1 ARIMA
The ARIMA procedure computes the parameter estimates for a given seasonal or non-seasonal univariate ARIMA model. It also computes the fitted values, forecasting values, and other related variables for the model.
Notation
The following notation is used throughout this chapter unless otherwise stated: y t (t =1, 2, ..., N ) Univariate time series under investigation
N Total number of observations
a t (t = 1, 2, ... , N ) White noise series normally distributed with mean zero and
variance σa 2
p
Order of the non-seasonal autoregressive part of the model q
Order of the non-seasonal moving average part of the model d
Order of the non-seasonal differencing P
Order of the seasonal autoregressive part of the model Q
Order of the seasonal moving-average part of the model D
Order of the seasonal differencing s Seasonality or period of the model
φp B ()
AR polynomial of B of order p , φ???p p p B B B B ()...=????1122 θq B ()
MA polynomial of B of order q , θ???q q q B B B B ()...=????1122 ΦP B () SAR polynomial of B of order P ,
ΦΦΦΦP P P B B B B ()...=????1122
ΘQ B ()
SMA polynomial of B of order Q , ΘΘΘΘQ Q Q B B B B ()...=????1122 ? Non-seasonal differencing operator ?=?1B
?s Seasonal differencing operator with seasonality s , ?=?s s B 1
B
Backward shift operator with By y t t =?1and Ba a t t =?1
2 ARIMA
Models
A seasonal univariate ARIMA(p ,d ,q )(P ,D ,Q )s model is given by
φμθp P d s D t q Q t B B y B B a t N ()()[]()(),,ΦΘ???==1K (1)
where
μ is an optional model constant. It is also called the stationary series mean, assuming that, after differencing, the series is stationary. When NOCONSTANT is specified, μ is assumed to be zero.
When P Q D ===0, the model is reduced to a (non-seasonal) ARIMA(p ,d ,q ) model:
φμθp d t q t B y B a t N ()[](),,??==1K (2) An optional log scale transformation can be applied to y t before the model is fitted. In this chapter, the same symbol, y t , is used to denote the series either before or after log scale transformation.
Independent variables x 1, x 2, …, x m can also be included in the model. The
model with independent variables is given by
φμθp P d s D t i i m it q Q t B B y c x
B B a ()()[()]()()ΦΘ????==∑1
or ΦΘ()[()()]()B B y c x
B a t i i m it t ???==∑1μ (3)
where
ΦΦ()()()B B B p P =φ
?=??()B d s D
ΘΘ()()()B B B q Q =θ
and c i m i ,,,,=12K , are the regression coefficients for the independent variables.
ARIMA 3
Estimation
Basically, two different estimation algorithms are used to compute maximum likelihood (ML) estimates for the parameters in an ARIMA model:
? Melard’s algorithm is used for the estimation when there is no missing data in
the time series. The algorithm computes the maximum likelihood estimates of the model parameters. The details of the algorithm are described in Melard (1984), Pearlman (1980), and Morf, Sidhu, and Kailath (1974).
?
A Kalman filtering algorithm is used for the estimation when some observations in the time series are missing. The algorithm efficiently computes the marginal likelihood of an ARIMA model with missing observations. The details of the algorithm are described in the following literature: Kohn and Ansley (1986) and Kohn and Ansley (1985). Diagnostic Statistics
The following definitions are used in the statistics below:
N p Number of parameters
N p q P Q m p q P Q m p =
+++++++++%&'without model constant with model constant 1
SSQ Residual sum of squares
SSQ =′e e , where e is the residual vector
$σa 2 Estimated residual variance
$σa SSQ df
2=, where df N N p =?
SSQ ’ Adjusted residual sum of squares
SSQ SSQ N ’=05
?1/, where ? is the theoretical covariance
matrix of the observation vector computed at MLE
4 ARIMA Log-Likelihood
L N SSQ N a a
=???ln($)’$ln()σσπ2222 Akaike Information Criterion (AIC)
AIC L N p =?+22
Schwartz Bayesian Criterion (SBC)
SBC L N N p =?+2ln 16
Generated Variables
Predicted Values
Forecasting Method: Conditional Least Squares (CLS or AUTOINT)
In general, the model used for fitting and forecasting (after estimation, if involved) can be described by Equation (3), which can be written as
y D B y B B a c B B x t t t i i m it ?=++
?=∑()()()()()ΦΘΦμ1 where D B B B 050505
=??Φ1
ΦΦB 0505μμ=1
ARIMA 5
Thus, the predicted values (FIT )t are computed as follows:
FIT y D B y B B a c B B x t t t t i
i m it 05==+++?=∑$()$()()$()()ΦΘΦμ1 (4)
where
$$a y y t n t t t =?≤≤1 Starting Values for Computing Fitted Series . To start the computation for fitted values using Equation (4), all unavailable beginning residuals are set to zero and unavailable beginning values of the fitted series are set according to the selected method:
? CLS. The computation starts at the (d +sD )-th period. After a specified log scale
transformation, if any, the original series is differenced and/or seasonally differenced according to the model specification. Fitted values for the differenced series are computed first. All unavailable beginning fitted values in the computation are replaced by the stationary series mean, which is equal to the model constant in the model specification. The fitted values are then aggregated to the original series and properly transformed back to the original scale. The first d +sD fitted values are set to missing (SYSMIS ).
? AUTOINIT. The computation starts at the [d +p +s (D +P )]-th period. After any
specified log scale transformation, the actual d +p +s (D +P ) beginning observations in the series are used as beginning fitted values in the computation. The first d +p +s (D +P ) fitted values are set to missing. The fitted values are then transformed back to the original scale, if a log transformation is specified.
