了杜賓—瓦森（DW）檢驗，DW統計量為0.764，說明存在序列相關，在預測模型中有必要考慮殘差因素。
模型（2）和模型（3）的統計描述
Box和Jenkins于1976年提出了單整自回歸移動平均（ARIMA）模型，ARIMA(p,d,q)實際上包括了自回歸（Autoregression）、單整（Integration）、移動平均（Moving-average）三方面的內容。在ARIMA模型中，可以把這三種形式組合在一起，建立一個完整的預測模型。由于美國工業產值指數數據一般在次月中旬才公布，所以在實踐中對當月價格影響更大的實際上是上個月的IP數據，我們測算了一下，兩者的相關度極高，達到了0.9614。在本文中我們使用上月的IP數據對當月的銅價進行預測（擬合），給出下面模型供參考： 上一頁 [1] [2] [3] [4] [5] [6] 下一頁 |
