《时间序列分析》实验指导书
一、实验教学简介
«时间序列分析»是统计学本科专业的专业必修课，同时也是核心课程，尤其强调理论与实践的有机结合。实验教学是该课程教学中的重要组成部分。
实验教学的主要内容有：时间序列平稳性检验和纯随机性检验；平稳时间序列的建模；非平稳时间序列的确定性模型的识别；建立ARIMA 模型；残差序列的建模；单位根检验和协整检验。
本课程实验教学主要采用国际权威统计软件—SAS 软件进行统计分析，实验数据来自国内外优秀教材、各类统计年鉴、教师科研课题的部分数据、国内外专业期刊等
二、实验教学目的与任务
通过本课程的实验教学，要使学生对时间序列的基本概念、基本原理、基本方法有直观的认识，能熟练应用时间序列分析处理动态数据，培养学生利用时间序列分析对社会经济现象及自然现象作定量分析的能力，掌握时间序列分析的统计思想，以此提高学生解决实际问题的基本素质，锻炼学生的动手能力、独立思考能力和团队合作能力。
三、实验内容与基本要求
实验一、时间序列平稳性检验和纯随机性检验（验证性实验） （3课时）
实验题目：1945-1950年费城月度降雨量数据如下（单位：mm ），见下表。
9.3 80.0 40.9 74.9 84.6 101.1 225.0 95.3 100.6 48.3 144.5 128.3
38.4 52.3 68.6 37.1 148.6 218.7 131.6 112.8 81.8 31.0 47.5 70.1
96.8 61.5 55.6 171.7 220.5 119.4 63.2 181.6 73.9 64.8 166.9 48.0
137.7 80.5 105.2 89.9 174.8 124.0 86.4 136.9 31.5 35.3 112.3 143.0
160.8 97.0 80.5 62.5 158.2 7.6 165.9 106.7 92.2 63.2 26.2 77.0
52.3 105.4 144.3 49.5 116.1 54.1 148.6 159.3 85.3 67.3 112.8 59.4
（1） 计算该序列的样本自相关系数k ∧
ρ（k=1,2,……,24）。
（2） 判断该序列的平稳性。
（3）判断该序列的纯随机性。
实验内容：
给定实际问题的时间序列，学会利用SAS 软件，采用时序图检验和自相关图直观判断序列是否平稳，利用LB 统计量检验时间序列是否为纯随机性序列。
实验要求：
根据数据作图，掌握平稳性直观判别方法和纯随机性的检验，并按具体的题目要求完成实验报告，并及时上传到给定的FTP 和课程网站。，
实验步骤：
第一步：编程建立SAS 数据集。
第二步：利用Gplot 程序对数据绘制时序图。
第三步：从时序图中利用平稳时间序列的定义判断是否平稳？
第四步：利用ARIMA程序对数据进行分析，根据输出的Identify语句中的样本自相关图，由平稳时间序列的特性判断是否平稳？
第五步：根据输出的Identify语句中的纯随机检验结果，利用LB统计量和白噪声特性检验时间序列是否为纯随机序列？
实验二：平稳时间序列的建模（综合性实验）（3课时）
实验题目：某地区连续74年的谷物产量（单位：千吨）如下：
0.97 0.45 1.61 1.26 1.37 1.43 1.32 1.23 0.84 0.89 1.18
1.33 1.21 0.98 0.91 0.61 1.23 0.97 1.10 0.74 0.80 0.81
0.80 0.60 0.59 0.63 0.87 0.36 0.81 0.91 0.77 0.96 0.93
0.95 0.65 0.98 0.70 0.86 1.32 0.88 0.68 0.78 1.25 0.79
1.19 0.69 0.92 0.86 0.86 0.85 0.90 0.54 0.32 1.40 1.14
0.69 0.91 0.68 0.57 0.94 0.35 0.39 0.45 0.99 0.84 0.62
0.85 0.73 0.66 0.76 0.63 0.32 0.17 0.46
（1）判断该序列的平稳性与纯随机性。
（2）选择适合模型拟合该序列的发展。
（3）利用拟合模型，预测该地区未来5年的谷物产量。
实验内容：
给出实际问题的平稳时间序列，要求学生运用SAS统计软件，对该序列通过模型识别、参数估计、模型检验、模型优化等过程，建立符合实际的时间序列模型，并预测将来。实验要求：
处理数据，掌握平稳时间序列的ARMA模型的建模过程和方法，并根据具体的实验题目要求完成实验报告，并及时上传到给定的FTP和课程网站。
实验步骤：
第一步：编程建立SAS数据集。
第二步：利用Gplot程序对数据绘制时序图。
第三步：从时序图中利用平稳时间序列的定义判断是否平稳？利用ARIMA程序对数据进行分析，根据输出的Identify语句中的样本自相关图，由平稳时间序列的特
性判断是否平稳？
第四步：根据输出的Identify语句中的纯随机检验结果，利用LB统计量和白噪声特性检验时间序列是否为纯随机序列？
第五步：在序列判断为平稳非白噪声序列后，求出该观察值序列的样本自相关系数（ACF）和样本偏自相关系数（PACF）的值。
第六步：根据样本自相关系数和偏自相关系数的性质，选择阶数适当的ARMA（p, q）模型进行拟合。
第七步：估计模型中未知参数的值。
第八步：检验模型的有效性。如果拟合模型通不过检验，转向步骤6，重新选择模型再拟合。
第九步：模型优化。如果拟合模型通过检验，仍然转向步骤2，充分考虑各种可能建立多个拟合模型，从所有通过检验的拟合模型中选择最优模型。
第十步：利用最优拟合模型，预测序列的将来走势。
实验三：非平稳时间序列的确定性模型的识别（设计性实验）（3课时）
实验题目：爱荷华州1948—1979年非农产品季度收入数据如表4—8所示。
601 604 620 626 641 642 645 655 682 678 692 707
736 753 763 775 775 783 794 813 823 826 829 831
830 838 854 872 882 903 919 937 927 962 975 995
1001 1013 1021 1028 1027 1048 1070 1095 1113 1143 1154 1173
1178 1183 1205 1208 1209 1223 1238 1245 1258 1278 1294 1314
1323 1336 1355 1377 1416 1430 1455 1480 1514 1545 1589 1634
1669 1715 1760 1812 1809 1828 1871 1892 1946 1983 2013 2045
2048 2097 2140 2171 2208 2272 2311 2349 2362 2442 2479 2528
2571 2634 2684 2790 2890 2964 3085 3159 3237 3358 3489 3588
3624 3719 3821 3934 4028 4129 4205 4349 4463 4598 4725 4827
4939 5067 5231 5408 5492 5653 5828 5965
通过分析数据，选择适当模型拟合该序列长期趋势。
实验内容：
给出实际问题的非平稳时间序列，要求学生利用SAS统计软件，对该序列进行分析，掌握非平稳时间序列的确定性部分的分离方法，建立合适的某一类确定性模型（趋势分析方法、季节效应分析、既有趋势分析方法又有季节效应分析的综合分析方法）。实验要求：