Forecasting Method: Unconditional Least Squares (EXACT)
As with the CLS method, the computations start at the (d+sD)-th period. First, the original series (or the log-transformed series if a transformation is specified) is differenced and/or seasonally differenced according to the model specification. Then the fitted values for the differenced series are computed. The fitted values are one-step-ahead, least-squares predictors calculated using the theoretical autocorrelation function of the stationary autoregressive moving average (ARMA) process corresponding to the differenced series. The autocorrelation function is computed by treating the estimated parameters as the true parameters. The fitted values are then aggregated to the original series and properly transformed back to the original scale. The first d+sD fitted values are set to missing (SYSMIS ). The details of the least-squares prediction algorithm for the ARMA models can be found in Brockwell and Davis (1991).
6 ARIMA
Residuals
Residual series are always computed in the transformed log scale, if a transformation is specified.
()(),,,ERR y FIT t N t t t =?=12K
Standard Errors of the Predicted Values
Standard errors of the predicted values are first computed in the transformed log scale, if a transformation is specified.
Forcasting Method: Conditional Least Squares (CLS or AUTOINIT)
()$,,,SEP t N t a ==σ12K
Forecasting Method: Unconditional Least Squares (EXACT)
In the EXACT method, unlike the CLS method, there is no simple expression for the standard errors of the predicted values. The standard errors of the predicted values will, however, be given by the least-squares prediction algorithm as a byproduct.
Standard errors of the predicted values are then transformed back to the original scale for each predicted value, if a transformation is specified.
Confidence Limits of the Predicted Values
Confidence limits of the predicted values are first computed in the transformed log scale, if a transformation is specified:
()()(),,,()()(),,,/,/,LCL FIT t SEP t N UCL FIT t SEP t N t t df t
t t df t =?==+=??12121212ααK K
where t df 12?α/, is the 12?α/16
-th percentile of a t distribution with df degrees of freedom and α is the specified confidence level (by default α=005.).
Confidence limits of the predicted values are then transformed back to the original scale for each predicted value, if a transformation is specified.
ARIMA 7
Forecasting
Forecasting Values
Forcasting Method: Conditional Least Squares (CLS or AUTOINIT)
The following forecasting equation can be derived from Equation (3):
$()()$()()$()(),y l D B y B B a c B B x t t l t l i
i m
i t l =+++?++=+∑ΦΘΦμ1 (5)
where
D B B B B 0505050505
=??=ΦΦΦ11,μμ $()y
l t denotes the l-step-ahead forecast of y t l + at the time t . $$()y y l i
y l i l i t l i t l i
t +?+?=≤?>%&'if if
$$()a y y l i l i t l j t l i t l i +?+?+??=?≤>%&'110if if
Note that $()y
t ′1 is the one-step-ahead forecast of y t ′+1 at time ′t , which is exactly the predicted value $y
t ′+1as given in Equation (4). Forecasting Method: Unconditional Least Squares (EXACT)
The forecasts with this option are finite memory, least-squares forecasts computed using the theoretical autocorrelation function of the series. The details of the least-squares forecasting algorithm for the ARIMA models can be found in Brockwell and Davis (1991).
8 ARIMA
Standard Errors of the Forecasting Values
Forcasting Method: Conditional Least Squares (CLS or AUTOINIT)
For the purpose of computing standard errors of the forecasting values, Equation
(1) can be written in the format of ψweights (ignoring the model constant):
y a B a B a t t t i i
t i i q B Q B p B P B ===?=∞∑?φψψ()()
()()()ΘΦ0, ψ01= (6)
Let
$()y l t denote the l -step-ahead forecast of y t l +at time t . Then se[$()]{...}$y l t l a =++++?11222121
2ψψψσ Note that, for the predicted value, l =1. Hence, ()$SEP t a =σ
at any time t . Computation of ψ Weights . ψ weights can be computed by expanding both sides of the following equation and solving the linear equation system established by equating the corresponding coefficients on both sides of the expansion:
φψθp P d s D q Q B B B B B ()()()()()ΦΘ??=
An explicit expression of ψ weights can be found in Box and Jenkins (1976).
Forecasting Method: Unconditional Least Squares (EXACT)
As with the standard errors of the predicted values, the standard errors of the forecasting values are a byproduct during the least-squares forecasting computation. The details can be found in Brockwell and Davis (1991).
References
Box, G. E. P., and Jenkins, G. M. 1976. Time series analysis : Forecasting and control . San Francisco: Holden-Day.
Brockwell, P. J., and Davis, R. A. 1991. Time series: Theory and methods , 2nd ed. New York: Springer-Verlag.
