应用时间序列分析实验报告
单位根检验输出结果如下：序列x的单位根检验结果：
1967 58.8 53.4 1968 57.6 50.9 1969 59.8 47.2 1970 56.8 56.1 1971 68.5 52.4 1972 82.9 64.0 1973 116.9 103.6 1974 139.4 152.8 1975 143.0 147.4 1976 134.8 129.3 1977 139.7 132.8 1978 167.6 187.4 1979 211.7 242.9 1980 271.2 298.8 1981 367.6 367.7 1982 413.8 357.5 1983 438.3 421.8 1984 580.5 620.5 1985 808.9 1257.8 1986 1082.1 1498.3 1987 1470.0 1614.2 1988 1766.7 2055.1 1989 1956.0 2199.9 1990 2985.8 2574.3 1991 3827.1 3398.7 1992 4676.3 4443.3 1993 5284.8 5986.2 1994 10421.8 9960.1 1995 12451.8 11048.1 1996 12576.4 11557.4 1997 15160.7 11806.5 1998 15223.6 11626.1 1999 16159.8 13736.5 2000 20634.4 18638.8 2001 22024.4 20159.2 2002 26947.9 24430.3 2003 36287.9 34195.6 2004 49103.3 46435.8 2005 62648.1 54273.7 2006 77594.6 63376.9 2007 93455.6 73284.6 2008 100394.9 79526.5 run; proc gplot; plot x*t=1 y*t=2/overlay; symbol1c=black i=join v=none; symbol2c=red i=join v=none w=2l=2; run; proc arima data=example6_4; identify var=x stationarity=(adf=1); identify var=y stationarity=(adf=1); run; proc arima; identify var=y crrosscorr=x; estimate methed=ml input=x plot; forecast lead=0id=t out=out; proc aima data=out; identify varresidual stationarity=(adf=2); run;
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
第五章时间序列分析与建模简介 时间序列建模（ Modelling via time series ）。时间序列分析与建模是数理统计的重要分支，其主要学术贡献人是Box 和 Jenkins。本章扼要介绍吴宪民和 Pandit的工作，仅要求一般了解当前时间序列分析与建模的一些主要结果。参考书：“时间序列及系统分析与应用（美）吴宪民，机械工业出版社（1988）TP13/66。 引言 根据对系统观测得出的按照时间顺序排列的数据，通过曲线拟合和参数估计或者谱分析，建立数学模型的理论与方法，理论基础是数理统计。有时域和频域两类建模方法，这里概括介绍时域方法，即基于曲线拟合与参数估计（如最小二乘法）的方法。常用于经济系统建模（如市场预测、经济规划）、气象与水文预报、环境与地震信号处理和天文等学科的信号处理等等。 §5—1 ARMA模型分析 一、模型类 把具有相关性的观测数据组成的时间序列{ x k }视为以正态同分布白噪声序列{ a k }为 输入的动态系统的输出。用差分模型ARMA (n,m) 为(z-1) x k = (z-1) a k 式（5-1-1） 其中： (z-1) = 1- 1 z-1-…- n z-n (z-1) = 1- 1 z-1-…- m z-m
离散传函 式（5-1-2） 为与参考书符号一致，以下用B表示时间后移算子 即： B x k = x k-1 B即z-1，B2即z-2… (B)=0的根为系统的极点，若全部落在单位园内则系统稳定；(B)=0的根为系统的零点，若全部在单位园内则系统逆稳定。 二、关于格林函数和时间序列的稳定性 1．格林函数G i 格林函数G i 用以把x t 表示成a t 及a t 既往值的线性组合。 式（5-1-3） G I 可以由下式用长除法求得： 例1．AR(1): x t - 1 x t-1 = a t 即： G j = 1 j（显示） 例2．ARMA (1,1): x t - 1 x t-1 = a t - 1 a t G 0= 1 ; G j =( 1 - 1 ) 1 j-1 ,j 1 （显示） ∑∞=- = j j t j t a G x