处理数据，掌握非平稳时间序列的确定性模型的识别的方法，并根据具体的实验题目要求完成实验报告，并及时上传到给定的FTP和课程网站。
实验步骤：
第一步：编程建立SAS数据集。
第二步：调用Gplot程序对数据绘制时序图。
第三步：从时序图中观察时间序列是否有趋势，有何种趋势，选择适当的趋势模型分离数据中的确定性部分。
第四步：若从时序图中观察时间序列有周期，则选择适当的季节模型分离数据中的确定性部分。
第五步：若从时序图中观察时间序列既有周期又有趋势，则选择适当的综合模型分离数据中的确定性部分，也可以采用X-11过程模型。
实验四：建立ARIMA模型（综合性实验）（3课时）实验题目：某城市连续14年的月度婴儿出生率数据如下表所示：
26.663 23.598 26.931 24.740 25.806 24.364 24.477 23.901
23.175 23.227 21.672 21.870 21.439 21.089 23.709 21.669
21.752 20.761 23.479 23.824 23.105 23.110 21.759 22.073
21.937 20.035 23.590 21.672 22.222 22.123 23.950 23.504
22.238 23.142 21.059 21.573 21.548 20.000 22.424 20.615
21.761 22.874 24.104 23.748 23.262 22.907 21.519 22.025
22.604 20.894 24.677 23.673 25.320 23.583 24.671 24.454
24.122 24.252 22.084 22.991 23.287 23.049 25.076 24.037
24.430 24.667 26.451 25.618 25.014 25.110 22.964 23.981
23.798 22.270 24.775 22.646 23.988 24.737 26.276 25.816
25.210 25.199 23.162 24.707 24.364 22.644 25.565 24.062
25.431 24.635 27.009 26.606 26.268 26.462 25.246 25.180
24.657 23.304 26.982 26.199 27.210 26.122 26.706 26.878
26.152 26.379 24.712 25.688 24.990 24.239 26.721 23.475
24.767 26.219 28.361 28.599 27.914 27.784 25.693 26.881
26.217 24.218 27.914 26.975 28.527 27.139 28.982 28.169
28.056 29.136 26.291 26.987 26.589 24.848 27.543 26.896
28.878 27.390 28.065 28.141 29.048 28.484 26.634 27.735
27.132 24.924 28.963 26.589 27.931 28.009 29.229 28.759
28.405 27.945 25.912 26.619 26.076 25.286 27.660 25.951
26.398 25.565 28.865 30.000 29.261 29.012 26.992 27.897
（1）选择适当模型拟和该序列的发展
（2）使用拟合模型预测下一年度该城市月度婴儿出生率
实验内容：
给出实际问题的非平稳时间序列，要求学生利用SAS统计软件，对该序列进行分析，通过平稳性检验、差分运算、白噪声检验、拟合ARMA模型，建立ARIMA模型，在此基础上进行预测。
实验要求：
处理数据，掌握非平稳时间序列的ARIMA建模方法，并根据具体的实验题目要求完成实验报告，并及时上传到给定的FTP和课程网站。
实验步骤：
第一步：编程建立SAS数据集；
第二步：调用Gplot程序对数据绘制时序图。
第三步：从时序图中利用平稳时间序列的定义判断是否平稳？调用ARIMA程序对数据进行分析，根据输出的Identify语句中的样本自相关图，由平稳时间序列的特
性判断是否平稳？
第四步：若不满足平稳性，则可利用差分运算是否能使序列平稳？重复第三步步骤第五步：根据输出的Identify语句中的纯随机检验结果，利用LB统计量和白噪声特性检验最后处理的时间序列是否为纯随机序列？
第六步：在序列判断为平稳非白噪声序列后，求出该观察值序列的样本自相关系数（ACF）和样本偏自相关系数（PACF）的值，选择阶数适当的ARIMA（p,d,q）模型进行
拟合，并估计模型中未知参数的值。
第七步：检验模型的有效性。如果拟合模型通不过检验，转向步骤6，重新选择模型再拟合。
第八步：模型优化。如果拟合模型通过检验，仍然转向步骤6，充分考虑各种可能建立多个拟合模型，从所有通过检验的拟合模型中选择最优模型。
第九步：利用最优拟合模型，预测下一年度该城市月度婴儿出生率。
实验五：残差序列的建模（综合性实验）（3课时）
实验题目：
1969年月——1994年9月澳大利亚储备银行2年期有价证券利率数据如下表：
4.99 5
5.03 5.03 5.25 5.26 5.3 5.45 5.49 5.52 5.7
5.68 5.65 5.8
6.5 6.45 6.48 6.45 6.35 6.4 6.43 6.43
6.44 6.45 6.48 6.4 6.35 6.4 6.3 6.32 6.35 6.13 5.7 5.58 5.18 5.18 5.17 5.15 5.21 5.23 5.05 4.65 4.65 4.6 4.67 4.69 4.68 4.62 4.63 4.9 5.44 5.56 6.04 6.06 6.06 8.07 8.07 8.1 8.05 8.06 8.07 8.06 8.11 8.6 10.8 11
11 11 9.48 9.18 8.62 8.3 8.47 8.44 8.44 8.46 8.49 8.54 8.54 8.5 8.44 8.49 8.4 8.46 8.5 8.5 8.47 8.47
8.47 8.48 8.48 8.54 8.56 8.39 8.89 9.91 9.89 9.91 9.91
9.9 9.88 9.86 9.86 9.74 9.42 9.27 9.26 8.99 8.83 8.83
8.83 8.82 8.83 8.83 8.79 8.79 8.69 8.66 8.67 8.72 8.77
9 9.61 9.7 9.94 9.94 9.94 9.95 9.94 9.96 9.97 10.83
10.75 11.2 11.4 11.54 11.5 11.34 11.5 11.5 11.58 12.42 12.85
13.1 13.12 13.1 13.15 13.1 13.2 14.2 14.75 14.6 14.6 14.45
14.5 14.8 15.85 16.2 16.5 16.4 16.4 16.35 16.1 13.7 13.5
14 12.3 12 14.35 14.6 12.5 12.75 13.7 13.45 13.55 12.6