龙源期刊网 https://www.doczj.com/doc/1717114050.html, 基于ＡＲＩＭＡ模型下的时间序列分析与预测 作者：万艳苹 来源：《金融经济·学术版》2008年第09期 摘要：大多数的时间序列存在着惯性，或者说具有迟缓性。通过对这种惯性的分析，可以由时间序列的当前值对其未来值进行估计。本文以1949年到2004年江苏省社会消费品零售总额数据为研究对象，将这些数据平稳化并做分析，发现ARIMA(1，1，2)模型能比较好的对江苏省社会消费品零售总额进行市时间序列分析和预测，。 关键词：ARIMA；江苏省消费品零售总额；时间序列分析 一、引言 江苏省是一个经济大省，经济一直保持平稳较快增长，城乡居民收入都位于全国前茅，消费品需求旺盛，人们生活水平比较高。其中社会消费品零售总额是反映人民生活水平提高的一个很好的指标。所以对社会消费品零售总额做分析就比较重要。但是影响社会消费品零售总额的因素有很多，包括收入、住房、医疗、教育以及人们的预期等很多因素，而且这些因素之间又保持着错综复杂的联系。因此运用数理经济模型来分析和预测较为困难。所以本文采用ARIMA模型对江苏省的社会消费品零售总额进行分析，得出其规律性，并预测其未来值。 二、ARIMA模型的说明和构建 ARIMA模型又称为博克斯-詹金斯模型。ARIMA模型是由三个过程组成：自回归过程(AR(p))；单整(I(d))；移动平均过程(MA(q))。AR(p)即自回归过程，是指一个过程的当前值是过去值的线性函数。如：如果当前观测值仅与上期(滞后一期)的观测值有显著的线性函数关系，则我们就说这是一阶自回归过程，记作AR(1)。推广之，如果当前值与滞后p期的观测值都有线性关系则称p阶自回归过程，记作AR(p)。MA(q)，即移动平均过程，是指模型值可以表示为过去残差项(即过去的模型拟合值与过去观测值的差)的线性函数。如：MA(1)过程，说明时间序列受到滞后一期残差项的影响。推广之，MA(q)是指时间序列受到滞后q期残差项的
青海民族大学 毕业论文 论文题目：时间序列分析方法及应用—以青海省GDP 增长为例研究 学生姓名：学号： 指导教师：职称： 院系：数学与统计学院 专业班级：统计学 二○一五年月日
时间序列分析方法及应用——以青海省GDP增长为例研究 摘要: 人们的一切活动，其根本目的无不在于认识和改造世界，让自己的生活过得更理想。时间序列是指同一空间、不同时间点上某一现象的相同统计指标的不同数值，按时间先后顺序形成的一组动态序列。时间序列分析则是指通过时间序列的历史数据，揭示现象随时间变化的规律，并基于这种规律，对未来此现象做较为有效的延伸及预测。时间序列分析不仅可以从数量上揭示某一现象的发展变化规律或从动态的角度刻画某一现象与其他现象之间的内在数量关系及其变化规律性，达到认识客观世界的目的。而且运用时间序列模型还可以预测和控制现象的未来行为，由于时间序列数据之间的相关关系（即历史数据对未来的发展有一定的影响），修正或重新设计系统以达到利用和改造客观的目的。从统计学的内容来看，统计所研究和处理的是一批有“实际背景”的数据，尽管数据的背景和类型各不相同，但从数据的形成来看，无非是横截面数据和纵截面数据两类。本论文主要研究纵截面数据，它反映的是现象以及现象之间的关系发展变化规律性。在取得一组观测数据之后，首先要判断它的平稳性，通过平稳性检验，可以把时间序列分为平稳序列和非平稳序列两大类。主要采用的统计方法是时间序列分析，主要运用的数学软件为Eviews软件。大学四年在青海省上学，基于此，对青海省的GDP十分关注。本论文关于对1978年到2014年以来的中国的青海省GDP（总共37个数据）进行时间序列分析，并且对未来的三年中国的青海省GDP进行较为有效的预测。希望对青海省的发展有所贡献。 关键词: 青海省GDP 时间序列白噪声预测
课程论文 （2016 / 2017学年第 1 学期） 课程名称应用时间序列分析 指导单位经济学院 指导教师易莹莹 学生姓名班级学号 学院(系) 经济学院专业经济统计学
实验三ARIMA 模型建模与预测实验指导 一、实验目的： 了解ARIMA 模型的特点和建模过程，了解AR ，MA 和ARIMA 模型三者之间的区别与联系，掌握如何利用自相关系数和偏自相关系数对ARIMA 模型进行识别，利用最小二乘法等方法对ARIMA 模型进行估计，利用信息准则对估计的ARIMA 模型进行诊断，以及如何利用ARIMA 模型进行预测。掌握在实证研究如何运用Eviews 软件进行ARIMA 模型的识别、诊断、估计和预测。 二、基本概念： 所谓ARIMA 模型，是指将非平稳时间序列转化为平稳时间序列，然后将平稳的时间序列建立ARMA 模型。ARIMA 模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA ）、自回归过程（AR ）、自回归移动平均过程（ARMA ）以及ARIMA 过程。 在ARIMA 模型的识别过程中，我们主要用到两个工具：自相关函数ACF ，偏自相关函数PACF 以及它们各自的相关图。对于一个序列{}t X 而言，它的第j 阶自相关系数j ρ为它的j 阶自协方差除以方差，即j ρ＝j 0γγ，它是关于滞后期j 的函数，因此我们也称之为自相关函数，通常记ACF(j )。偏自相关函数PACF(j )度量了消除中间滞后项影响后两滞后变量之间的相关关系。 三、实验任务： 1、实验内容： （1）根据时序图的形状，采用相应的方法把非平稳序列平稳化； （2）对经过平稳化后的1950年到2005年中国进出口贸易总额数据建立合适的(,,)ARIMA p d q 模型，并能够利用此模型进行进出口贸易总额的预测。 2、实验要求： （1）深刻理解非平稳时间序列的概念和ARIMA 模型的建模思想； （2）如何通过观察自相关，偏自相关系数及其图形，利用最小二乘法，以及信息准则建立合适的ARIMA 模型；如何利用ARIMA 模型进行预测； （3）熟练掌握相关Eviews 操作，读懂模型参数估计结果。 四、实验要求： 实验过程描述（包括变量定义、分析过程、分析结果及其解释、实验过程遇到的问题及体会）。 实验题：对经过平稳化后的1950年到2005年中国进出口贸易总额数据建立合适的(,,)ARIMA p d q 模型，并能够利用此模型进行进出口贸易总额的预测。
第一章习题答案 略 第二章习题答案 2.1 （1）非平稳 （2）0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376 （3）典型的具有单调趋势的时间序列样本自相关图 2.2 （1）非平稳，时序图如下 （2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图
2.3 （1）自相关系数为：0.2023 0.013 0.042 -0.043 -0.179 -0.251 -0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118 （2）平稳序列 （3）白噪声序列 2.4 ，序列LB=4.83，LB统计量对应的分位点为0.9634，P值为0.0363。显著性水平=0.05 不能视为纯随机序列。 2.5 （1）时序图与样本自相关图如下