目录 摘要 (1) 第一章绪论 (2) 1.1 时间序列模型的发展及其作用 (2) 1.2 什么是时间序列模型 (2) 1.3 本文研究的主要方法和手段 (2) 1.4 本文主要研究思路及内容安排 (2) 第二章 ARMA模型 (4) 2.1 ARMA模型的基本原理 (4) 2.2 样本自协方差函数、自相关函数和偏相关函数 (4) 2.3 ARMA模型识别方法 (5) 2.4 模型参数估计 (6) 第三章实例分析 (7) 3.1 题目 (7) 3.2 问题分析 (7) 3.3 问题求解 (8) 3.3.1数据的观测 (8) 3.3.2数据处理 (8) 3.3.3求解自相关和偏相关函数 (8) 3.4 模型的识别及求解 (9) 3.5 结论 (11) 参考文献 (12) 附录 (12) 评阅书 (15)
《随机过程》课程设计任务书
摘要 ARMA模型是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平均模型（简称MA模型）为基础“混合”构成。ARMA模型广泛应用在经济、工程等各个领域得益于其在具体预测方面的优势。在许多方面用该模型所作出的预测比其他传统经济计量方法更加精确。平稳时间序列模型主要有自回归模型(AR)、滑动平均模型(MA)和自回归滑动平均模型(ARMA)等，这些线性模型考虑因素较简单。自回归滑动平均模型(ARMA)计算简单，易于实时更新数据。 本文描述了ARMA模型的原理、自相关函数和偏相关函数的计算过程、模型的识别方法以及ARMA模型的计算过程。并给出一组平稳时间序列的数据，对数据进行分析和处理，求出自相关系数和偏相关，并利用MATLAB软件画出自相关系数和偏相关图形，有图可知它们都是拖尾的，因此可以确定是) ARMA模 p , (q 型。接下来就是确定) ARMA的阶数，本文采用了AIC准则确定模型的阶数， p , (q 在实际问题中，为使线性模型简单起见，通常p与q的数值被取得较小，却需都不为零。确定阶数后，就用我们学过的求解方法解出未知的参数，这样我们就得到了混合模型的表达式。 关键字：) ARMA模型，自相关函数，偏相关函数 p , (q
【时间简“识”】 说明：本文摘自于经管之家(原人大经济论坛) 作者：胖胖小龟宝。原版请到经管之家(原人大经济论坛) 查看。 1.带你看看时间序列的简史 现在前面的话—— 时间序列作为一门统计学，经济学相结合的学科，在我们论坛，特别是五区计量经济学中是热门讨论话题。本月楼主推出新的系列专题——时间简“识”，旨在对时间序列方面进行知识扫盲（扫盲，仅仅扫盲而已……），同时也想借此吸引一些专业人士能够协助讨论和帮助大家解疑答惑。 在统计学的必修课里，时间序列估计是遭吐槽的重点科目了，其理论性强，虽然应用领域十分广泛，但往往在实际操作中会遇到很多“令人发指”的问题。所以本帖就从基础开始，为大家絮叨絮叨那些关于“时间”的故事！ Long long ago，有多long估计大概7000年前吧，古埃及人把尼罗河涨落的情况逐天记录下来，这一记录也就被我们称作所谓的时间序列。记录这个河流涨落有什么意义当时的人们并不是随手一记，而是对这个时间序列进行了长期的观察。结果，他们发现尼罗河的涨落非常有规律。掌握了尼罗河泛滥的规律，这帮助了古埃及对农耕和居所有了规划，使农业迅速发展，从而创建了埃及灿烂的史前文明。
好~~从上面那个故事我们看到了 1、时间序列的定义——按照时间的顺序把随机事件变化发展的过程记录下来就构成了一个时间序列。 2、时间序列分析的定义——对时间序列进行观察、研究，找寻它变化发展的规律，预测它将来的走势就是时间序列分析。 既然有了序列，那怎么拿来分析呢 时间序列分析方法分为描述性时序分析和统计时序分析。 1、描述性时序分析——通过直观的数据比较或绘图观测，寻找序列中蕴含的发展规律，这种分析方法就称为描述性时序分析 描述性时序分析方法具有操作简单、直观有效的特点，它通常是人们进行统计时序分析的第一步。 2、统计时序分析 （1）频域分析方法 原理：假设任何一种无趋势的时间序列都可以分解成若干不同频率的周期波动 发展过程： 1）早期的频域分析方法借助富里埃分析从频率的角度揭示时间序列的规律 2）后来借助了傅里叶变换，用正弦、余弦项之和来逼近某个函数 3）20世纪60年代，引入最大熵谱估计理论，进入现代谱分析阶段 特点：非常有用的动态数据分析方法，但是由于分析方法复杂，结果抽象，有一定的使用局限性 （2）时域分析方法
时间序列分析法原理及步骤 ----目标变量随决策变量随时间序列变化系统 一、认识时间序列变动特征 认识时间序列所具有的变动特征, 以便在系统预测时选择采用不同的方法 1》随机性:均匀分布、无规则分布,可能符合某统计分布(用因变量的散点图和直方图及其包含的正态分布检验随机性, 大多服从正态分布 2》平稳性:样本序列的自相关函数在某一固定水平线附近摆动, 即方差和数学期望稳定为常数 识别序列特征可利用函数 ACF :其中是的 k 阶自 协方差,且 平稳过程的自相关系数和偏自相关系数都会以某种方式衰减趋于 0, 前者测度当前序列与先前序列之间简单和常规的相关程度, 后者是在控制其它先前序列的影响后,测度当前序列与某一先前序列之间的相关程度。实际上, 预测模型大都难以满足这些条件, 现实的经济、金融、商业等序列都是非稳定的,但通过数据处理可以变换为平稳的。 二、选择模型形式和参数检验 1》自回归 AR(p模型
