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
G j = 1G j -1+ 2G j-2 （j 2）
G j 为满足方程 (1 - 1B - 2 B 2) G j = 0 的解，称为隐式表达式。该结论可推广到ARMA(n,m) 模型。
2．格林函数与系统稳定性
当j 时：G j 有界，则系统稳定；G j 衰减，则系统渐进稳定；G j 发散，则系统不稳定。
例： AR(1): G j = 1j
当 < 1时，G j 衰减，渐进稳定；
当 = 1时，G j = 1j = 1，有界，则系统稳定；
当 > 1时，G j 发散，不稳定。
例： ARMA (2,1)
1 和 2和为特征方程的根，有1 +
2 = 1 和 1 2 = 2
当 1 < 1 且 2 < 1 时，ARMA (2,1) 渐进稳定；
当 1 = 1 且 2 < 1 或1 < 1 且 2 = 1时，ARMA (2,1) 稳定；
当 1 = 2 且 或1 = 2（两根同号）时，不稳定。由此得出ARMA (2, ×) 的稳定域如下图所示。
ARMA (2,m) 的稳定域
t t t a B B B a B
B B x )1)(1(1112112211λλθφφθ---=---=
三、逆函数与逆稳定性
逆函数I j 表示x t的既往值对当前值的影响，与格林函数G j 表示既往的a t值对x t的影响正相反。
定义：
即：
或：a t = ( 1- I1B-I2B2-…) x t
t t
x t 逆函数 a t
系统逆稳定的条件是 (B) 的根 < 1 （落在单位园内）。合理的模型不仅要求是稳定的，也要求是逆稳定的，因为如果 > 1，即意味着过时愈久的x t 的老数据对x t的现在值影响愈大，这显然是不合理的。
5. 自协方差函数与偏自相关函数及其截尾性(略)
§5—2 时间序列建模及其应用
一、关于吴宪民 and Pandit的建模策略简介
ARMA(n,m)模型,当n 和m 设定后,可由非线心、非线性最小二乘法估计参数,并计算出残差平方总和。设定不同的n和m值，用F检验比较，确定合理的n 、m值。
穷举法（最笨的建模策略）：高阶模型要做很多次搜索，计算量大。
吴宪民— Pandit 建模策略
目的是减少建模的搜索次数。策略可概括为：
10. 按照ARMA(2n,2n-1) 拟合模型，即当nn+1时，模型增加2阶，理由是过程的基点往往是成对的。
20. 检查ARMA(2n,2n-1) 模型的高阶项参数2n和2n-1的绝对值是否很小，它们的置信区间是否包含零在内若是，则进一步拟合下降一阶后的模型ARMA(2n-1,2n-2)，并用F检验检查。
30. 探索进一步降低MA的阶次的可能性，即设
ARMA ( 2n-1, m) ，m <2n –1 ，用F检验确定。
补充：关于参数估计误差的置信区间
假定参数估计符合正态分布N（0，2）则估计值的置信区间(95%置信度)为：j j
参数的估计误差协方差阵为：
j的置信区间为：
j = 1, 2, …
二、时间序列建模应用举例
例1.太阳黑子年均数,由1749-1924年共计176个观测数据。拟合ARMA （2，1）模型，F检验ARMA（4，3）较前者没有明显改善。ARMA（2，1）模型估计结果为：
参数估计 95%置信区间
1 = ( ~ )
2 = - ( - ~ - )
1= ( - ~ )
因为1的值较小，而且置信区间包括零在内，所以进一步实验降为AR （2）模型。估计结果：
参数估计 95%置信区间
1 = ( ~ )
2 = - ( - ~ - )
F检验表明ARMA（2，1）模型较之AR（2）模型并没有明显改善，而且2 的置信区间不包含零，所以AR（2）模型合适。
例2．IBM股票每天值（~—Pandit建模策略，得出ARMA（6，5）模型。
例3．航空公司月销售额（ ~ ）建模结果- ARMA(13,13)
一、趋势项和季节性
1．恒定趋势
即总的趋势保持在同一水平，均值0。引入算子，定义为：
=（1-B），即 x t = x t - x t-1 可以消除恒定趋势。例如IBM股票模型用x t =（1-1B）a t更为合适。有恒定趋势的模型有一个极点的绝对值接近为1。
2．线性趋势
总趋势按照线性规律增减，即模型有两个极点的绝对值接近为1的情况。用算子
2 = (1–B )2
可以消除线性趋势，例如：2 x t =（1-1B）a t
3. 多项式趋势
有多个极点的绝对值接近于1 , 引入算子
3 = (1–B )3
例如：3 x t =（1-1B-2 B2）a t
4. 季节性