（2） 非平稳 （3）非纯随机 2.6 （1）平稳，非纯随机序列（拟合模型参考：ARMA(1,2)） （2）差分序列平稳，非纯随机 第三章习题答案 3.1 ()0t E x =,2 1 () 1.9610.7 t Var x ==-,220.70.49ρ==,220φ= 3.2 1715φ=,2115 φ= 3.3 ()0t E x =,10.15 () 1.98(10.15)(10.80.15)(10.80.15) t Var x += =--+++ 10.8 0.7010.15 ρ= =+,210.80.150.41ρρ=-=,3210.80.150.22ρρρ=-= 1110.70φρ==,2220.15φφ==-,330φ= 3.4 10c -<<, 1121,1,2 k k k c c k ρρρρ--?=? -??=+≥? 3.5 证明: 该序列的特征方程为：32 --c 0c λλλ+=，解该特征方程得三个特征根： 11λ=，2c λ=3c λ=-
实验十时间序列模型 实验目的 掌握时间序列的基本理论，时间序列模型种类的识别、估计、诊断和预测方法，以及相应的EViews软件操作方法。 实验原理 时间序列分析方法由Box-Jenkins (1976) 年提出。它适用于各种领域的时间序列分析。 时间序列模型不同于经济计量模型的两个特点是： （1）这种建模方法不以经济理论为依据，而是依据变量自身的变化规律，利用外推机制描述时间序列的变化。 （2）明确考虑时间序列的非平稳性。如果时间序列非平稳，建立模型之前应先通过差分把它变换成平稳的时间序列，再考虑建模问题。 时间序列模型的应用： （1）研究时间序列本身的变化规律（建立何种结构模型，有无确定性趋势，有无单位根，有无季节性成分，估计参数）。 （2）在回归模型中的应用（预测回归模型中解释变量的值）。 （3）时间序列模型是非经典计量经济学的基础之一（不懂时间序列模型学不好非经典计量经济学）。 实验内容 建立中国人口时间序列模型。 表给出了中国人口数据y t（1952-2004，单位万人），试建立y t的时间序列模型，并预测2005年中国人口总数。 表
建模步骤 10.4.1 识别模型 利用表数据建立y t序列图，如图。 图中国人口序列（1952-2004） 从人口序列图可以看出我国人口总水平除在1960和1961两年出现回落外，其余年份基本上保持线性增长趋势。 察看序列的相关图，在序列窗口选择View/Correlogram,便会弹出如下窗口，见图，选择滞后阶数（本例输入滞后期10），点击ok，得到如图所示的序列y t的相关图和偏相关图。 图 图y t的相关图，偏相关图 由y t的相关图，偏相关图判断y t为非平稳性序列。进一步考察其差分序列Dy t，序列图见图，其相关图，偏相关图见图。 图 图Dy t的相关图，偏相关图 人口差分序列Dy t是平稳序列。应该用Dy t建立模型。因为Dy t均值非零，结合图拟建立带有漂移项的AR(1)模型。 10.4.2 估计模型 采用AR（1）模型对Dy t进行估计，从EViews主菜单中点击Quick键，选择Estimate Equation功能。随即会弹出Equation specification对话框。输入漂移项非零的AR(1)模型估计命令（C表示漂移项）如下： D(Y) C AR(1) 结果如图所示，整理如下： Dy t = + (Dy t-1–+ v t
ARIMA时间序列建模过程——原理及python实现 ARIMA模型的全称叫做自回归查分移动平均模型，全称是(ARIMA, Autoregressive Integrated Moving Average Model)，是统计模型(statistic model)中最常见的一种用来进行时间序列预测的模型，AR、MA、ARMA模型都可以看作它的特殊形式。 1. ARIMA的优缺点 优点：模型十分简单，只需要内生变量而不需要借助其他外生变量。 缺点：要求时序数据是稳定的（stationary），或者是通过差分化(differencing)后是稳定的;本质上只能捕捉线性关系，而不能捕捉非线性关系。 2. ARIMA的参数与数学形式 ARIMA模型有三个参数:p,d,q。 p--代表预测模型中采用的时序数据本身的滞后数(lags) ,也叫做 AR/Auto-Regressive项; d--代表时序数据需要进行几阶差分化，才是稳定的，也叫Integrated项; q--代表预测模型中采用的预测误差的滞后数(lags)，也叫做MA/Moving Average项。 差分：假设y表示t时刻的Y的差分。 if d=0, yt=Yt, if d=1, yt=Yt?Yt?1, if d=2, yt=(Yt?Yt?1)?(Yt?1?Yt ?2)=Yt?2Yt?1+Yt?2 ARIMA的预测模型可以表示为： Y的预测值= 白噪音+1个或多个时刻的加权+一个或多个时刻的预测误差。 假设p，q，d已知，
ARIMA用数学形式表示为： yt?=μ+?1?yt?1+...+?p?yt?p+θ1?et?1+...+θq?et?q 其中,?表示AR的系数，θ表示MA的系数 3.Python建模 ##构建初始序列 import numpy as np import matplotlib.pyplot as plt import statsmodels.api as sm from statsmodels.graphics.tsaplots import acf,pacf,plot_acf,plot_pacf from statsmodels.tsa.arima_model import ARMA from statsmodels.tsa.arima_model import ARIMA #序列化 time_series_ = pd.Series([151.0, 188.46, 199.38, 219.75, 241.55, 262.58, 328.22, 396.26, 442.04, 517.77, 626.52, 717.08, 824.38, 913.38, 1088.39, 1325.83, 1700.92, 2109.38, 2499.77, 2856.47, 3114.02, 3229.29, 3545.39, 3880.53, 4212.82, 4757.45, 5633.24, 6590.19, 7617.47, 9333.4, 11328.92, 12961.1, 15967.61]) time_series_.index = pd.Index(sm.tsa.datetools.dates_from_range('1978','2010')) time_series_.plot(figsize=(12,8)) plt.show() 3.1 异常值及缺失值处理 异常值一般采用移动中位数方法： frompandasimportrolling_median threshold =3#指的是判定一个点为异常的阈值 df['pandas'] = rolling_median(df['u'], window=3, center=True).fillna(method='bfill').fillna(method='ffill') #df['u']是原始数据，df['pandas'] 是求移动中位数后的结果，window指的 是移动平均的窗口宽度 difference = np.abs(df['u'] - df['pandas']) outlier_idx = difference > threshold 缺失值一般是用均值代替（若连续缺失，且序列不平稳，求查分时可能出现nan） 或直接删除。
季节ARIMＡ模型建模与预测实验指导
————————————————————————————————作者: ————————————————————————————————日期: ?