模型意义仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用,不受模型变量互相独立的假设条件约束,所构成的模型可以消除普通回归预测方法中由于自变量选择、多重共线性的比你更造成的困难用 PACF 函数判别 (从 p 阶开始的所有偏自相关系数均为 0 2》移动平均 MA(q模型 识别条件
平稳时间序列的偏相关系数和自相关系数均不截尾,但较快收敛到 0, 则该时间序列可能是 ARMA(p,q模型。实际问题中,多数要用此模型。因此建模解模的主要工作时求解 p,q 和φ、θ的值,检验和的值。 模型阶数 实际应用中 p,q 一般不超过 2. 3》自回归综合移动平均 ARIMA(p,d,q模型 模型含义 模型形式类似 ARMA(p,q模型, 但数据必须经过特殊处理。特别当线性时间序列非平稳时,不能直接利用 ARMA(p,q模型,但可以利用有限阶差分使非平稳时间序列平稳化,实际应用中 d (差分次数一般不超过 2. 模型识别 平稳时间序列的偏相关系数和自相关系数均不截尾,且缓慢衰减收敛,则该时间序列可能是 ARIMA(p,d,q模型。若时间序列存在周期性波动, 则可按时间周期进
季节性时间序列分析方 法 LG GROUP system office room 【LGA16H-LGYY-LGUA8Q8-LGA162】
第七章季节性时间序列分析方法 由于季节性时间序列在经济生活中大量存在，故将季节时间序列从非平稳序列中抽出来，单独作为一章加以研究，具有较强的现实意义。本章共分四节：简单随机时间序列模型、乘积季节模型、季节型时间序列模型的建立、季节调整方法X-11程序。 本章的学习重点是季节模型的一般形式和建模。 §1 简单随机时序模型 在许多实际问题中，经济时间序列的变化包含很多明显的周期性规律。比如：建筑施工在冬季的月份当中将减少，旅游人数将在夏季达到高峰，等等，这种规律是由于季节性（seasonality）变化或周期性变化所引起的。对于这各时间数列我们可以说，变量同它上一年同一月（季度，周等）的值的关系可能比它同前一月的值的相关更密切。 一、季节性时间序列 1．含义：在一个序列中，若经过S个时间间隔后呈现出相似性，我们说该序列具有以S为周期的周期性特性。具有周期特性的序列就称为季节性时间序列，这里S为周期长度。 注：①在经济领域中，季节性的数据几乎无处不在，在许多场合，我们往往可以从直观的背景及物理变化规律得知季节性的周期，如季度数据（周期为4）、月度数据（周期为12）、周数据（周期为7）；②有的时间序列也可能包含长度不同的若干种周期，如客运量数据（S=12，S=7） 2．处理办法： （1）建立组合模型； （1）将原序列分解成S个子序列（Buys-Ballot 1847）
对于这样每一个子序列都可以给它拟合ARIMA 模型，同时认为各个序列之间是相互独立的。但是这种做法不可取，原因有二：（1）S 个子序列事实上并不相互独立，硬性划分这样的子序列不能反映序列{}t x 的总体特征；（2）子序列的划分要求原序列的样本足够大。 启发意义：如果把每一时刻的观察值与上年同期相应的观察值相减，是否能将原序列的周期性变化消除（ 或实现平稳化），在经济上，就是考查与前期相比的净增值，用数学语言来描述就是定义季节差分算子。 定义：季节差分可以表示为S t t t S t S t X X X B X W --=-=?=)1(。 二、 随机季节模型 1．含义：随机季节模型，是对季节性随机序列中不同周期的同一周期点之间的相关关系的一种拟合。 AR （1）：t t S t S t t e W B e W W =-?+=-)1(11??，可以还原为：t t S S e X B =?-)1(1?。 MA （1）：t S t S t t t e B W e e W )1(11θθ-=?-=-，可以还原为：t S t S e B X )1(1θ-=?。 2．形式：广而言之，季节型模型的ARMA 表达形式为 t S t S e B V W B U )()(= （1） 这里，?? ? ??----=----=?=qS q S S S pS P S S S t d S t B V B V B V B V B U B U B U B U X W 2212211)(1)()(平稳。 注：（1）残差t e 的内容；（2）残差t e 的性质。 §2 乘积季节模型 一、 乘积季节模型的一般形式 由于t e 不独立，不妨设),,(~m d n ARIMA e t ，则有