12 11 11.6 12.05 12.35 12.7 12.45 12.55 12.2 12.1 11.15 11.85 12.1 12.5 12.9 12.5 13.2 13.65 13.65 13.5 13.45 13.35 14.45 14.3 15.05 15.55 15.65 14.65 14.15 13.3 12.65 12.7 12.8 14.5 15.1 15.15 14.3 14.25 14.05 14.7 15.05 14.05 13.8 13.25
13 12.85 12.6 11.8 13 12.35 11.45 11.35 11.55 10.85 10.9 12.3 11.7 12.05 12.3 12.9 13.05 13.3 13.85 14.65 15.05 15.15 14.85 15.7 15.4 15.1 14.8 15.8 15.8 15 14.4 13.8 14.3 14.15 14.45 14.1 14.05 13.75 13.3 13 12.55 12.25 11.85 11.5 11.1 11.15 10.7 10.25 10.55 10.25 10.3 9.6 8.4 8.2 7.25 8.35 8.25 8.3 7.4 7.15 6.35 5.65 7.4 7.2 7.05 7.1 6.85 6.5 6.25 5.95 5.65 5.85 5.45 5.3 5.2 5.55 5.15
5.4 5.35 5.1 5.8
6.35 6.5 6.95 8.05
7.85 7.75
8.6
（1）考察该序列的方差齐性。
（2）选择适当的模型拟和该序列的发展。
实验内容：
给定一个实际问题的时间序列，它具有非常显著的确定性趋势或季节效应。要求学生利用SAS统计软件，提取确定性信息，然后检验残差序列的自相关性，建立合适的Auto-Regressive模型；若存在异方差性，则建立合适的ARCH模型或GARCH模型。
实验要求：
处理数据，掌握残差序列的建模方法，并根据具体的实验题目要求完成实验报告，并及时上传到给定的FTP和课程网站。
实验步骤：
第一步：编程建立SAS数据集；
第二步：调用Gplot程序对数据绘制时序图。
第三步：从时序图中是否显示有明显的随时间线性增长的趋势，同时又有一定规律的波动？调用AUTOREG程序对数据进行分析，建立因变量关于时间的回归模型或延
迟因变量回归模型。
第四步：检验残差序列的自相关性和异方差性，如果检验结果显示残差序列具有显著自相关性，建立残差自回归模型；如果检验结果显示残差序列具有显著的异方差
性，则建立条件异方差模型。
实验六：单位根检验和协整检验（验证性实验）（3课时）实验题目：
某地区过去38年谷物产量序列如下表所示：
24.5 33.7 27.9 27.5 21.7 31.9 36.8 29.9 30.2 32.0 34.0
19.4 36.0 30.2 32.4 36.4 36.9 31.5 30.5 32.3 34.9 30.1
36.9 26.8 30.5 33.3 29.7 35.0 29.9 35.2 38.3 35.2 35.5
36.7 26.8 38.0 31.7 32.6
这些年该地区相应的降雨量序列如下表所示：
9.6 12.9 9.9 8.7 6.8 12.5 13.0 10.1 10.1 10.1 10.8
7.8 16.2 14.1 10.6 10.0 11.5 13.6 12.1 12.0 9.3 7.7
11.0 6.9 9.5 16.5 9.3 9.4 8.7 9.5 11.6 12.1 8.0
10.7 13.9 11.3 11.6 10.4
（1）使用单位根检验，分别考察这两个模型的平稳性。
（2）选择适当模型，分别拟和这两个序列的发展。
（3）确定这两个序列之间是否具有协整关系。
（4）如果这两个序列之间就有协整关系，请建立适当的模型拟合谷物产量序列的发展。
实验内容：
1、给定实际问题的时间序列，利用DF检验及ADF检验，检验时间序列的平稳性以及判断模型的生成形式。
2、给定两个非平稳时间序列，利用EG检验，检验它们之间是否存在协整关系。实验要求：
处理数据，掌握单位根检验和协整检验方法，并根据具体的实验题目要求完成实验报告，并及时上传到给定的FTP和课程网站。
实验步骤：
第一步：编程建立SAS数据集；
第二步：调用Gplot程序对两组数据绘制时序图。
第三步：调用ARIMA程序中的stationarity对数据进行分析，利用ADF检验这两个时间序列是否存在单位根？分别对这两个时间序列进行建模。
第四步：调用ARIMA程序中的identify 语句和crosscorr语句对这对数据进行分析考察它们的相关性。
第五步：根据两个时间序列的相关性，调用ARIMA程序中的estimate语句，建立这两个时间序列之间的回归模型。
第六步：根据输出的残差序列，判断是否平稳？同时对残差序列进行单位根检验，以验证判断是否正确，若残差序列平稳，则两个时间序列之间存在协整关系，可以建立动态回归模型。
第七步：检验残差序列是否为白噪声序列，得到最终的拟合模型。
执笔人：周君兴
《时间序列分析》实验指导书 一、实验教学简介 «时间序列分析»是统计学本科专业的专业必修课，同时也是核心课程，尤其强调理论与实践的有机结合。实验教学是该课程教学中的重要组成部分。 实验教学的主要内容有：时间序列平稳性检验和纯随机性检验；平稳时间序列的建模；非平稳时间序列的确定性模型的识别；建立ARIMA 模型；残差序列的建模；单位根检验和协整检验。 本课程实验教学主要采用国际权威统计软件—SAS 软件进行统计分析，实验数据来自国内外优秀教材、各类统计年鉴、教师科研课题的部分数据、国内外专业期刊等 二、实验教学目的与任务 通过本课程的实验教学，要使学生对时间序列的基本概念、基本原理、基本方法有直观的认识，能熟练应用时间序列分析处理动态数据，培养学生利用时间序列分析对社会经济现象及自然现象作定量分析的能力，掌握时间序列分析的统计思想，以此提高学生解决实际问题的基本素质，锻炼学生的动手能力、独立思考能力和团队合作能力。 三、实验内容与基本要求 实验一、时间序列平稳性检验和纯随机性检验（验证性实验） （3课时） 实验题目：1945-1950年费城月度降雨量数据如下（单位：mm ），见下表。 9.3 80.0 40.9 74.9 84.6 101.1 225.0 95.3 100.6 48.3 144.5 128.3 38.4 52.3 68.6 37.1 148.6 218.7 131.6 112.8 81.8 31.0 47.5 70.1 96.8 61.5 55.6 171.7 220.5 119.4 63.2 181.6 73.9 64.8 166.9 48.0 137.7 80.5 105.2 89.9 174.8 124.0 86.4 136.9 31.5 35.3 112.3 143.0 160.8 97.0 80.5 62.5 158.2 7.6 165.9 106.7 92.2 63.2 26.2 77.0 52.3 105.4 144.3 49.5 116.1 54.1 148.6 159.3 85.3 67.3 112.8 59.4 （1） 计算该序列的样本自相关系数k ∧ ρ（k=1,2,……,24）。 （2） 判断该序列的平稳性。 （3）判断该序列的纯随机性。 实验内容： 给定实际问题的时间序列，学会利用SAS 软件，采用时序图检验和自相关图直观判断序列是否平稳，利用LB 统计量检验时间序列是否为纯随机性序列。 实验要求： 根据数据作图，掌握平稳性直观判别方法和纯随机性的检验，并按具体的题目要求完成实验报告，并及时上传到给定的FTP 和课程网站。， 实验步骤： 第一步：编程建立SAS 数据集。 第二步：利用Gplot 程序对数据绘制时序图。