实验六季节ARＩMＡ模型建模与预测实验指导 学号:２01３136３０38 姓名:阙丹凤班级：金融工程1班 一、实验目的 学会识别时间序列的季节变动,能看出其季节波动趋势。学会剔除季节因素的方法,了解ＡRＩMA模型的特点和建模过程,掌握利用最小二乘法等方法对ＡRIMA模型进行估计，利用信息准则对估计的ARIMA模型进行诊断,以及如何利用ARＩＭA模型进行预测。掌握在实证研究如何运用Evｉews软件进行ARIMA模型的识别、诊断、估计和预测。 二、实验内容及要求 1、实验内容： 根据美国国家安全委员会统计的1973－1９78年美国月度事故死亡率数据，请选择适当模型拟合该序列的发展。 ２、实验要求： （1)深刻理解季节非平稳时间序列的概念和季节ARIＭA模型的建模思想; （2）如何通过观察自相关,偏自相关系数及其图形，利用最小二乘法，以及信息准则建立合适的ARIMＡ模型；如何利用ARIMA模型进行预测； (3)熟练掌握相关Ｅviｅws操作。 三、实验步骤 第一步：导入数据 第二步:画出时序图
6,000 7,000 8,000 9,000 10,000 11,000 12,000 510152025303540455055 606570 SIWANGRENSHU 由时序图可知,死亡人数虽然没有上升或者下降趋势，但由季节变动因素影响。 第三步:季节差分法消除季节变动 由时序图可知，波动的周期大约为12,所以对原序列作12步差分，得到新序列如下图所示。
第一章习题答案 第二章习题答案 2.1 (1)非平稳 (2)0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376 (3)典型的具有单调趋势的时间序列样本自相关图 Au+ocorreliil. i ons Correlation -1 M 7 6 5 4 3 2 1 0 I ； 3 4 5 6 7 9 9 1 1.00000■Hi ■ K. B H,J B ik L L1■* J.1 jA1-.IM L L* rn^rp ■ i>i?iTwin H'iTiii M[lrp i,*nfr 'TirjlvTilT'1 iBrp O.7QOO0■ill. Ii ill ■ _.ill?L■ ill iL si ill .la11 ■ fall■ 1 ■ rpTirp Tp和阳申■丽轉■晒?|?卉（ft 0.41212■强:料榊＜牌■ 0.14343'■讯榊* -.07078■ -.25758, WWHOHHf ■ -.375761 marks two 总t and&rd errors 2.2 (1) 非平稳，时序图如下 (2) - ( 3)样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图
Ctorrelat ion LOOOOO n.A'7F1 0.72171 0.51252 Q,34982 0.24600 0.20309 0.?1021 0.26429 0.36433 0.49472 0.58456 0.60198 0.51841 Q ?菲晡 日 0.20671 0.0013& -,03243 -.02710 Q.01124 0,08275 0.17011 Autocorrel at ions raarka two standard errors 2.3 (1) 自相关系数为： 0.2023 0.013 0.042 -0.043 -0.179 -0.251 -0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118 (2 )平稳序列 (3) 白噪声序列 2.4 LB=4.83 , LB 统计量对应的分位点为 0.9634 , P 值为0.0363。显著性水平 :-=0.05，序列 不能视为纯随机序列。 2.5 (1) 时序图与样本自相关图如下 AuEocorreI ati ons 弗卅制iti 电卅栅冷卅樹 側樹 榊 惟 1 ■ liihCidi iliihQriHi il>LljU_nll Hnlidiili Hialli iT ,, T^,, T^s ?T* iTijTirr ,^T 1 IT * -i> ■> - ■ ■ *畑** ? ■ ■ 耶曲邯 ? ■ ■ ■ >|｛和怦I ｛册卅KHi 笊出恸 mrpmrp 山!rpEHi erp . 卑*寧* a 1 *
情况如6月澳大利亚季度常住人口变动（单位：千人）199320.1971年9月—年 问题：（1）判断该序列的平稳性与纯随机性。 （2）选择适当模型拟合该序列的发展。 （3）绘制该序列拟合及未来5年预测序列图。 针对问题一：将以下程序输入SAS编辑窗口，然后运行后可得图1. data example3_1; input x@@; time=_n_; ; cards55.4 50.2 49.5 67.9 55.8 63.2 53.1 61.7 45.3 48.1 49.9 55.2 42.1 30.4 59.9 49.5 33.8 30.6 36.6 44.1
45.5 32.9 28.4 35.8 37.3 29 34.2 39.5 49.8 48.8 43.9 49 47.6 37.3 47.6 39.2 48.9 60.8 65.4 65.4 51.2 67 49.6 55.1 47.3 67.6 62.5 57.3 47.9 45.5 49.1 48 44.5 48.8 60.9 51.4 55.8 59.4 60.9 51.6 60.3 71 64 62.1 58.6 64.6 75.4 83.4 79.4 59.9 80.2 55.9 59.1 21.5 69.5 65.2 58.5 62.5 33.1 62.2 60 170 35.3 -47.4 34.4 43.4 58.4 42.7 ; =example3_1; data proc gplot; 1plot x*time==star; v=join =red symbol1cI;run 该序列的时序图1 图这两个异常数据外，该时序图显示澳大-47.4和由图1可读出：除图中170附近随机波动，没有明显的趋势或周期，基60利亚季度常住人口变动一般在在本可视为平稳序列。5. 再接着输入以下程序运行后可输出五方面的信息。具体见表1-表arima data proc= example3_1;