第一章平稳时间序列模型及其特征 第一节模型类型及其表示 一、自回归模型（AR） 由于经济系统惯性的作用，经济时间序列往往存在着前后依存关系。最简单的一种前后依存关系就是变量当前的取值主要与其前一时期的取值状况有关。用数学模型来描述这种关系就是如下的一阶自回归模型： X t=φX t-1+εt（2.1.1）常记作AR(1)。其中｛X t｝为零均值（即已中心化处理）平稳序列，φ为X t对X t－1的依赖程度，εt为随机扰动项序列（外部冲击）。 如果X t 与过去时期直到X t-p的取值相关，则需要使用包含X t－ X t-p在内的p阶自回归模型来加以刻画。P阶自回归模型的一1 ，…… 般形式为： X t=φ1 X t－1+φ2 X t－2+…+φp X t－p+εt（2.1.2）为了简便运算和行文方便，我们引入滞后算子来简记模型。设B 为滞后算子，即BX t=X t-1, 则B(B k-1X t)=B k X t=X t-k B(C)=C(C为常数)。利用这些记号，（2.1.2）式可化为： X t=φ1BX t+φ2B2X t+φ3B3X t+……+φp B p X t+εt 从而有： （1-φ1B-φ2B2-……-φp B p）X t=εt 记算子多项式φ（B）＝（1-φ1B-φ2B2-……-φp B P）,则模型可以表
示成 φ（B）X t=εt (2.1.3) 例如，二阶自回归模型X t=0.7X t-1+0.3X t-2+0.3X t-3+εt可写成（1-0.7B-0.3B2）X t=εt 二、滑动平均模型（MA） 有时，序列X t的记忆是关于过去外部冲击值的记忆，在这种情况下，X t可以表示成过去冲击值和现在冲击值的线性组合，即 X t=εt-θ1εt-1-θ2εt-2-……-θqεt-q (2.1.4) 此模型常称为序列X t的滑动平均模型，记为MA(q)，其中q为滑动平均的阶数，θ1，θ2…θq为参滑动平均的权数。相应的序列X t称为滑动平均序列。 使用滞后算子记号，（2.1.4）可写成 X t=（1-θ1B-θ2B2-……- θq B q）q t=θ(B)εt (2.1.5) 三、自回归滑动平均模型 如果序列｛X t｝的当前值不仅与自身的过去值有关，而且还与其以前进入系统的外部冲击存在一定依存关系，则在用模型刻画这种动态特征时，模型中既包括自身的滞后项，也包括过去的外部冲击，这种模型叫做自回归滑动平均模型，其一般结构为： X t=φ1X t-1+φ2X t-2+……+φp X t-p+εt-θ1εt-1-θ2εt-2-……-θqεt-q (2.1.6) 简记为ARMA(p, q)。利用滞后算子，此模型可写为 φ（B）X t=θ(B)εt（2.1.7）
基于Excel的时间序列预测与分析 1 时序分析方法简介 1.1时间序列相关概念 1.1.1 时间序列的内涵以及组成因素 所谓时间序列就是将某一指标在不同时间上的不同数值，按照时间的先后顺序排列而成的数列。如经济领域中每年的产值、国民收入、商品在市场上的销量、股票数据的变化情况等，社会领域中某一地区的人口数、医院患者人数、铁路客流量等，自然领域的太阳黑子数、月降水量、河流流量等等，都形成了一个时间序列。人们希望通过对这些时间序列的分析，从中发现和揭示现象的发展变化规律，或从动态的角度描述某一现象和其他现象之间的内在数量关系及其变化规律，从而尽可能多的从中提取出所需要的准确信息，并将这些知识和信息用于预测，以掌握和控制未来行为。 时间序列的变化受许多因素的影响 ,有些起着长期的、决定性的作用 ,使其呈现出某种趋势和一定的规律性；有些则起着短期的、非决定性的作用，使其呈现出某种不规则性。在分析时间序列的变动规律时，事实上不可能对每个影响因素都一一划分开来，分别去作精确分析。但我们能将众多影响因素，按照对现象变化影响的类型，划分成若干时间序列的构成因素，然后对这几类构成要素分别进行分析，以揭示时间序列的变动规律性。影响时间序列的构成因素可归纳为以下四种: (1)趋势性(Trend),指现象随时间推移朝着一定方向呈现出持续渐进地上升、下降或平稳的变化或移动。这一变化通常是许多长期因素的结果。 (2)周期性(Cyclic)，指时间序列表现为循环于趋势线上方和下方的点序列并持续一年以上的有规则变动。这种因素是因经济多年的周期性变动产生的。比如，高速通货膨胀时期后面紧接的温和通货膨胀时期将会使许多时间序列表现为交替地出现于一条总体递增 地趋势线上下方。 (3)季节性变化(Seasonal variation)，指现象受季节性影响 ,按一固定周期呈现出的周期波动变化。尽管我们通常将一个时间序列中的季节变化认为是以1年为期的，但是季节因素还可以被用于表示时间长度小于1年的有规则重复形态。比如，每日交通量数据表现出为期1天的“季节性”变化，即高峰期到达高峰水平，而一天的其他时期车流量较小，从午夜到次日清晨最小。