实验一 平稳性与纯随机性检验 一、实验目的 通过本实验，使学生 （1）掌握时序图的绘制方法； （2）能够判断时间序列的平稳性； （3）能够检验时间序列的纯随机性。 二、实验要求 根据数据作图，采用时序图检验和自相关图直观判断序列是否平稳，利用LB 统计量检验时间序列是否为纯随机性序列，并按具体的题目要求完成实验报告。 三、实验内容 实验题目：1945-1950年费城月度降雨量数据如下（单位：mm ），见下表。 69.3 80.0 40.9 74.9 84.6 101.1 225.0 95.3 100.6 48.3 144.5 128.3 38.4 52.3 68.6 37.1 148.6 218.7 131.6 112.8 81.8 31.0 47.5 70.1 96.8 61.5 55.6 171.7 220.5 119.4 63.2 181.6 73.9 64.8 166.9 48.0 137.7 80.5 105.2 89.9 174.8 124.0 86.4 136.9 31.5 35.3 112.3 143.0 160.8 97.0 80.5 62.5 158.2 7.6 165.9 106.7 92.2 63.2 26.2 77.0 52.3 105.4 144.3 49.5 116.1 54.1 148.6 159.3 85.3 67.3 112.8 59.4 （1） 计算该序列的样本自相关系数k ∧ ρ（k=1,2,……,24）。 （2） 判断该序列的平稳性。 （3） 判断该序列的纯随机性。 实验步骤： 第一步： 编程建立SAS 数据集。 第二步： 利用Gplot 程序对数据绘制时序图。 第三步： 从时序图中利用平稳时间序列的定义判断是否平稳。 第四步： 利用ARIMA 程序对数据进行分析，根据输出的Identify 语句中的样本自相 关图，由平稳时间序列的特性判断是否平稳。 第五步： 根据输出的Identify 语句中的纯随机检验结果，利用LB 统计量和白噪声特 性检验时间序列是否为纯随机序列。
试验六时间序列分析 一、实验目的：学习时间序列数据分析技巧，了解ARIMA模型。 二、实验内容：47年1季度到96年3季度美国国民生产总值的季度数据。 三、实验要求：写出分析报告。 四、实验软件：SAS系统。 一般实验流程： 1）平稳性检验 方法：时序图、自相关系数和自相关图检验、单位根检验 2）模型识别 方法：利用自相关系数、偏相关系数图进行模型识别； 计算扩展的样本自相关函数并利用其估计值进行模型识别； 利用最小信息准则进行模型识别； 利用典型相关系数平方估计值进行模型识别； 3）模型的参数估计及检验 检验拟合性、参数估计显著性、残差项无自相关性（残差项白噪声检验） 4）模型的预测 例题实验步骤： 1）建立数据集 data exp3; input gnp@@; date=intnx('qtr','1jan47'd,_n_-1); format date yyqc.; cards; 227.8 231.7 236.1 246.3 252.6 259.9 266.8 268.1 263.0 259.5 261.2 258.9 269.6 279.3 296.9 308.4 323.2 331.1 337.9 342.3 345.3 345.9 351.7 364.2 371.0 374.5 373.7 368.7 368.4 368.7 373.4 381.9 394.8 403.1 411.4 417.8 420.5 426.0 430.8 439.2 448.1 450.1 457.2 451.7 444.4 448.6 461.8 475.0 499.0 512.0 512.5 516.9 530.3 529.2 532.2 527.3 531.8 542.4 553.2 566.3 579.0 586.9
时间序列分析实验报告 P185#1、某股票连续若干天的收盘价如表5-4（行数据）所示。 表5-4 304 303 307 299 296 293 301 293 301 295 284 286 286 287 284 282 278 281 278 277 279 278 270 268 272 273 279 279 280 275 271 277 278 279 283 284 282 283 279 280 280 279 278 283 278 270 275 273 273 272 275 273 273 272 273 272 273 271 272 271 273 277 274 274 272 280 282 292 295 295 294 290 291 288 288 290 293 288 289 291 293 293 290 288 287 289 292 288 288 285 282 286 286 287 284 283 286 282 287 286 287 292 292 294 291 288 289 选择适当模型拟合该序列的发展，并估计下一天的收盘价。 解： （1）通过SAS软件画出上述序列的时序图如下： 程序： data example5_1; input x@@; time=_n_; cards; 304 303 307 299 296 293 301 293 301 295 284 286 286 287 284 282 278 281 278 277 279 278 270 268 272 273 279 279 280 275 271 277 278 279 283 284 282 283 279 280 280 279 278 283 278 270 275 273 273 272 275 273 273 272 273 272 273 271 272 271 273 277 274 274 272 280 282 292 295 295 294 290 291 288 288 290 293 288 289 291 293 293 290 288 287 289 292 288 288 285 282 286 286 287 284 283 286 282 287 286 287 292 292 294 291 288 289 ; proc gplot data=example5_1; plot x*time=1; symbol1c=black v=star i=join; run; 上述程序所得时序图如下： 上述时序图显示，该序列具有长期趋势又含有一定的周期性，为典型的非平稳序列。又因为该序列呈现曲线形式，所以选择2阶差分。 （2）通过SAS软件进行差分运算： 程序： data example5_1; input x@@; difx=dif(dif(x)); time=_n_; cards; 304 303 307 299 296 293 301 293 301 295 284 286 286 287 284 282 278 281 278 277 279 278 270 268 272 273 279 279 280 275 271 277 278 279 283 284 282 283 279 280 280 279 278 283 278 270 275 273 273 272 275 273 273 272 273 272 273 271 272 271 273 277 274 274 272 280 282 292 295 295 294 290 291 288 288 290 293 288 289 291 293 293 290 288 287 289 292 288 288 285 282 286 286 287 284 283 286 282 287 286 287 292 292 294 291 288 289