有的时间序列按照一定的周期波动,例如月平均温度是按照12个月的周期波动的，每小时用电量按照24小时的周期变化…，称为季节性。为消除季节性的影响，引入算子：s =1–B s
例如，航空公司的模型AR（13，13）模型中的参数1 ~ 12的数值都很小，而接近于零，用周期为12的模型为合适。由于该时间序列不仅有周期为12的季节性，而且还有恒定趋势，所以用以下模型最合适：
12 =(1–B)(1–B12) x t = (1-1B)(1-12 B12)a t
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;
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
【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
2012年北京师范大学珠海分校数学建模竞赛 题目：对中国大学生数学建模竞赛历年成绩的分析与预测 摘要 本文研究的是对自数学建模竞赛开展以来各高校建模水平的评价比较和预测问题。我们将针对题目要求，建立适当的评价模型和预测模型，主要解决对中国大学生数学建模竞赛历年成绩的评价、排序和预测问题。 首先我们用层次分析法来评价广东赛区各校2008年至2011年及全国各大高校1994至2011年数学建模成绩，从而给出广东赛区各校及全国各大高校建模成绩的科学、合理的评价及排序；其次运用灰色预测模型解决广东赛区各院校2012年建模成绩的预测。 针对问题一，首先我们对比了2008到2011年参加建模比赛的学校，通过分析我们选择了四年都参加了比赛的学校进行合理的排序（具体分析过程见表13），同时对本科甲组和专科乙组我们分别进行排序比较。在具体解决问题的过程中，我们先分析得出影响评价结果的主要因素：获奖情况和获奖比例，其中获奖情况主要考虑国家一等奖、国家二等奖、省一等奖、省二等奖、省三等奖，我们采用层次分析法，并依据判断尺度构造出各个层次的判断矩阵，对它们逐个做出一致性检验，在一致性符合要求的情况下，通过公式与matlab求得各大学的权重，总结得分并进行排序（结果见表11）；在对广东赛区各高校2012建模成绩预测问题中，我们采用灰色预测模型，我们以华南农业大学为例，得到该校2012年建模比赛获奖情况为：省一等奖、省二等奖、省三等奖及成功参赛奖分别为5、9、8、8(其它各高校预测结果见表10）。 针对问题二，我们对全国各院校的自建模竞赛活动开展以来建模成绩排序采用与问题一相同的数学模型，在获奖情况考虑的是全国一等奖、全国二等奖。运用matlab求解，结果见表12。 针对问题三，我们通过对一、二问排序的解答及数据的分析，得出在对院校进评价和预测时还应考虑到各院的师资力量、学校受重视程度、学生情况、参赛经验等因素，考虑到这些因素，为以后评价高校建模水平提供更可靠的依据。 关键词：层次分析法权向量灰色预测模型模型检验 matlab
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。
传统的经济计量方法是以经济理论为基础来描述变量关系的模型。但是，经济理论通常并不足以对变量之间的动态联系提供一个严密的说明，而且内生变量既可以出现在方程的左端又可以出现在方程的右端使得估计和推断变得更加复杂。为了解决这些问题而出现了一种用非结构性方法来建立各个变量之间关系的模型。本章所要介绍的向量自回归模型(vector autoregression ，VAR)和向量误差修正模型(vector error correction model ，VEC)就是非结构化的多方程模型。 向量自回归(VAR)是基于数据的统计性质建立模型，VAR 模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。VAR 模型是处理多个相关经济指标的分析与预测最容易操作的模型之一，并且在一定的条件下，多元MA 和ARMA 模型也可转化成VAR 模型，因此近年来VAR 模型受到越来越多的经济工作者的重视。 VAR(p ) 模型的数学表达式是 t=1,2,…..,T 其中：yt 是 k 维内生变量列向量，xt 是d 维外生变量列向量，p 是滞后阶数，T 是样本个数。k ?k 维矩阵Φ1，…， Φp 和k ?d 维矩阵H 是待估计的系数矩阵。εt 是 k 维扰动列向量，它们相互之间可以同期相关，但不与自己的滞后值相关且不与等式右边的变量相关，假设 ∑ 是εt 的协方差矩阵，是一个(k ?k )的正定矩阵。 11t t p t p t t --=+???+++y Φy Φy Hx ε
