（one-step-ahead）预测的结果）：
?static?0.151676?0.785440X?0.463391a?0.428391a?0.454978aXtt?1t?1t?2t?6t?1954,1955,,2011,2012,
可见，对于样本外（2012-2015）的预测需要提供样本外预测期间的解释变量值。对静态预测，还必须提供滞后因变量的数值。而对于样本外（2012-2015）的预测通常因变量的实际观测值是未知的，所以，静态预测一般只适应于样本内（19542011）预测，不适应于样本外预测（只可以进行向前一步样本外预测）。并且，由计算公式可见，样本内（1954-2011）的静态预测值与模型的拟合值（估计值）相同。
综上所述，在预测时，样本内（1954-2011）预测选用静态预测或模型的拟合值（估计值），样本外（2012-2015）预测选用动态预测。
具体步骤：
（1）进行样本内（1954-2011）静态预测，在方程估计窗口点击Forecast，出现下图对话框，
预测序列记为xf_static_eq01_06_1，预测方法选择“Static forecast”，预测样本区间为“1952-2015”，点击OK，得到下列预测图 .8.6.4.2.0-.2-.4-.655606570758085909500± 2 S.E.0510Forecast: XF_STATIC_EQ01_06_1Actual: XForecast sample: 1952 2015Adjusted sample: 1954 2012Included observations: 58Root Mean Squared Error 0.132779Mean Absolute Error 0.104515Mean Abs. Percent Error 206.5158Theil Inequality Coefficient 0.342286 Bias Proportion 0.001438 Variance Proportion 0.169184 Covariance Proportion 0.829377XF_STATIC_EQ01_06_1 （2）将序列的估计值x_fit_eq01_06_1和这里的静态预测序列xf_static_eq01_06_1以组的形式打开，并将组命名为x_fit_xf_static，组序列图形如下
.4.3.2.1.0-.1-.255606570758085909500051015X_FIT_EQ01_06_1XF_STATIC_EQ01_06_1 可见，样本内的静态预测序列值严格落在拟合值序列x_fit的曲线上，说明在样本期内（1954-2011）静态预测值与模型的拟合值（估计值）是相等的。
（3）进行样本外（2012-2015）动态预测，在方程估计窗口点击Forecast，出现下图对话框，
预测序列记为xf_dynamic_eq01_06_1，预测方法选择“Dynamic forecast”，预测样本区间为样本外区间“2012-2015”，点击OK，得到下列预测图 .6.5.4.3.2.1.0-.1-.2201220132014± 2 S.E.2015XF_DYNAMIC_EQ01_06_1 （4）建立新的序列x_fit_f存放序列的静态和动态预测值，在样本内（1954-2011）采用
静态预测值或序列的拟合值（估计值），在样本外（2012-2015）采用动态预测值。所以，将序列xf_static_eq01_06_1（或序列x_fit_eq01_06_1）中第1954-2011年的数值复制到序列x_fit_f的对应位置，然后将序列xf_dynamic_eq01_06_1中第2012-2015年的数值复制到序列x_fit_f的对应位置，这样得到的序列x_fit_f就是序列x的预测值。
（5）将序列的实际值x和这里的预测序列x_fit_f以组的形式打开，并将组命名为x_x_fit_f，组序列图形，即x的实际值与预测值图形如下 .6.4.2.0-.2-.4556065707580X85909500051015X_FIT_F 综合上述分析过程，实际上我们是针对原序列（im_ex）：1952年—2011年我国进出口总额数据序列，建立了一个ARIMA（1,1,6）模型进行拟合，模型形式如下：
(1?B)(lnim_ex)t?0.151676?0.785440(lnim_ex)t?1?0.463391at?1?0.428391at?2?0.454978at?6?at
同样，也可以得到序列y的预测值序列y_fit_f和序列im_ex的预测值序列im_ex_fit_f，命令分别为“series y_fit_f=x_fit_f+x_fit_f(-1)”和“series im_ex_fit_f=exp(y_fit_f)”。然后，将序列y和序列im_ex的实际值y和im_ex与这里的预测序列y_fit_f和im_ex_fit_f以组的形式打开，并将组分别命名为y_y_fit_f和im_ex_im_ex_fit_f，组序列图形，即y和im_ex的实际值与预测值图形如下 14121086420-2556065707580Y85909500051015Y_FIT_F240,000200,000160,000120,00080,00040,000055606570758085909500051015IM_EXIM_EX_FIT_F 由图形可以看出，对非平稳序列y和im_ex的预测效果非常差。因此，非平稳序列的预测具有不稳定性，对非平稳序列的预测意义不大。 作业：
1.我国1952-2011年的社会消费品零售总额，按照平稳时间序列建模的步骤，建立ARMA模型，并对第2012年和2013年的社会消费品零售总额进行预测。
实验指导书（ARIMA模型建模与预测）