《时间序列分析》教学大纲 注：课程类别是指公共基础课/学科基础课/专业课；课程性质是指必修/限选/任选。 一、课程地位与课程目标 （一）课程地位 时间序列分析是统计学的一个重要分支，是一种根据动态数据特征来揭示系统动态结构和发展变动规律的现代统计分析方法。时间序列分析在经济学、社会科学以及自然科学领域均得到了广泛的应用。学好这门课，不仅有助于提高同学的定量统计分析能力，实际应用能力，而且能直接服务于社会，为宏观和微观各层决策者、管理者提供依据和意见参考。 （二）课程目标 1. 了解时间序列的基本概念、原理和意义。 2．掌握时间序列分析的各种基本模型、建模和预测方法，以及分析实际问题的基本步骤。 3．掌握有关的统计分析软件：如EViews、R、SAS、Matlab软件等。 二、课程目标达成的途径与方法 1．以课堂教学为主，结合自学、课堂讨论、课外作业等，使学生掌握时间序列分析的基本概念、基于模型、建模和预测方法。 2．通过实验教学，使学生掌握利用时间序列分析方法解决实际问题的基本步骤及过程，掌握用统计软件实现时间序列分析方法的技能。 三、课程目标与相关毕业要求的对应关系 四、课程主要内容与基本要求 第一章时间序列分析概论 （1）教学内容
§1.2时间序列分析方法简介 §1.3时间序列分析软件 （2）基本要求 要求学生理解时间序列分析的概念，了解时间序列分析的方法，了解Eviews软件。 第二章时间序列分析的基本概念 （1）教学内容 §2.1随机过程 §2.2平稳过程的特征及遍历性 §2.3线性差分方程 §2.4时间序列数据的预处理 （2）基本要求 要求学生能掌握平稳性，相关和自相关函数，能对时间序列数据进行预处理。 第三章线性平稳时间序列分析 （1）教学内容 §3.1线性过程 §3.2自回归模型AR(p) §3.3移动平均模型MA(q) §3.4自回归移动平均过程ARMA (p，q) §3.5时间序列模型传递形式和逆转形式 §3.6自相关函数与偏相关函数 （2）基本要求 要求学生理解自回归模型AR(p)、移动平均模型MA(q)、自回归移动平均过程ARMA (p，q)模型的建模过程，能区分这几种模型所反映的不同时间序列数据的影响。 第四章非平稳序列和季节序列模型 （1）教学内容 §4.1均值非平稳 §4.2自回归求和移动平均模型(ARIMA) §4.3方差和自协方差非平稳 §4.4季节时间序列(SARIMA)模型 （2）基本要求 要求学生理解并掌握自回归求和移动平均模型(ARIMA)、季节时间序列(SARIMA)模型概念及基本思想。会使用Eviews软件对此类数据建模并计算其风险。 第五章时间序列的模型识别 （1）教学内容 §5.1模型识别初步
Excel在动态数列分析中的应用 通过Excel可以很方便地完成动态数列的分析，包括动态分析指标的计算、趋势分析、季节变动的测定。下面介绍利用Excel进行动态数列分析的方法和步骤。 一、用Excel进行动态数列平均发展水平的计算分析 1、计算时期指标动态数列的平均数 以下表资料为例。 2000-2005年我国全社会固定资产投资额 年份200020012002200320042005 全社会固定资产投资额32917.737213.543499.955566.670477.488773.6 要求：利用简单算术平均法计算各年平均全社会固定资产投资。操作步骤如下。 第一步，打开一个Excel空白工作表，将表中的资料按列填制到工作表中，表的右边添加一列，用以计算年平均全社会固定资产投资。表式如下图所示。 第二步，计算年平均全社会固定资产投资。方法为：在“C5”单元格中输入公式“=AVERAGE （B2：B7）”，计算出年平均全社会固定资产投资。适当修正小数点和格式，完成全部操作。计算结果如图表所示。
2、计算间隔相等到时点指标动态数列的平均数及相对数动态数列的平均数 以表的数据为例。 某企业第二季度技术人员占全员的比重 指标名称3月末4月末5月末6月末 技术人员数a（人）435462576615 全体职工人员数b（人）580600720750 技术人员占全员比重（%）75778082 要求：对该企业第二季度技术人员的平均水平及技术人员占全员人数比重的平均水平进行分析。操作步骤如下： 第一步，编制计算表。根据数据资料，在空白工作表中编制计算工作表，除资料栏外，再增加三列，一列是该企业第二季度平均技术人员数，别两列是该企业第二季度平均全员人数及技术人员占全员人数的平均比重。将该企业3~6月技术人员人数、全员人数及技术人员占全员人数比重填入表中。编制完成的表格样式如图表所示。
时间序列分析教案 教案标题：时间序列分析教案 教案目标： 1. 理解时间序列分析的基本概念和原理。 2. 掌握时间序列数据的预处理方法。 3. 学会使用常见的时间序列模型进行分析和预测。 4. 能够应用时间序列分析解决实际问题。 教案大纲： 一、引入时间序列分析 A. 介绍时间序列的概念和应用领域。 B. 引导学生思考时间序列分析的重要性和实际应用。 二、时间序列数据的预处理 A. 数据收集和整理。 B. 数据的可视化分析。 C. 数据的平稳性检验和差分处理。 三、时间序列模型的建立 A. 自回归模型（AR模型）的原理和应用。 B. 移动平均模型（MA模型）的原理和应用。 C. 自回归移动平均模型（ARMA模型）的原理和应用。 四、时间序列模型的评估和选择 A. 残差分析和模型诊断。 B. 模型的选择准则（如AIC、BIC等）。
五、时间序列的预测 A. 单步预测方法。 B. 多步预测方法。 C. 模型预测的评估和验证。 六、时间序列分析在实际问题中的应用 A. 股票价格预测案例。 B. 交通流量预测案例。 C. 其他实际案例的讨论和分析。 教学方法和活动： 1. 讲授时间序列分析的基本概念和原理，使用示例数据进行演示。 2. 组织学生进行小组讨论，分析实际案例中的时间序列数据。 3. 引导学生使用Python或R等统计软件进行时间序列分析实践。 4. 鼓励学生自主学习和探索时间序列分析的相关资料和文献。 教学资源： 1. PowerPoint演示文稿，用于讲解时间序列分析的基本概念和原理。 2. 示例数据集，用于演示时间序列数据的预处理和模型建立。 3. 统计软件（如Python或R），用于实际案例的分析和预测。 评估方法： 1. 小组讨论和课堂互动，评估学生对时间序列分析概念和原理的理解程度。 2. 实际案例分析报告，评估学生对时间序列模型建立和预测方法的应用能力。 3. 课堂练习和作业，评估学生对时间序列分析的基本技能掌握情况。 教案扩展：
时间序列分析实验指导 时间序列分析是一种重要的统计分析方法，可以用于分析时间序列数据中随时间变化的趋势、季节性、周期性和随机性等特征。在实际应用中，时间序列分析常常被用于预测未来趋势和进行决策支持。本文将介绍一种基于ARIMA模型的时间序列分析实验指导。 一、实验目的 1.了解时间序列分析的基本概念和方法。 2.掌握ARIMA模型的建立和参数估计方法。 3.学习如何对时间序列数据进行预测和模型诊断。 二、实验原理 时间序列数据由连续观测值按时间顺序组成的数据序列，通常包括趋势、季节性和随机性三个组成部分。ARIMA模型是一种常用的时间序列分析模型，它可以用来描述时间序列数据的自相关和差分属性。ARIMA模型包括自回归(AR)模型、移动平均(MA)模型和差分(I)模型的组合。 三、实验步骤 1.收集时间序列数据。可以选择任意一个具有时间特征的数据集，比如气温、股价或销售额等。 2.进行数据预处理。对数据进行平稳性检验，若不满足平稳性要求，则进行差分处理直到满足平稳性。 3.确定模型阶数。通过观察自相关图(ACF)和偏自相关图(PACF)来确定AR和MA阶数。 4.建立ARIMA模型。根据确定的阶数，建立初始的ARIMA