应用时间序列分析实验报告 实验名称第三章平稳时间序列分析 一、上机练习 data example3_1; input x; time=_n_; cards; 0.30 -0.45 0.036 0.00 0.17 0.45 2.15 4.42 3.48 2.99 1.74 2.40 0.11 0.96 0.21 -0.10 -1.27 -1.45 -1.19 -1.47 -1.34 -1.02 -0.27 0.14 -0.07 0.10 -0.15 -0.36 -0.50 -1.93 -1.49 -2.35 -2.28 -0.39 -0.52 -2.24 -3.46 -3.97 -4.60 -3.09 -2.19 -1.21 0.78 0.88 2.07 1.44 1.50 0.29 -0.36 -0.97 -0.30 -0.28 0.80 0.91 1.95 1.77 1.80 0.56 -0.11 0.10 -0.56 -1.34 - 2.47 0.07 -0.69 -1.96 0.04 1.59 0.20 0.39 1.06 -0.39 -0.16 2.07 1.35 1.46 1.50 0.94 -0.08 -0.66 -0.21 -0.77 -0.52 0.05 ; procgplot data=example3_1; plot x*time=1; symbolc=red i=join v=star; run; 建立该数据集，绘制该序列时序图得： 根据所得图像，对序列进行平稳性检验。时序图就是一个平面二维坐标图，通常横轴表示时间，纵
轴表示序列取值。时序图可以直观地帮助我们掌握时间序列的一些基本分布特征。 根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的X围有界的特点。如果观察序列的时序图，显示出该序列有明显的趋势性或周期性，那它通常不是平稳序列。从图上可以看出，数值围绕在0附近随机波动，没有明显或周期，其本可以视为平稳序列，时序图显示该序列波动平稳。 procarima data=example3_1; identifyvar=x nlag=8; run; 图一 图二样本自相关图 图三样本逆自相关图
7 平稳时间序列预测法 7.1 概述 7.2 时间序列的自相关分析 7.3 单位根检验和协整检验 7.4 ARMA模型的建模 回总目录 7.1 概述 时间序列取自某一个随机过程，则称： 一、平稳时间序列 过程是平稳的――随机过程的随机特征不随时间变化而变化过程是非平稳的――随机过程的随机特征随时间变化而变化回总目录 回本章目录 宽平稳时间序列的定义： 设时间序列 ，对于任意的t,k和m，满足： 则称宽平稳。 回总目录
回本章目录 Box-Jenkins方法是一种理论较为完善的统计预测方法。 他们的工作为实际工作者提供了对时间序列进行分析、预测，以及对ARMA模型识别、估计和诊断的系统方 法。使ARMA模型的建立有了一套完整、正规、结构 化的建模方法，并且具有统计上的完善性和牢固的理 论基础。 ARMA模型是描述平稳随机序列的最常用的一种模型； 回总目录 回本章目录 ARMA模型三种基本形式： 自回归模型（AR：Auto-regressive）； 移动平均模型（MA：Moving-Average）； 混合模型（ARMA：Auto-regressive Moving-Average）。回总目录 回本章目录 如果时间序列满足 其中是独立同分布的随机变量序列,且满足：
则称时间序列服从p阶自回归模型。 二、自回归模型 回总目录 回本章目录 自回归模型的平稳条件： 滞后算子多项式 的根均在单位圆外，即 的根大于1。 回总目录 回本章目录 如果时间序列满足 则称时间序列服从q阶移动平均模型。或者记为。 平稳条件：任何条件下都平稳。
三、移动平均模型MA(q) 回总目录 回本章目录 四、ARMA(p,q)模型 如果时间序列 满足： 则称时间序列服从(p,q)阶自回归移动平均模型。 或者记为： 回总目录 回本章目录 q=0，模型即为AR(p)； p=0，模型即为MA(q)。 ARMA(p,q)模型特殊情况： 回总目录 回本章目录 例题分析 设 ，其中A与B 为两个独立的零均值随机变量，方差为1；
第二篇 预测方法与模型 预测是研究客观事物未来发展方向与趋势的一门科学。统计预测是以统计调查资料为依据，以经济、社会、科学技术理论为基础，以数学模型为主要手段，对客观事物未来发展所作的定量推断和估计。根据社会、经济、科技的预测结论，人们可以调整发展战略，制定管理措施，平衡市场供求，进行各种各样的决策。预测也是制定政策，编制规划、计划，具体组织生产经营活动的科学基础。20世纪三四十年代以来，随着人类社会生产力水平的不断提高和科学技术的迅猛发展，特别是近年来以计算机为主的信息技术的飞速发展，更进一步推动了预测技术在国民经济、社会发展和科学技术各个领域的应用。 预测包含定性预测法、因果关系预测法和时间序列预测法三类。本篇对定性预测法不加以介绍，对后两类方法选择以下几种介绍方法的原理、模型的建立和实际应用，分别为：时间序列分析、微分方程模型、灰色预测模型、人工神经网络。 第五章 时间序列分析 在预测实践中，预测者们发现和总结了许多行之有效的预测理论和方法，但以概率统计理论为基础的预测方法目前仍然是最基本和最常用的方法。本章介绍其中的时间序列分析预测法。此方法是根据预测对象过去的统计数据找到其随时间变化的规律，建立时间序列模型，以推断未来数值的预测方法。时间序列分析在微观经济计量模型、宏观经济计量模型以及经济控制论中有广泛的应用。 第一节 时间序列简介 所谓时间序列是指将同一现象在不同时间的观测值，按时间先后顺序排列所形成的数列。时间序列一般用 ,,,,21n y y y 来表示，可以简记为}{t y 。它的时间单位可以是分钟、时、日、周、旬、月、季、年等。