股票预测模型【运用ARIMA模型预测股票价格】 [摘要]ARIMA模型是时间序列中十分常见和常用的一种模型，应用与经济的各个领域。本文基于ARIMA模型，采用了莱宝高科近67个交易日的数据，对历史数据进行分析，并且在此基础上做出一定的预测，试图为现实的投资提供一些参考信息。[关键字]ARIMA模型；股价预测；莱宝高科一、引言时间序列分析是从一段时间上的一组属性值数据中发现模式并预测未来值的过程。ARIMA模型是目前最常用的用于拟合非平稳序列的模型，对于满足有限参数线形模型的平稳时间序列的分析，ARIMA在理论上已趋成熟，它用有限参数线形模型描述时间序列的自相关结构，便于进行统计分析与数学处理。有限参数线形模型能描述的随机现象相当广泛，模型拟合的精度能达到实际工程的要求，而且由有限参数的线形模型结构可推导出适用的线形预报理论。利用ARIMA 模型描述的时间序列预报问题在金融，股票等领域具有重要的理论意义。本文将利用ARIMA模型结合莱宝高科的数据建立模型，并运用该模型对莱宝的股票日收盘价进行预测。二、ARIMA模型的建立 2.1ARIMA模型简介ARIMA是自回归移动平均结合模型的简写形式，用于平稳序列或通过差分而平稳的序列分析，简记为ARIMA(p,d,q)用公式表示为：△dZt=Xt=ψ1Xt-1+ψ2Xt-2+?+ψpXt-p+at-θ1at-1-θ2at-2-?-θqat-q 其中，p、d、q分别是自回归阶数、差分阶数和滑动平均阶数；Zt是时间序列；Xt是经过d阶差分后的时间序列值；at－q是时间为t－q的随机扰动项；ψp、θq分别是对应项前的系数。 2.2模型建立流程(1)平稳性检验以2010－3－4到2010－6－10的“莱宝高科”(002106)股票的收盘价作为模型的数据进行建立时间序列模型：做出折线图观察数据的特征：进行单位根检验，判别序列是否为平稳序列；若一阶差分后的数据为平稳序列，可以建立时间序列模型。说明原数据为一阶单整。(2)模型的选择和参数的估计根据数据的平稳性特征，初步确定建立ARIMA模型。观察一阶差分以后的序列的自相关函数和偏自相关
第３３卷 第１７８期２０１２年７月 财经理论与实践（双月刊） ＴＨＥ ＴＨＥＯＲＹ ＡＮＤ ＰＲＡＣＴＩＣＥ ＯＦ ＦＩＮＡＮＣＥ ＡＮＤ ＥＣＯＮＯＭＩＣＳ Ｖｏｌ．３３ Ｎｏ．１７８ Ｊｕｌ． ２０１２ ·信息与统计· 基于时间序列模型的中国ＧＤＰ增长预测分析 何新易 （南通大学商学院，江苏南通 ２２６０１９）＊ 摘 要：作为度量一个国家或地区所有常住单位在一定时期之内所生产和所提供的最终产品或服务的重要总量指标，如果能够对ＧＤＰ做出正确的预测，必然可以有效引导宏观经济健康发展，为高层管理部门提供决策依据。选用适合短期预测的ＡＲＩＭＡ模型对中国１９５２～２０１０年的ＧＤＰ进行计量建模分析，预测结果认为未来五年中国的经济增长仍将处于一个水平较高的上升通道。 关键词：时间序列模型；ＧＤＰ；预测 中图分类号：Ｆ２３４ 文献标识码： Ａ 文章编号：１００３－７２１７（２０１２）０４－００９６－０４ 一、引 言 作为度量一个国家或地区所有常住单位在一定时期之内所生产和所提供的最终产品或服务的重要总量指标，国内生产总值（Ｇｒｏｓｓ Ｄｏｍｅｓｔｉｃ Ｐｒｏｄｕｃｔ，ＧＤＰ）对于判断经济态势运行、衡量经济综合实力、正确制定经济政策等诸多方面，以及在经济研究实际工作中，均起着不可替代的重要作用。 熊志斌（２０１１）深入分析了时间序列模型与神经网络（ＮＮ）模型的优势和劣势，按照两种模型的预测特性，在比较的基础之上，分别构建了ＡＲＩＭＡ模型和ＮＮ模型，并根据一定算法对两种模型进行了集成。将ＧＤＰ时间序列的数据结构，根据在非线性空间和线性空间的预测优势，进一步分解为线性非线性残差和自相关主体两部分，即首先用ＡＲＩＭＡ分析技术构建线性主体模型，然后用ＮＮ模型估计非线性残差，再对序列的整个预测结果进行最终集成。仿真实证结果表明：与单一模型相比，集成模型的预测准确率显著提高，进行ＧＤＰ预测当然使用集成模型更为有效［１］。桂文林和韩兆洲（２０１１）认为由于迄今为止，包括季度ＧＤＰ在内的经季节调整之后的经济数据，中国政府尚未进行公布，不但无法进行国际之间的横向比较，也不利于监测中国宏观经济态势。本文运用１９９６年第１季度至２００９年第４季度的中国实际ＧＤＰ数据，构建了状态空间模型，使用卡尔曼滤波迭代算法对季节调整模型状态向量的 各分量，进行了最优平滑、预测和估计，并使用极大似然方法估计了超参数。经过对ＧＤＰ的主要季节和趋势特征的分析，计算出了环比增长率指标来监测和分析经济走势，并与国际通用的ＴＲＡＭＯ－ＳＥＡＴＳ季节调整模型进行了对比，以便鉴别趋势拐点，制定相关的经济政策［２］。高帆（２０１０）运用１９５２～２００８年的上海ＧＤＰ增长率数据，实证研究其内在变动机制，将ＧＤＰ增长率分解为纯生产率效应、纯劳动投入效应、纯生产结构效应、纯劳动结构效应，并分析了这四种效应之间的交互影响。结果表明：在上海ＧＤＰ增长率提高的四种效应之中，纯生产率效应起到了关键作用。上海ＧＤＰ增长率自１９７８年改革开放之后，在整体上对纯生产率效应的依赖度趋于增强。在１９７８～１９８９年期间，纯劳动结构效应是ＧＤＰ增长的主要因素，由于市场化改革的进一步加大，劳动力跨部门流转在很大程度上得以实现。在１９９０～２００８年期间，纯生产率效应是ＧＤＰ增长的主要因素，正是由于在此历史阶段，由于资本深化进一步加速，从而有效提高了部门劳动生产率。基于实证的研究结论，可以针对性地制定出今后上海市经济实现持续增长的若干宏观政策［３］。腾格尔和何跃（２０１０）利用中国季度ＧＤＰ数据分别构建了ＡＲＩＭＡ和ＡＲＣＨ模型，同时利用ＧＭＤＨ自组织方法尝试建模，经过Ｂｏｎ－ｆｅｒｒｏｎｉ－Ｄｕｎｎ检验，表明与单一模型相比，组合模型的拟合能力更强。研究表明，基于ＧＭＤＨ组合的ＧＤＰ模 ＊收稿日期： ２０１２－０２－１２ 作者简介： 何新易（１９６６—），男，湖北武汉人，南通大学商学院副教授，经济学博士，研究方向：宏观国民经济问题、中国企业集团融资和投资。
R 语言环境下使用ARIMA模型做时间序列预测 1.序列平稳性检验 通过趋势线、自相关(ACF)与偏自相关(PACF)图、假设检验和因素分解等方法确定序列平稳性，识别周期性，从而为选择适当的模型提供依据。 1.1绘制趋势线 图1 序列趋势线图 从图1很难判断出序列的平稳性。 1.2绘制自相关和偏自相关图
图2 序列的自相关和偏自相关图
从图2可以看出，ＡＣＦ拖尾，ＰＡＣＦ１步截尾（p=1），说明该现金流时间序列可能是平稳性时间序列。 1.3 ADF、PP和KPSS 检验平稳性 图3 ADF、PP和KPSS检验结果 通过ADF检验，说明该现金流时间序列是平稳性时间序列（p-value for ADF test <0.02，拒绝零假设）.pp test和kpss test 结果中的警告信息说明这两种检验在这里不可用。但是这些检验没有充分考虑趋势、周期和季节性等因素。下面对该序列进行趋势、季节性和不确定性因素分解来进一步确认序列的平稳性。 1.4 趋势、季节性和不确定性因素分解 R 提供了两种方法来分解时间序列中的趋势、季节性和不确定性因素。第一种是使用简单的对称过滤法，把相应时期内经趋势调整后的观察值进行平均，通过decompose()函数实现，如图4。第二种方法更为精确，它通过平滑增大规模后的观察值来寻找趋势、季节和不确定因素，利用stl()函数实现。如图5。
图4 decompose()函数分解法 图5 stl()函数分解法 两种方法得到的结果非常相似。从上图可以看出，该现金流时间序列没有很明显的长期趋势。但是有明显的季节性或周期性趋势，经分解后的不确定因素明显减少。