模型。 5.模型参数估计。使用最大似然估计或其他估计方法来估计ARIMA模型的参数。 6.模型检验。通过观察模型的残差序列是否满足白噪声性质来 进行模型检验。常用的检验方法有LB检验和DW检验等。 7.模型预测。使用建立好的ARIMA模型进行未来趋势的预测，可以使用滚动预测的方法。 四、实验注意事项 1.选择适当的时间序列数据，确保数据具有时间特征。 2.进行数据预处理时，要确保数据满足平稳性要求。 3.模型参数的估计方法要科学合理，可以使用不同的方法进行 比较和验证。 4.模型检验的结果要做出合理的解释，并对不符合要求的模型 进行改进和优化。 五、实验结果分析 实验结果呈现ARIMA模型每一步的结果和分析过程，包括自 相关图、偏自相关图、参数估计结果和模型检验等。同时，对模型的预测结果进行评估和验证，比如计算预测误差等。 六、实验拓展 在实验过程中，还可以尝试不同的ARIMA模型类型，比如SARIMA模型、ARIMAX模型等，来更好地分析和预测时间 序列数据。同时，还可以使用其他的时间序列分析方法，如指数平滑和神经网络等，进行对比实验和验证。
应用时间序列eviews实验报告 时间序列分析是数据分析领域中一个重要的分析方法，主要用于研究某个变量随时间 变化的趋势或周期性波动模式，具有非常广泛的应用领域，如经济学、金融学、社会学、 医学等领域。Eviews是一个经济学研究软件，具有强大的时间序列分析功能，可以用于时间序列的建模、预测等操作。本文将对Eviews在时间序列分析实验中的应用进行介绍和分析。 一、实验介绍 本次实验使用的数据为GDP数据，区间为1995-2019年，数据来源为国家统计局。实 验目的为使用Eviews进行时间序列分析，研究GDP的时间序列特征，建立合适的模型进行预测。在实验中，我们将使用Eviews进行ADF检验、白噪声检验、建立ARIMA模型等操作，以充分展示Eviews在时间序列分析中的应用。 二、实验步骤 1、数据导入 首先打开Eviews软件，新建一个工作文件，导入GDP数据(见下图)。 2、ADF检验 ADF检验是检验时间序列平稳性的常用方法，其原理是检验时间序列是否具有单位根。在Eviews中进行ADF检验的操作如下： 依次选择"View-Graph"-"Augmented Dickey-Fuller Test"菜单，弹出窗口后选择要分析的序列名称以及置信水平，单击"OK"按钮，即可看到ADF检验结果(见下图)。 由图可知，GDP序列的ADF检验结果为-3.0949，小于95%置信水平下的临界值-2.889，说明序列是平稳的。 3、白噪声检验 4、建立ARIMA模型 接下来我们将使用Eviews建立ARIMA模型，对GDP序列进行预测。首先，在Eviews 中进行序列差分，将序列转为平稳序列。操作如下： 差分后的GDP序列如下图所示： 我们可以看到，差分后的序列已基本平稳。接下来，我们可以通过ACF和PACF图查找ARIMA的参数，找到最佳的ARIMA模型进行预测。操作如下：
实验一时间序列数据平稳性检验实验指导 一、实验目的： 理解经济时间序列存在的不平稳性，掌握对时间序列平稳性检验的步骤和各种方法，认识利用不平稳的序列进行建模所造成的影响。 二、基本概念： 如果一个随机过程的均值和方差在时间过程上都是常数，并且在任何两时期的协方差值仅依赖于该两个时期间的间隔，而不依赖于计算这个协方差的实际时间，就称它是宽平稳的。 时序图 ADF检验 PP检验 三、实验内容及要求： 1、实验内容： 用Eviews5.1来分析1964年到1999年中国纱产量的时间序列，主要内容： （1）、通过时序图看时间序列的平稳性，这个方法很直观，但比较粗糙； （2）、通过计算序列的自相关和偏自相关系数，根据平稳时间序列的性质观察其平稳性； （3）、进行纯随机性检验； （4）、平稳性的ADF检验； （5）、平稳性的pp检验。 2、实验要求： （1）理解不平稳的含义和影响； （2）熟悉对序列平稳化处理的各种方法； （2）对相应过程会熟练软件操作，对软件分析结果进行分析。 四、实验指导 （1）、绘制时间序列图 时序图可以大致看出序列的平稳性，平稳序列的时序图应该显示出序列始终围绕一个常数值波动，且波动的范围不大。如果观察序列的时序图显示出该序列有明显的趋势或周期，那它通常不是平稳序列，现以1964-1999年中国纱年产量序列（单位：万吨）来说明。 在EVIEWS中建立工作文件，在“Workfile structure type”栏中选择“Dated-regular frequency”，在右边的“Date specification”中输入起始年1964，终止年1999，点击ok则建立了工作文件。找到中国纱年产量序列的excel文件并导入命名该序列为sha，见图1-2。 图1-1 建立工作文件 图1-2 创建新序列SHA，如图1-2。点击主菜单Quick/Graph就可作图，见图1-3，分别是折线图（Line graph）、条形图（Bar graph）、散点图（Scatter）等，也可双击序列名，出现显示电子表格的序列观测值，然后点击工具栏的View/Graph。如果选择折线图，出现图1-4的对话框，在此对话框中键入要做图的序列，点击OK则出现折线图，横轴表示时间，纵轴表示纱产量，见图1-5，选择图1-5上工具栏options可以对折线图做相应修饰。点击主菜单的Edit/Copy，然后粘贴到文档就变成了如图1-6的折线图。 图1-3 图1-4 图1-5 图1-6
案例六 自回归分布滞后模型（ADL ）的运用实验指导 一、实验目的 理解ADL 模型的原理与应用条件，学会运用ADL 模型来估计变量之间长期稳定关系。理解从经济理论上来说，两个经济变量之间的确有长期关系采用使用该模型进行估计。理解ADL 模型的优点：不管回归项是不是1阶单整或平稳都可以进行检验和估计。而进行标准的协整分析前，必须把变量分类成(0)I 和(1)I 。 二、基本概念 Jorgenson(1966)提出的（,p q ）阶自回归分布滞后模型ADL(autoregressive distributed lag)：011111i t t p t p t t q t q i t i i y y y ταφφεθεθεβ-----='=++++--+∑x L L ，其中t i -x 是滞后i 期 的外生变量向量（维数与变量个数相同），且每个外生变量的最大滞后阶数为i τ，i β是参数向量。当不存在外生变量时，模型就退化为一般ARMA （,p q ）模型。 如果模型中不含有移动平均项，可以采用OLS 方法估计参数，若模型中含有移动平均项，线性OLS 估计将是非一致性估计，应采用非线性最小二乘估计。 三、实验内容及要求 （1）实验内容 运用ADL 模型研究1992年1月到1998年12月我国城镇居民月对数人均生活费支出yt 和对数可支配收入xt 之间的长期稳定关系。 （2）实验要求 在认真理解模型应用条件的基础上，通过实验掌握ADL 模型的实际应用方法，并熟悉Eniews 的具体操作过程。 四、实验指导 （1）数据录入 打开Eviews 软件，选择“File”菜单中的“New --Workfile”选项，在“Workfile structure type ”栏选择“Dated-regular frequency ”，在“Data specification ”栏中“Frequency ”中选择“Monthly ”即月份数据，起始时间输入1992m1即1992年1月份，止于1998m12，点击ok ，见图6-1，这样就建立了一个工作文件。 图6-1 建立工作文件窗口