注意，由于任何序列相关都可以通过增加更多的yt 的滞后而被消除，所以扰动项序列不相关的假设并不要求非常严格。 以1952一1991年对数的中国进、出口贸易总额序列为例介绍VAR 模型分析，其中包括;① VAR 模型估计;②VAR 模型滞后期的选择;③ VAR 模型平隐性检验;④VAR 模型预侧;⑤协整性检验 VAR 模型佑计 数据 εε εε
多元时间序列建模分析 应用时间序列分析实验报告
实验过程记录(含程序、数据记录及分析与实验结果等): 时序图如下: 单位根检验输出结果如下: 序列x的单位根检验结果: 序列y的单位根检验结果: 序列y与序列x之间的相关图如下:
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);
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。
《一周总结，底稿供参考》 我们通过案例来说明： 假设我们拿到一个时间序列数据集：某男装生产线销售额。一个产品分类销售公司会根据过去10 年的销售数据来预测其男装生产线的月销售情况。 现在我们得到了10年120个历史销售数据，理论上讲，历史数据越多预测越稳定，一般也要24个历史数据才行！ 大家看到，原则上讲数据中没有时间变量，实际上也不需要时间变量，但你必须知道时间的起点和时间间隔。 当我们现在预测方法创建模型时，记住：一定要先定义数据的时间序列和标记！
这时候你要决定你的时间序列数据的开始时间，时间间隔，周期！在我们这个案例中，你要决定季度是否是你考虑周期性或季节性的影响因素，软件能够侦测到你的数据的季节性变化因子。
定义了时间序列的时间标记后，数据集自动生成四个新的变量：YEAR、QUARTER、MONTH 和DATE（时间标签）。 接下来：为了帮我们找到适当的模型，最好先绘制时间序列。时间序列的可视化检查通常可以很好地指导并帮助我们进行选择。另外，我们需要弄清以下几点： ?此序列是否存在整体趋势？如果是，趋势是显示持续存在还是显示将随时间而消逝？?此序列是否显示季节变化？如果是，那么这种季节的波动是随时间而加剧还是持续稳定存在？ 这时候我们就可以看到时间序列图了！ 我们看到：此序列显示整体上升趋势，即序列值随时间而增加。上升趋势似乎将持续，即为线性趋势。此序列还有一个明显的季节特征，即年度高点在十二月。季节变化显示随上升序列而增长的趋势，表明是乘法季节模型而不是加法季节模型。
此时，我们对时间序列的特征有了大致的了解，便可以开始尝试构建预测模型。时间序列预测模型的建立是一个不断尝试和选择的过程。 spss提供了三大类预测方法：1-专家建模器，2-指数平滑法，3-ARIMA ?指数平滑法 指数平滑法有助于预测存在趋势和/或季节的序列，此处数据同时体现上述两种特征。创建最适当的指数平滑模型包括确定模型类型（此模型是否需要包含趋势和/或季节），然后获取最适合选定模型的参数。
实验三多元时间序列分析方法 1.实验目的 了解协整理论及协整检验方法；掌握协整的两种检验方法：E-G两步法与Johansen方法；熟悉向量自回归模型VAR的应用；掌握误差修正模型ECM的含义及检验方法；掌握Granger因果关系检验方法。 2.实验仪器 装有EViews7.0软件的微机一台。 3.实验内容 【例6-2】 时间与M2之间的关系首先用单位根检验是否为平稳序列。原假设为H0：非平稳序列H1：平稳序列。用Eviews软件解决该问题，得到如下结果：Null Hypothesis: M2 has a unit root Exogenous: None Lag Length: 3 (Automatic - based on SIC, maxlag=13) t-Statistic Prob.* Augmented Dickey-Fuller test statistic 5.681169 1.0000 Test critical values: 1% level -2.579052 5% level -1.942768 10% level -1.615423
*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(M2) Method: Least Squares Date: 04/16/13 Time: 10:36 Sample (adjusted): 1991M05 2005M01 Included observations: 165 after adjustments Variable Coefficien t Std. Error t-Statistic Prob. M2(-1) 0.013514 0.002379 5.681169 0.0000 D(M2(-1)) -0.490280 0.074458 -6.584611 0.0000 D(M2(-2)) 0.070618 0.083790 0.842797 0.4006 D(M2(-3)) 0.387086 0.073788 5.245935 0.0000 R-squared 0.480147 Mean dependent var 1440.03 7 Adjusted R-squared 0.470461 S.D. dependent var 1509.48 9 S.E. of regression 1098.447 Akaike info criterion 16.8651 3