梧州学院 论文题目基于时间序列分析梧州市财政 收入研究 系别数理系 专业信息与计算科学 班级 09信息与计算科学 学号 200901106034 学生姓名胡莲珍 指导老师覃桂江 完成时间
摘要 梧州市财政收入主要来源于基金收入，地方税收收入和非税收收入等几方面。近年来梧州市在自治区党委、自治区政府和市委的正确领导下，全市广大干部群众深入贯彻落实科学发展观，抢抓机遇，开拓进取，克难攻坚，使得全市经济连续几年快速发展，全市人民的生活水平也大幅度提高，但伴随着发展的同时也存在一些问题，本文主要通过研究分析梧州财政收入近几年的状况，根据采用时间序列分析中的一次简单滑动平均法研究分析梧州市财政收入和支出的情况，得到的结果是梧州市财政收入呈现下降状态，而财政支出却逐年上涨，这种状况将导致梧州市人民生活水平下降，影响梧州市各方面的发展。给予一些有益于梧州市财政发展的建议。本文首先介绍主要运用的时间序列分析的概念及其一次简单滑动平均法的方法，再用图表说明了梧州市财政近几年的财政收入和支出状况，然后建立模型，分析由时间序列分析方法得出的对2012年财政收入状况的预测结果，最后，鉴于提高梧州市财政收入的思想，给予了一些合理性建议，比如：积极实施工业强县战略，壮大工业主导财源；大力发展第三产业，强化地方财源建设；完善公共财政支出机制，着力构建和谐社会。 关键词：梧州市；财政收入；时间序列分析；建立模型；建议
Based onThe Time Series Analysis of Wuzhou city Finance Income Studies Abstract Wuzhou city, fiscal revenue mainly comes from fund income, local tax revenue and the tax revenue etc. Wuzhou city in recent years in the autonomous region party committee, the government of the autonomous region and the municipal party committee under the correct leadership, the cadres and masses thoroughly apply the scientific outlook on development, catch every opportunity, pioneering and enterprising, g hard, make the crucial economic rapid development for several years, the people's living standard has also increased significantly, but with the development at the same time, there are also some problems, this paper mainly through the research and analysis the condition of wuzhou fiscal revenue in recent years, according to the time series analysis of a simple moving average method research and analysis of financial income and expenditure wuzhou city, the result obtained is wuzhou city, fiscal revenue decline present condition, and fiscal spending is rising year by year, the situation will lead to wuzhou city, the people's living standards decline, influence all aspects of wuzhou city development. Give some Suggestions on the development of the financial benefit wuzhou city. This paper first introduces the main use of the time series analysis of the concept and a simple moving average method method, reoccupy chart illustrates the wuzhou city, in recent years the financial revenue and expenditure situation, then set a model, analysis the time series analysis method to draw 2012 fiscal income condition prediction results, finally, in view of wuzhou city, improve the financial income thoughts, give some advice, for instance: rationality vigorously implement the strategy of industrial county, strengthen the industry leading financial sources, A vigorous development of the third industry, and to strengthen the construction of local revenue;
39. 时间序列分析Ⅱ——ARIMA 模型 随着对时间序列分析方法的深入研究，人们发现非平稳序列的确定性因素分解方法（如季节模型、趋势模型、移动平均、指数平滑等）只能提取显著的确定性信息，对随机性信息浪费严重，同时也无法对确定性因素之间的关系进行分析。 而非平稳序列随机分析的发展就是为了弥补确定性因素分解方法的不足。时间序列数据分析的第一步都是要通过有效手段提取序列中所蕴藏的确定性信息。Box 和Jenkins 使用大量的案例分析证明差分方法是一种非常简便有效的确定性信息的提取方法。而Gramer 分解定理则在理论上保证了适当阶数的差分一定可以充分提取确定性信息。 （一）ARMA 模型 即自回归移动平均移动模型，是最常用的拟合平稳时间序列的模型，分为三类：AR 模型、MA 模型和ARMA 模型。 一、AR(p )模型——p 阶自回归模型 1. 模型： 011t t p t p t x x x φφφε--=+++L 其中，0p φ≠，随机干扰序列εt 为0均值、2εσ方差的白噪声序列（()0t s E εε=, t ≠s ），且当期的干扰与过去的序列值无关，即E(x t εt )=0.