《时间序列分析》实训教学大纲 学时：8 学分：0.5 适用专业：数据科学与大数据技术专 项目一：时间序列平稳性检验和纯随机性检验 一、目的和要求： 1.掌握使用 SAS 软件检验时间序列的平稳性； 2.掌握使用 SAS 软件检验时间序列的纯随机性。 二、主要内容： 1.利用时序图和自相关图判断时间序列是否平稳； 2.使用LB 统计量检验时间序列是否为纯随机序列。 三、教学方式和时间安排： 1.教学方式：教师辅导，学生上机完成实验； 2.时间安排：2 学时。 四、场所安排： 在安装有 SAS 的计算机机房如数模与仿真实验室完成。 五、考核方式： 提交报告的形式。 六、成绩评定： 1.在规定时间内上交相应实验报告，及相关文档资料，以此作为实训的考核材料； 2.以具体实例运行，验证结果； 3.综合上述两项判定最终成绩，百分制。 项目二：平稳时间序列的建模 一、目的和要求： 1.掌握平稳时间序列的识别、参数估计和模型检验； 2.掌握平稳时间序列的模型优化； 3.掌握平稳时间序列的模型预测。 二、主要内容： 1.对时间序列进行模型识别、模型定阶、参数估计和模型检验；
2.找到多个能通过检验的模型，并利用 AIC 和SBC 准则，选择最优模型； 3.利用最优模型进行一步预测。 三、教学方式和时间安排： 1.教学方式：教师辅导，学生上机完成实验； 2.时间安排：2 学时。 四、场所安排： 在安装有 SAS 的计算机机房如数模与仿真实验室完成。 五、考核方式： 提交报告的形式。 六、成绩评定： 1.在规定时间内上交相应实验报告，及相关文档资料，以此作为实训的考核材料； 2.以具体实例运行，验证结果； 3.综合上述两项判定最终成绩，百分制。 项目三：非平稳时间序列建模 一、目的和要求： 1.掌握差分运算； 2.掌握非平稳时间序列的建模。 二、主要内容： 1.给时间序列绘制时序图和自相关图，检验其平稳性，不平稳时进行适当的差分运算， 再次检验平稳性，平稳后检验纯随机性； 2.对时间序列进行模型识别、参数估计、模型检验和优化； 3.写出最优 ARIMA 模型结果； 4.对所建立模型进行三步预测。 三、教学方式和时间安排： 1.教学方式：教师辅导，学生上机完成实验； 2.时间安排：2 学时。 四、场所安排： 在安装有 SAS 的计算机机房如数模与仿真实验室完成。
第四章时间序列分析 由于反映社会经济现象的大多数数据是按照时间顺序记录的，所以时间序列分析是研究社会经济现象的指标随时间变化的统计规律性的统计方法。.为了研究事物在不同时间的发展状况，就要分析其随时间的推移的发展趋势，预测事物在未来时间的数量变化。因此学习时间序列分析方法是非常必要的。 本章主要内容： 1. 时间序列的线图，自相关图和偏自关系图； 2. SPSS 软件的时间序列的分析方法−季节变动分析。 §4.1 实验准备工作 §4.1.1 根据时间数据定义时间序列 对于一组示定义时间的时间序列数据，可以通过数据窗口的Date菜单操作，得到相应时间的时间序列。定义时间序列的具体操作方法是： 将数据按时间顺序排列，然后单击Date →Define Dates打开Define Dates对话框，如图4.1所示。从左框中选择合适的时间表示方法，并且在右边时间框内定义起始点后点击OK，可以在数据库中增加时间数列。 图4.1 产生时间序列对话框 §4.1.2 绘制时间序列线图和自相关图 一、线图 线图用来反映时间序列随时间的推移的变化趋势和变化规律。下面通过例题说明线图的制作。 例题4.1：表4.1中显示的是某地1979至1982年度的汗衫背心的零售量数据。试根据这些的数据对汗衫背心零售量进行季节分析。（参考文献[2]） 表4.1 某地背心汗衫零售量一览表单位：万件 解：根据表4.1的数据，建立数据文件SY-11（零售量），并对数据定义相应的时间值，使数据成为时间序列。为了分析时间序列，需要先绘制线图直观地反映时间序列的变化趋势和变化规律。
具体操作如下： 1. 在数据编辑窗口单击Graphs→Line,打开Line Charts对话框如图4. 2.。从中选择Simple单线图，从Date in Chart Are 栏中选择Values of individual cases，即输出的线图中横坐标显示变量中按照时间顺序排列的个体序列号，纵坐标显示时间序列的变量数据。 图4.2 Line Charts对话框 2. 单击Define，打开对话框如图4.4所示。选择分析变量进入Line Represents，，在Category Labels 类别标签(横坐标)中选择Case number数据个数（或变量Variable），单击Title按纽可以添加标题。 图4.3 Values of individual cases对话框 3. 点击OK可得到线图如图 4.4所示。 图4.4 汗衫销量时间序列线图 * 二、自相关图 多数经济现象具有滞后性的特点，而自相关图能够刻画经济的滞后现象，对经济问题的分析和预测起到重要的作用。下面介绍自相关图的具体操作方法。 1. 在数据编辑窗口单击Gragh→Time Series →Autocorrelation对话框，如图4.5所示： 图4.5 Autocorrelation对话框 2. 在左边框内选择要显示的变量进入右边Variables对话框；如果需要对时间序列进行变换，则要从Transform栏中选择对变量的的变换方式：其中分别是Natural log transform自然对数变换，Differfence差分（确定差分阶数），Seasonally difference季节差分（确定差分阶数）；从Display栏中选择自相关图（Autocorrelations）和偏自相关图（Partial autocorrelations）。 3. 单击Options对话框，在Maximum Number of Lags参数框中选择最大滞后数值，默认值是16。选择默认值后点击OK，可在输出窗口观察到自相关图和偏相关图。如图 4.6所示。 图4.6（a）自相关图 图4.6（b）偏自相关图 从上面的图4.4和4.6（a）中都可以看出，这个时间序列具有很强的季节性。图4.6（b）反映出这个时间序列不是平稳的时间序列，有一定的趋势性。通过时间序列的线图和自相关图后，可以根据时间序列的变动趋势和季节性的特点进行季节分解，分析季节因素的影响程度。 §4.2 季节变动分析 时间序列分析的基本方法，是进行季节变动分析。季节变动分析的可以通过分析菜单上Time Series实现。即在数据窗口单击Analyze→Time Series。从Time Series小菜单中可以得到时间序列分析的四种选择（见图4.7），分别是： 图4.7 时间序列分析菜单 ●Exponential Smoothing…指数平滑法 ●Autoregression…自回归模型 ●ARMA…自回归移动平均模型 ●Seasonal Decomposition…季节分解。 §4.2.1 季节分析方法
实验·6-时间序列分析的spss 应用