《时间序列分析》期末上机实践报告 课程名称：时间序列分析 学期： 学院： 专业： 姓名： 学号： 日期：
《时间序列分析》期末课程上机报告 一、ARMA模型 1.数据来源及其背景： 澳门整体建筑工人平均日薪的同期变动率，1988第一季度至2003第二季度，并利用ARMA模型建模及预测未来5个季度的同期变动率。 2.时序图： 如图所示：该序列没有明显的不平稳性 3.白噪声： P值小于0.05属于非白噪声序列 4.样本自相关图 自相关系数基本0值附近波动，可以认为有短期相关性。序列平稳。
5.样本偏自相关图 此图为截尾 6.预测 可得出之后5个季度的同期变动率：14.22 10.82 13 16.35 17.59 7.模型检验 P值小于0.05 建模成功拟合模型为AR（2）模型
8.拟合预测图 图形拟合得十分不错 9.程序 data nicole1_1; input cjj@@; time=_n_; cards; 20.71 25 23.23 3.3 18 14.94 12.19 46.13 84.03 124.32 -7.1 -77 -48.26 25.01 24.92 47.81 23.78 4.25 3.92 10.09 31.39 36.09 24.78 7.56 17.95 20.54 8.97 7.42 5.31 0.1 -2.52 -2.69 6.61 9.46 14 20.15 11 4.1 1.78 -3.54 11.76 5 9.67 16.68 5.82 15.84 26 33.91 50 16.16 16.08 20.75 4.69 25.99 11.5 15.45 2.51 28.42 22.99 ； proc gplot data=nicole1_1; plot cjj*time=1; symbol1c=red I=join v=star; proc arima data= nicole1_1; identify var=cjj nlag=14; estimate p=2; forecast lead=5id=time out=results; proc gplot data=results; plot cjj*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay;
第二讲 时间序列分析 1
1 时间序列成分分析 1.1 时间序列的构成因素 时间序列中的数据（也称为观测值），总是由各种不同的影响因素共同作用所至；换一句话说，时间序列中的数据，总是包含着不同的影响因素。我们可以将这些影响因素合并归类为几种不同的类型，并对各种类型因素的影响作用加以测定。对时间序列影响因素的归类，最常见的是归为3类： z长期趋势（SPSS的名称为Smoothed Trend-Cycle， 2
缩写stc），长期趋势是一种对事物的发展普遍和长期起作用的基本因素。受长期趋势因素的影响，事物表现出在一段相当长的时期内沿着某一方向的持续发展变化。这种变化最常见的是一种向上的发展，对于经济现象而言，通常由各种经济投入（如技术进步、劳动力、资金等）所引起，因此，长期趋势有时也可视作经济成长的因素。 3
z季节周期因子（SPSS的名称为Season Factors Component）, 缩写saf，季节周期也称为季节变动，是一种现象以一定时期（如一年、一月、一周等）为一周期呈现较有规律的上升、下降交替运动的影响因素。 通常表现为现象在一年内随着自然季节的更替而发生的较有规律的增减变化（如某些季节性商品的销售额、旅游客流量、各月的降雨量等）。形成季节周期的原因， 4
除了自然因素，也有人为和社会因素。 z不规则变动因子（SPSS的名称为Irregular Component, 缩写err）。不规则变动是一种偶然性、随机性、突发性因素。受这种因素影响，现象呈现时大时小、时起时伏、方向不定、难以把握的变动。这种变动不同于前三种变动，它完全无规律可循，无法控制和消除，例如战争、自然灾害等。 5