由于是平稳序列，可推得均值0 11p φμφφ= ---L . 若00φ=，称为 中心化的AR (p )模型，对于非中心化的平稳时间序列，可以令 01(1)p φμφφ=---L ，*t t x x μ=-转化为中心化。 记B 为延迟算子，1()p p p B I B B φφΦ=---L 称为p 阶自回归多项式，则AR (p )模型可表示为：()p t t B x εΦ=. 2. 格林函数 用来描述系统记忆扰动程度的函数，反映了影响效应衰减的快慢程度（回到平衡位置的速度），G j 表示扰动εt-j 对系统现在行为影响的权数。 例如，AR(1)模型（一阶非齐次差分方程），1, 0,1,2,j j G j φ==L 模型解为0t j t j j x G ε∞ -==∑. 3. 模型的方差 对于AR(1)模型，22 2 1()()1t j t j j Var x G Var εσεφ∞ -===-∑. 4. 模型的自协方差 对中心化的平稳模型，可推得自协方差函数的递推公式： 用格林函数显示表示： 2 00 ()()i j t j t k j j k j i j j k G G E G G γεεσ ∞∞ ∞ ---+=====∑∑∑ 对于AR(1)模型，
们可以观察到1978年～2006年我国GDP（现价，生产法）具有明显的上升趋势。在ADF检验时选择含有常数项和时间趋势项，由SIC 准则确定滞后阶数（p=4）。GDP序列的ADF检验如下： 检验结果显示，GDP序列以较大的P值，即100%的概率接受原假设，即存在单位根的结论。 将GDP序列做1阶差分，然后对ΔGDP进行ADF检验 检验结果显示，ΔGDP序列仍接受存在单位根的结论。其他检验方法
的结果也接受原假设，ΔGDP序列存在单位根，是非平稳的。 再对ΔGDP序列做差分，则Δ2GDP的ADF检验（选择不含常数项和趋势项,）如下： 检验结果显示，二阶差分序列Δ2GDP在1%的显著性水平下拒绝原假设，接受不存在单位根的结论，因此可以确定GDP序列是2阶单整序列，即GDP ～I (2)。 GDP序列是2阶单整序列，即GDP ～I (2)。但是检验得到GDP的对数序列ln(GDP)是1阶单整序列，所以本例建立Δln(GDP)序列的ARIMA模型。首先观察Δln(GDP)序列的相关图
图5.10Δl n(G D P)序列的相关图 Δln(GDP)序列的自相关系数和偏自相关系数都在1阶截尾，则取模型的阶数p =1 和q =1，建立ARIMA(1,1,1) 模型(时间期间：1978～2004年，2005和2006年实际数据不参加建模，留作检验）：
图5.11Δl n(G D P)序列的A R I M A(1,1,1)模型残差的相关图从图5.11的相关图中可以看出模型的残差不存在序列相关，并且模型的各项统计量也很好。 图5.12是这个模型的拟合和预测（静态）的结果，其中2005年和2006年为预测结果。
BOX-JENKINS 预测法 1 适用于平稳时序的三种基本模型 （1）()AR p 模型（Auto regression Model ）——自回归模型 p 阶自回归模型： 式中，为时间序列第时刻的观察值，即为因变量或称被解释变量；， 为时序的滞后序列，这里作为自变量或称为解释变量；是随机误 差项；，，，为待估的自回归参数。 （2）()MA q 模型（Moving Average Model ）——移动平均模型 q 阶移动平均模型： 式中，μ为时间序列的平均数，但当{}t y 序列在0上下变动时，显然μ=0，可删除此项；t e ，1t e -，2t e -，…，t q e -为模型在第t 期，第1t -期，…，第t q -期 的误差；1θ，2θ，…，q θ为待估的移动平均参数。 （3）(,)ARMA p q 模型——自回归移动平均模型（Auto regression Moving Average Model ） 模型的形式为： 显然，(,)ARMA p q 模型为自回归模型和移动平均模型的混合模型。当q =0,时，退化为纯自回归模型()AR p ；当p =0时，退化为移动平均模型()MA q 。 2 改进的ARMA 模型 （1）(,,)ARIMA p d q 模型 这里的d 是对原时序进行逐期差分的阶数，差分的目的是为了让某些非平稳（具有一定趋势的）序列变换为平稳的，通常来说d 的取值一般为0,1,2。 对于具有趋势性非平稳时序，不能直接建立ARMA 模型，只能对经过平稳化处理，而后对新的平稳时序建立(,)ARMA p q 模型。这里的平文化处理可以是差分处理，也可以是对数变换，也可以是两者相结合，先对数变换再进行差分处理。 （2）(,,)(,,)s ARIMA p d q P D Q 模型 对于具有季节性的非平稳时序（如冰箱的销售量，羽绒服的销售量），也同样需要进行季节差分，从而得到平稳时序。这里的D 即为进行季节差分的阶数； ,P Q 分别是季节性自回归阶数和季节性移动平均阶数；S 为季节周期的长度， 如时序为月度数据，则S =12，时序为季度数据，则S =4。 在SPSS19.0中的操作如下