一、时间序列预测法 时间序列预测法就是通过编制和分析时间序列，根据时间序列所反应出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年可能达到的水平。其容包括:收集与整理某种社会现象的历史资料；将这些资料进行检查鉴别，排成数列；分析时间序列，从中寻找该社会现象随时间变化而变化的规律，得出一定的模型，以此模型去预测该社会现象将来的情况。 二、时间序列数据的特点 通常，时间序列经过合理的函数变换后都可以看作是由三个部分叠加而成，这三个部分是趋势项部分、周期项部分和随机项部分。 1. 趋势性 许多序列的一个最主要的特征就是存在趋势。这种趋势可能是向下的也可能是向上的，也许比较陡，也许比较平缓，或者是指数增长，或者近似线性。总之，时间序列的趋势性是依据时间序列进行预测的本质所在。 2. 季节性/周期性 当数据按照月或季观测时，通常的情况是这样的:时间序列会呈现出明显的季节性。对季节性也不存在一个非常精确的定义。通常，当某个季节的观测值具有与其它季节的观测值明显不同的特征时，就称之为季节性。 3. 异常观测值 异常观测值指那些严重偏离趋势围的特殊点。异常观测值的出现往往是由于某些不可抗 1958 年自然灾害和1966年左右“文化大革命”对我国经拒的外部条件的影响。如1960 济的影响，造成经济指标陡然下降现象；1992年，我国银行紧缩政策造成的房地产业泡沫破灭，而使得房地产业的经济数据发生突然变化的例子等等。 4. 条件异方差性 所谓条件异方差性，表现出来就是异常数据观测值成群地出现，故也称为“波动积聚性”。由于方差是风险的测度，因此波动存在的积聚性的预测对于评估投资决策是很有用的，对于期权和其它金融衍生产品的买卖决策也是有益的。 5. 非线性 对非线性的最好定义就是“线性以外的一切”。非线性常常表现为“机制转换”(regime witches)或者“状态依赖”(State pendence)。其中状态依赖意味着时间序列的特征依赖于其现时的状态;不同的时刻，其特征不一样。当时间序列的特征在所有的离散状态都不一样时，就成为机制转换特性。 三、时间序列的分类 1. 按研究的对象的多少可分为单变量时间序列和多变量时间序列。 如果所研究的对象是一个变量，如某个国家的国生产总值，即为单变量时间序列。果所研究的对象是多个变量，如按年、月顺序排列的气温、气压、雨量数据，为多变量时间序列。多变量时间序列不仅描述了各个变量的变化规律，而且还表示了各变量间相互依存关系的动态规律性。 2. 按时间的连续性可将时间序列分为离散时间序列和连续时间序列。 如果某一序列中的每一个序列值所对应的时间参数为间断点，则该序列就是一个离散时间序列。如果某一序列中的每个序列值所对应的时间参数为连续函数，则该序列就是一个连续时间序列。 3. 按序列的统计特性可分为平稳时间序列和非平稳时间序列两类。
第五讲（续） 平稳时间序列的ARMA模型 1
2 1 平稳性 有一类描述时间序列的重要随机模型受到了人们的广泛关注，这就是所谓的平稳模型。这类模型假设随机过程在一个不变的均值附近保持平衡。其统计规律不会随着时间的推移发生变化。平稳的定义分为严平稳和宽平稳。 定义1（严平稳） 设{},t x t T ∈是一个随机过程,t x 是在不同的时刻t 的随机变量，在不同的时刻t 是不同的随机变量，任取n 个值1,,n t t 和任
3 意的实数h ，则1,,n x x 分布函数满足关系式 1111(,,;,)(,,;,) n n n n n n F x x t t F x x t h t h =++ 则称{},t x t T ∈为严平稳过程。 在实际中，这几乎是不可能的。由此考虑到是否可以把条件放宽，仅仅要求其数字特征(数学期望和协方差)相等。 定义2（宽平稳） 若随机变量{},t x t T ∈的均值（一阶矩）和协方差（二阶矩）存在，且满足：
4 （1）任取t T ∈，有()t E x c =； （2）任取t T ∈，t T τ+∈，有 [(())(())]()E X t a X t a R ττ-+-= 协方差是时间间隔的函数。则称{},t x t T ∈ 为宽平稳过程，其中()R τ为协方差函数。 2 各种随机时间序列的表现形式
白噪声过程（white noise，如图1）。属于平稳过程。y t = u t, u t~ IID(0, σ2) 3 white noise 2 1 -1 -2 -3 140160240260 图1 白噪声序列（σ2=1） 5
时间序列分析方法第章 谱分析 HEN system office room 【HEN16H-HENS2AHENS8Q8-HENH1688】