实验6 时间序列分析的spss应用 6.1 实验目的 学会运用SPSS统计软件创建时间数列，熟练掌握长期趋势线性模型拟合和季节变动测定的SPSS方法与技能。 6.2 相关知识（略） 6.3 实验内容 6.3.1 用SPSS统计软件创建时间序列的创建 6.3.2用SPSS统计软件处理长期趋势线性模型的拟合（最小二乘法、指数平滑法）及预测。 6.3.3掌握测定季节变动规律的SPSS测定方法。 6.4实验要求 6.4.1准备实验数据 6.4.2用SPSS统计软件创建彩电出口数量的时间序列 6.4.3用最小二乘法测定长期趋势，拟合线性趋势方程，并进行趋势预测。 6.4.4测定彩电出口数量的季节变动规律。 6.4.5用指数平滑法预测2014和2015年的彩电出口数量。 6.5 实验步骤 6.5.1 实验数据 为了研究某国彩电出口的情况，某研究机构收集了从2003-2013年某国彩电出口的月度数据，如表6-1所示。 表6-1 我国 2003-2013年的我国彩电出口的月度数据（单位：万台） 1月2月3月4月5月6月7月8月9月10月11月12月2003年12.53 13.73 24.45 28.75 32.45 31.11 25.94 32.98 43.49 42.94 63.29 77.28 2004年30.01 39.63 29.77 42.74 32.25 31.94 32.27 32.59 32.92 30.98 47.44 52.82 2005年24.08 16.42 31.24 29.33 31.88 30.09 28.08 32.99 44.99 47.57 50.36 75.19 2006年39.02 25.81 43.38 37.34 39.22 39.87 51.10 50.99 55.16 62.78 57.75 72.20
时间序列分析 时间序列概述 1.基本概念 (1)一般概念：系统中某一变量的观测值按时间顺序（时间间隔相同）排列成一 个数值序列，展示研究对象在一定时期内的变动过程，从中寻找 和分析事物的变化特征、发展趋势和规律。它是系统中某一变量 受其它各种因素影响的总结果。 (2)研究实质：通过处理预测目标本身的时间序列数据，获得事物随时间过程的 演变特性与规律，进而预测事物的未来发展。它不研究事物之间 相互依存的因果关系。 (3)假设基础：惯性原则。即在一定条件下，被预测事物的过去变化趋势会延续 到未来。暗示着历史数据存在着某些信息，利用它们可以解释与 预测时间序列的现在和未来。 近大远小原理（时间越近的数据影响力越大）和无季节性、无趋 势性、线性、常数方差等。 (4)研究意义：许多经济、金融、商业等方面的数据都是时间序列数据。 时间序列的预测和评估技术相对完善，其预测情景相对明确。 尤其关注预测目标可用数据的数量和质量，即时间序列的长度和 预测的频率。 2.变动特点 (1)趋势性：某个变量随着时间进展或自变量变化，呈现一种比较缓慢而长期的 持续上升、下降、停留的同性质变动趋向，但变动幅度可能不等。 (2)周期性：某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。 (3)随机性：个别为随机变动，整体呈统计规律。 (4)综合性：实际变化情况一般是几种变动的叠加或组合。预测时一般设法过滤 除去不规则变动，突出反映趋势性和周期性变动。 3.特征识别 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，大多数服从正态分布。) (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。 样本序列的自相关函数只是时间间隔的函数，与时间起点无关。其 具有对称性，能反映平稳序列的周期性变化。 特征识别利用自相关函数ACF：ρk=γk/γ0 其中γk是y t的k阶自协方差，且ρ0=1、-1<ρk<1。 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近于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
时间序列分析 实验指导 4 2 -2 -4 50100150200250
实验一 EVIEWS的基本操作 【实验目的】熟悉Eviews的操作：菜单方式，命令方式； 练习并掌握与时间序列分析相关的函数操作。 【实验内容】 一、EViews软件的常用菜单方式和命令方式； 二、各种常用差分函数表达式； 三、时间序列的自相关和偏自相关图与函数； 【实验步骤】 一、EViews软件的常用菜单方式和命令方式； ㈠创建工作文件 ⒈菜单方式 启动EViews软件之后，进入EViews主窗口 在主菜单上依次点击File/New/Workfile，即选择新建对象的类型为工作文件，将弹出一个对话框，由用户选择数据的时间频率（frequency）、起始期和终止期。选择时间频率为Annual（年度），再分别点击起始期栏（Start date）和终止期栏（End date），输入相应的日期，然后点击OK按钮，将在EViews 软件的主显示窗口显示相应的工作文件窗口。 工作文件窗口是EViews的子窗口，工作文件一开始其中就包含了两个对象，一个是系数向量C（保存估计系数用），另一个是残差序列RESID（实际值与拟合值之差）。 ⒉命令方式 在EViews软件的命令窗口中直接键入CREATE命令，也可以建立工作文件。命令格式为：CREATE 时间频率类型起始期终止期 则菜单方式过程可写为：CREATE A 1985 1998 ㈡输入Y、X的数据 ⒈DATA命令方式 在EViews软件的命令窗口键入DATA命令，命令格式为： DATA <序列名1> <序列名2>…<序列名n>
本例中可在命令窗口键入如下命令： DATA Y X ⒉鼠标图形界面方式 在EViews软件主窗口或工作文件窗口点击Objects/New Object，对象类型选择Series，并给定序列名，一次只能创建一个新序列。再从工作文件目录中选取并双击所创建的新序列就可以展示该对象，选择Edit＋/－，进入编辑状态，输入数据。 ㈢生成log（Y）、log（X）、X^2、1/X、时间变量T等序列 在命令窗口中依次键入以下命令即可： GENR LOGY=LOG(Y) GENR LOGX=LOG(X) GENR X1=X^2 GENR X2=1/X GENR T=@TREND(84) ㈣选择若干变量构成数组，在数组中增加变量。 在工作文件窗口中单击所要选择的变量，按住Ctrl键不放，继续用鼠标选择要展示的变量，选择完以后，单击鼠标右键，在弹出的快捷菜单中点击Open/as Group，则会弹出数组窗口，其中变量从左至右按在工作文件窗口中选择变量的顺序来排列。 在数组窗口点击Edit＋/－，进入全屏幕编辑状态，选择一个空列，点击标题栏，在编辑窗口输入变量名，再点击屏幕任意位置，即可增加一个新变量增加变量后，即可输入数据。点击要删除的变量列的标题栏，在编辑窗口输入新变量名，再点击屏幕任意位置，弹出RENAME对话框，点击YES按钮即可。 ㈤在工作文件窗口中删除、更名变量。 ⒈在工作文件窗口中选取所要删除或更名的变量并单击鼠标右键，在弹出的快捷菜单中选择Delete（删除）或Rename（更名）即可 ⒉在工作文件窗口中选取所要删除或更名的变量，点击工作文件窗口菜单栏中的Objects/Delete selected…（Rename selected…），即可删除（更名）变量 ⒊在工作文件窗口中选取所要删除的变量，点击工作文件窗口菜单栏中的Delete按钮即可删除变量。