应用时间序列分析实验报告 实验目的： 1熟悉单位根检验； 2、掌握ARIMAX模型建模 涉及实验的相关情况介绍（包含使用软件或实验设备等情况）: SAS、excel 表格、word。 实验内容： 1 我国1950-2008年进出口总额数据仲位:亿元）如表6-15所示表6-15 年份出口总额进口总额 1950 20 21、3 1951 24、2 35、3 1952 27、1 37、5 1953 34、8 46、1 1954 40 44、7 1955 48、7 61、1 1956 55、7 53 1957 54、5 50 1958 67 61、7 1959 78、1 71、2 1960 63、3 65、1 1961 47、7 43 1962 47、1 33、8 1963 50 35、7 1964 55、4 42、1 1965 63、1 55、3 1966 66 61、1 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 1973 116、9 103、6 1974 139、4 152、8 1975 143 147、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
1982 413、8 357、5 1983 438、3 421、8 1984 580、5 620、5 1985 80& 9 1257、8 1986 1082、1 1498、3 1987 1470 1614、2 1988 1766、7 2055、1 1989 1956 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 (1)使用单位根检验，分别考察进口总额与出口总额序列的平稳。 (2)分别对进口总额序列与出口总额数据拟合模型。 (3)考察这两个序列就是否具有协整关系。 (4)如果这两个序列具有协整关系，请建立适当模型拟合它们之间的相关关系 (5)构造该协整模型的误差修正模型。
时间序列分析 时间序列分析(Time series analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。 时间序列分析简介 它包括一般统计分析(如自相关分析，谱分析等),统计模型的建立与推断，以及关于时间序列的最优预测、控制与滤波等内容。经典的统计分析都假定数据序列具有独立性，而时间序列分析则侧重研究数据序列的互相依赖关系。后者实际上是对离散指标的随机过程的统计分析，所以又可看作是随机过程统计的一个组成部分。例如，记录了某地区第一个月，第二个月，……，第N个月的降雨量，利用时间序列分析方法，可以对未来各月的雨量进行预报。 随着计算机的相关软件的开发，数学知识不再是空谈理论，时间序列分析主要是建立在数理统计等知识之上，应用相关数理知识在相关方面的应用等。 时间序列分析参考 编辑 参考自：科学技术方法大辞典 时间序列是按时间顺序的一组数字序列。时间序列分析就是利用这组数列，应用数理统计方法加以处理，以预测未来事物的发展。时间序列分析是定量预测方法之一，它的基本原理：一是承认事物发展的延续性。应用过去数据，就能推测事物的发展趋势。二是考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。该方法简单易行，便于掌握，但准确性差，一般只适用于短期预测。时间序列预测一般反映三种实际变化规律:趋势变化、周期性变化、随机性变化。 时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法（如非线性最小二乘法）进行。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。 时间序列分析组成要素 一个时间序列通常由4种要素组成：趋势、季节变动、循环波动和不规则波动。 趋势：是时间序列在长时期内呈现出来的持续向上或持续向下的变动。 季节变动：是时间序列在一年内重复出现的周期性波动。它是诸如气候条件、生产条件、节假日或人们的风俗习惯等各种因素影响的结果。 循环波动：是时间序列呈现出得非固定长度的周期性变动。循环波动的周期可能会持续一段时间，但与趋势不同，它不是朝着单一方向的持续变动，而是涨落相同的交替波动。 不规则波动：是时间序列中除去趋势、季节变动和周期波动之后的随机波动。不规则波动通常总是夹杂在时间序列中，致使时间序列产生一种波浪形或震荡式的变动。只含有随机波动的序列也称为平稳序列。 时间序列分析基本步骤 时间序列建模基本步骤是： ①用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。