第六章 谱分析 Spectral Analysis 到目前为止，t 时刻变量t Y 的数值一般都表示成为一系列随机扰动的函数形式，一般的模型形式为： 我们研究的重点在于，这个结构对不同时点t 和τ上的变量t Y 和τ Y 的协方差具有什么样的启示。这种方法被称为在时间域(time domain)上分析时间序列+∞∞-}{t Y 的性质。 在本章中，我们讨论如何利用型如)cos(t ω和)sin(t ω的周期函数的加权组合来描述时间序列t Y 数值的方法，这里ω表示特定的频率，表示形式为： 上述分析的目的在于判断不同频率的周期在解释时间序列+∞∞ -}{t Y 性质时所发挥的重要程度如何。如此方法被称为频域分析(frequency domain analysis)或者谱分析(spectral analysis)。我们将要看到，时域分析和频域分析之间不是相互排斥的，任何协方差平稳过程既有时域表示，也有频域表示，由一种表示可以描述的任何数据性质，都可以利用另一种表示来加以体现。对某些性质来说，时域表示可能简单一些；而对另外一些性质，可能频域表示更为简单。 § 母体谱 我们首先介绍母体谱，然后讨论它的性质。 6.1.1 母体谱及性质 假设+∞∞-}{t Y 是一个具有均值μ的协方差平稳过程，第j 个自协方差为： 假设这些自协方差函数是绝对可加的，则自协方差生成函数为： 这里z 表示复变量。将上述函数除以π2，并将复数z 表示成为指数虚数形式)ex p(ωi z -=，1-=i ，则得到的结果(表达式)称为变量Y 的母体谱： 注意到谱是ω的函数：给定任何特定的ω值和自协方差j γ的序列+∞∞-}{j γ，原则上都可以计算)(ωY s 的数值。 利用De Moivre 定理，我们可以将j i e ω-表示成为： 因此，谱函数可以等价地表示成为： 注意到对于协方差平稳过程而言，有：j j -=γγ，因此上述谱函数化简为： 利用三角函数的奇偶性，可以得到： 假设自协方差序列+∞∞-}{j γ是绝对可加的，则可以证明上述谱函数
第四章 预 测 在本章当中我们讨论预测的一般概念和方法，然后分析利用),(q p ARMA 模型进行预测的问题。 §4.1 预期原理 利用各种条件对某个变量下一个时点或者时间阶段内取值的判断是预测的重要情形。为此，需要了解如何确定预测值和度量预测的精度。 4.1.1 基于条件预期的预测 假设我们可以观察到一组随机变量t X 的样本值，然后利用这些数据预测随机变量1+t Y 的值。特别地，一个最为简单的情形就是利用t Y 的前m 个样本值预测1+t Y ，此时t X 可以描述为： 假设*|1t t Y +表示根据t X 对于1+t Y 做出的预测。那么如何度量预测效果呢？通常情况下，我们利用损失函数来度量预测效果的优劣。假设预测值与真实值之间的偏离作为损失，则简单的二次损失函数可以表示为(该度量也称为预测的均方误差)： 定理4.1 使得预测均方误差达到最小的预测是给定t X 时，对1 +t Y 的条件数学期望，即： 证明：假设基于t X 对1+t Y 的任意预测值为： 则此预测的均方误差为： 对上式均方误差进行分解，可以得到： 其中交叉项的数学期望为(利用数学期望的叠代法则)： 因此均方误差为： 为了使得均方误差达到最小，则有： 此时最优预测的均方误差为： 211*|1)]|([)(t t t t t X Y E Y E Y MSE +++-= End 我们以后经常使用条件数学期望作为随机变量的预测值。 4.1.2 基于线性投影的预测 由于上述条件数学期望比较难以确定，因此将预测函数的范围限制在线性函数当中，我们考虑下述线性预测： 如此预测的选取是所有预测变量的线性组合，预测的优劣则体现在系数向量的选择上。 定义4.1 如果我们可以求出一个系数向量值α，使得预测误差)(1t t X Y α'-+与t X 不相关： 则称预测t X α'为1+t Y 基于t X 的线性投影。 定理4.2 在所有线性预测当中，线性投影预测具有最小的均方误差。
t P p t t t t t x B x x B x Bx x ===---M 221第3章 平稳时间序列分析 一个序列经过预处理被识别为平稳非白噪声序列，那就说明该序列是一个蕴含着相关信息的平稳序列。 3.1 方法性工具 3.1.1 差分运算 一、p 阶差分 记 t x ?为t x 的1阶差分：1--=?t t t x x x 记t x 2 ?为t x 的2阶差分：21122---+-=?-?=?t t t t t t x x x x x x 以此类推：记 t p x ?为t x 的p 阶差分：111---?-?=?t p t p t p x x x 二、k 步差分 记t k x ?为t x 的k 步差分：k t t t k x x x --=? 3.1.2 延迟算子 一、定义 延迟算子相当与一个时间指针，当前序列值乘以一个延迟算子，就相当于把当前序列值的时间向过去拨了一个时刻。记B 为延迟算子，有 延迟算子的性质： 1. 10 =B 2.若c 为任一常数，有1 )()(-?=?=?t t t x c x B c x c B 3.对任意俩个序列{t x }和{t y }，有11)(--±=±t t t t y x y x B 4. n t t n x x B -= 5.)!(!!,)1()1(0 i n i n C B C B i n i i n n i i n -= -=-∑=其中 二、用延迟算子表示差分运算 1、p 阶差分 t p t p x B x )1(-=? 2、k 步差分 t k k t t t k x B x x x )1(-=-=?- 3.2 ARMA 模型的性质 3.2.1 AR 模型 定义 具有如下结构的模型称为p 阶自回归模型，简记为AR(p): t s Ex t s E Var E x x x x t s t s t t p t p t p t t t πΛ?=≠===≠+++++=---,0,0)(,)(,0)(,0222110εεεσεεφεφφφφε (3.4) AR(p)模型有三个限制条件： 条件一： ≠p φ。这个限制条件保证了模型的最高阶数为p 。 条件二： t s E Var E t s t t ≠===,0)(,)(,0)(2εεσεεε。这个限制条件实际上是要求随机干扰序列 }{t ε为 零均值白噪声序列。 条件三：t s Ex t s π?=,0ε。这个限制条件说明当期的随机干扰与过去的序列值无关。 通常把AR(p)模型简记为： t p t p t t t x x x x εφφφφ+++++=---Λ22110 (3.5)
时间序列分析与建模简介 Prepared on 22 November 2020
第五章时间序列分析与建模简介时间序列建模（ Modelling via time series ）。时间序列分析与建模是数理统计的重要分支，其主要学术贡献人是Box 和 Jenkins。本章扼要介绍吴宪民和 Pandit的工作，仅要求一般了解当前时间序列分析与建模的一些主要结果。参考书：“时间序列及系统分析与应用（美）吴宪民，机械工业出版社（1988）TP13/66。 引言 根据对系统观测得出的按照时间顺序排列的数据，通过曲线拟合和参数估计或者谱分析，建立数学模型的理论与方法，理论基础是数理统计。有时域和频域两类建模方法，这里概括介绍时域方法，即基于曲线拟合与参数估计（如最小二乘法）的方法。常用于经济系统建模（如市场预测、经济规划）、气象与水文预报、环境与地震信号处理和天文等学科的信号处理等等。 §5—1 ARMA模型分析 一、模型类 把具有相关性的观测数据组成的时间序列{ x k }视为以正态同分布白噪声序列{ a k }为输入的动态系统的输出。用差分模型 ARMA (n,m) 为(z-1) x k = (z-1) a k式（5-1-1） 其中： (z-1) = 1-1 z-1-…-n z-n (z-1) = 1-1 z-1-…-m z-m
式（5-1-2） 为与参考书符号一致，以下用B 表示时间后移算子 即： B x k = x k-1 B 即z -1，B 2即z -2… (B)=0的根为系统的极点，若全部落在单位园内则系统稳定；(B)=0的根为系统的零点，若全部在单位园内则系统逆稳定。 二、关于格林函数和时间序列的稳定性 1．格林函数G i 格林函数G i 用以把x t 表示成a t 及a t 既往值的线性组合。 式（5-1-3） G I 可以由下式用长除法求得： 例1．AR(1): x t - 1x t-1 = a t 即： G j = 1j （显示） 例2．ARMA (1,1): x t - 1x t-1 = a t - 1a t G 0= 1 ; G j = (1- 1) 1j-1 ,j 1 （显示） 例3．ARMA (2,1) (1 - 1B - 2 B 2)x t = (a t - 1 B ) a t 得出：G 0= 1 G 1 = 0G 0- 1 G 2 = 1G 1+ 2G 0 ∑∞ =-=0j j t j t a G x
第五讲（续） 平稳时间序列的 ARMA模型1 平稳性
有一类描述时间序列的重要随机模型受到了人们的广泛关注，这就是所谓的平稳模型。这类模型假设随机过程在一个不变的均值附近保持平衡。其统计规律不会随着时间的推移发生变化。平稳的定义分为严平稳和宽平稳。 定义1（严平稳） 设{},t x t T ∈是一个随机过程,t x 是在不同的时刻t 的随机变量，在不同的时刻t 是不同的随机变量，任取n 个值1,,n t t K 和任意的实数h ，则1,,n x x K 分布函数满足关系式 1111(,,;,)(,,;,)n n n n n n F x x t t F x x t h t h =++L L L L
则称{},t x t T ∈为严平稳过程。 在实际中，这几乎是不可能的。由此考虑到是否可以把条件放宽，仅仅要求其数字特征(数学期望和协方差)相等。 定义2（宽平稳） 若随机变量{},t x t T ∈的均值（一阶矩）和协方差（二阶矩）存在，且满足： （1）任取t T ∈，有()t E x c =； （2）任取t T ∈，t T τ+∈，有 [(())(())]()E X t a X t a R ττ-+-=
协方差是时间间隔的函数。则称{},t x t T ∈ 为宽平稳过程，其中()R τ为协方差函数。 2 各种随机时间序列的表现形式 白噪声过程（white noise ，如图 1 ）。属于平稳过程。y t = u t , u t IID(0, 2 )
图1 白噪声序列（2=1） 随机游走过程（random walk，如图11）。属于非平稳过程。y t = y t-1 + u t, u t IID(0, 2) 图2 随机游走序列（2=1） 图3 日元兑美元差分序列