时间序列模型 结构模型虽然有助于人们理解变量之间的影响关系，但模型的预测精度比较低。在一些大规模的联立方程中，情况更是如此。而早期的单变量时间序列模型有较少的参数却可以得到非常精确的预测，因此随着Box and Jenkins(1984)等奠基性的研究，时间序列方法得到迅速发展。从单变量时间序列到多元时间序列模型，从平稳过程到非平稳过程，时间序列分析方法被广泛应用于经济、气象和过程控制等领域。本章将介绍如下时间序列分析方法，ARIMA模型、ARCH族模型、VAR模型、VEC模型、单位根检验及协整检验等。 一、基本命令 1.1时间序列数据的处理 1)声明时间序列：tsset 命令 use gnp96.dta, clear list in 1/20 gen Lgnp = L.gnp tsset date list in 1/20 gen Lgnp = L.gnp 2)检查是否有断点：tsreport, report use gnp96.dta, clear tsset date tsreport, report drop in 10/10 list in 1/12 tsreport, report tsreport, report list /*列出存在断点的样本信息*/ 3)填充缺漏值：tsfill tsfill tsreport, report list list in 1/12 4)追加样本：tsappend use gnp96.dta, clear tsset date list in -10/-1 sum tsappend , add(5) /*追加5个观察值*/ list in -10/-1 sum
43 应用时间序列分析实验报告 多元时间序列建模分析 实验目的: 1、 熟悉单位根检验； 2、 掌握ARIMAX 模型建模。 涉及实验的相关情况介绍（包含使用软件或实验设备等情况） SAS excel 表格、word 。 实验内容: 1、我国1950-2008年进出口总额数据（单位：亿元）如表 6-15所示。 表 6-15 姓名 学号 班级 实验地点 实验日期 指导教师 年份 出口总额 进口总额 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 20 40 67 50 66 53 50 实验名称
1967 1968 1969 1970 1971 1972 64 1973 1974 1975 143 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1470 1988 1989 1956 1990 1991 1992 1993 1994 1995 1996 1997 1998
使用单位根检验，分别考察进口总额和出口总额序列的平稳。 考察这两个序列是否具有协整关系。 如果这两个序列具有协整关系，请建立适当模型拟合它们之间的相关关系。 构造该协整模型的误差修正模型。 (2) 分别对进口总额序列和出口总额数据拟合模型。 (4)
实验过程记录（含程序、数据记录及分析和实验结果等） 时序图如下: 单位根检验输出结果如下: 序列x 的单位根检验结果: La 音 Rho Pr < Rho Tau < Tau F 卩 ^ero Lieari -42.7031 <0001 -S.29 <■0001 -25.5521 0.0001 -3.08 0.0024 -43J4ee 0.0008-5.83 <-0001 17.02 o.oaio 1 -34-5eS2 0.0008 -3.64 o.oces 0*0910 ■67.6737 0?0叩3 -7.25 <.0001 ￡6.31o.odio 畑 5215 0.0003 -5.15 0.0003 13.37 0.0010 4纱ented Dickey-FulI er Tests 序列y 的单位根检验结果: Type Lass Rho Pr < Fho Tau Pr < Tau F P r > F Zft ro Wean 0 -Z2.03S9 a.ocoe -2.43 0.0152 1 0.4￡5e (MS 0*闘，圏 Single Meari 0 -2S.8677 o.ocos -2.38 O.QiOS 4,71 0,0500 -3,e334 0.&502 -0,44Q-S371 0-59 0-3263 Trend 0 -47.6721 0.0003 -4.44 0.0032 10-53 0.0010 1 -22.GG54 0.023E -1.35 0_G703 ?.9E 0_593O Tests ^sment edl ID ickey^Ful I er Unit Root 序列y 和序列 x 之间的相关图如下: