时间序列
（一）时间序列及其分类
同一现象在不同时间上的相继观察值排列而成的序列称为时间序列。例如，下表就是我国国内生产总值、人口等在不同时间上得到的观察值排列而成的序列。
由表可以看出，时间序列形式上由现象所属的时间和现象在不同时间上的观察值两部分组成。根据所处的观察时间不同，现象所属的时间可以是年份、季度、月份或其他任何时间形式。现象的观察值根据表现形式不同有绝对数、相对数和平均数等。因此，从观察值的表现形式上看，时间序列可分为绝对数时间序列、相对数时间序列和平均数时间序列等。
由一系列绝对数按时间顺序排列而成的序列称为绝对数时间序列。它是时间序列中最基本的表现形式，用于反映现象在不同时间上所达到的绝对水平。绝对数时间序列根据观察值所属的时间状况不同，可以分为时期序列和时点序列。例如，表中的国内生产总值序列就是时期序列。时期序列中的观察值反映现象在一段时期内的活动总量，并且各观察值通常可以直接相加，用于反映现象在更长一段时期内的活动总量。表中的年末总人口序列属于时点序列，时点序列中的观察值反映现象在某一瞬间时点上的总量，它是在某一时点上统计得到的，序列中的各观察值通常不能相加。由绝对数时间序列可以派生出相对数和平均数时间序列，它们分别是由一系列相对数和平均数按时间顺序排列而成的。例如，表中的人口自然增长率序列就是相对数时间序列，居民消费水平序列则是平均数时间序列。
时间序列的描述性分析包括水平分析和速度分析两方面的内容。
（二）时间序列的水平分析
1.序时平均数
在时间序列中，我们用i t表示现象所属的时间，i Y表示现象在不同时间上观察值。i Y也称为现象在时间i t上的发展水平，它表示现象在某一时间上所达到的一种数量状态。若观察的时间范围为1t，2t，…，n t，相应的观察值表示为1Y，2Y，…，3Y，其中1Y称为最初发展水平，n Y称为最末发展水平；若对两个观察值进行比较时，把现在的这个时期称为报
告期，用于比较的过去的那个时期称为基期。
序时平均数是现象在不同时间上的观察值的平均数。它可以概括性地描述出现象在一段时期内所达到的一般水平。在证券市场上，对股票价格或股票价格指数的分析中常用到序时
平均数。由于不同时间序列中观察值的表现形式不同，序时平均数有不同的计算方法。
（1）绝对数时间序列的序时平均数。由于绝对数时间序列有时期序列和时点序列之分，序时平均数的计算方法也有所区别。对于时期数列，序时平均数计算公式为：
n
Y n
Y Y Y Y n
i i
n
∑==
+++=
1
21
式中：Y 表示序时平均数，i Y 为第i 个时期的观察值，n 为观察值的个数。 例如，根据表中的国内生产总值序列，计算各年度的平均国内生产总值。 根据上式得：
46.654895
3
.3274471
==
=
∑=n
Y Y n
i i
（亿元） 时点序列中的各观察值是在某个瞬间时点上取得的，由于各观察点的时间间隔长度有所不同，序时平均数通常采用不同的计算方法。
——对于以“天”为统计间隔的时点序列，序时平均数可按上面的公式的计算。 ——对于统计时点间隔在一天以上的时点序列，计算序时平均数时应先求出两个相邻观察值的平均数，然后由此求出整个观察期间的观察值总量，最后再根据这一总量求得平均数。其基本计算公式为：
∑-=--++++++=1
1
1123212
1)2()2()2(
n i i
n n n T T Y Y T Y Y T Y Y Y 式中：i T 为观察值i Y 与1+i Y 之间的间隔日期长度。
例如，设某种股票2001年各统计时点的收盘价如表，计算该股票2001年的年平均价格
3
3423
)28
.153.16(3)23.166.17(4)26.172.14(2)22.142.15(+++?++?++?++?+=
Y ＝16.O （元）
当各观察时点的间隔相等时，即121-===n T T T ，上式可化简为：
1
22
121
-++++=-n Y Y Y Y Y n
n 例如，根据表中年末总人口数序列，计算1994－1998年间的年平均人口数。 根据上式得：
1
52124810
1236261223891211212119850-++++=
Y ＝122366.5（万人）
（2）相对数或平均数时间序列的序时平均数。相对数和平均数通常是由两个绝对数对比形成的，即观察值i i i b a Y /=，计算序时平均数时，应先分别求出构成相对数或平均数的分子i a 和分母i b 的平均数，而后再进行对比，即得相对数或平均数序列的序时平均数。其基本公式可写为：
b
a Y =
式中a 和b 可按绝对数时间序列序时平均数的计算方法求得。
例如，已知1994－1998年我国的国内生产总值及构成数据如表。计算1994－1998年间我国第三产业国内生产总值占全部国内生产总值的平均比重。
5
3
.3274471
=
=
∑=n
b b n
i i
＝65489.46（亿元），5
3
.1034421
=
=∑=n
a a n
i i
＝20688.46（亿元） 根据上式得：
%10046
.6548946
.20688?=
Y ＝31.59％
即1994－1998年间我国第三产业国内生产总值占全部国内生产总值的年平均比重为31.59％。
2.增长量与平均增长量
增长量是时间序列中的报告期水平与基期水平之差，用于描述现象在观察期内增长的绝对数量。若二者之差为正数，表示增长；若为负数，则表示负增长。
由于采用的基期不同，增长量有逐期增长量和累积增长量之分。逐期增长量是报告期水平与前一时期水平之差，表示本期比前一时期增长的绝对数量；累积增长量是报告期水平与某一固定时期水平之差，说明报告期与某一固定时期相比增长的绝对数量。
设时间序列的观察值为),,1,0(n i Y i =，增长量为?，逐期增长量和累积增长量的一般形式可以写为：
逐期增长量：),,2,1(1n i Y Y i i i =-=?- 累积增长量：),,2,1(0
n i Y Y i i =-=?
不难看出，整个观察期内各逐期增长量之和等于最末期的累积增长量。即：
01
1)(Y Y Y Y n n
i i i -=-∑=-
平均增长量是观察期各逐期增长量的平均数，用于描述现象在观察期内平均增长的数量。它可以根据逐期增长量求得，也可以根据累积增长量求得。计算公式为：
1
观察值个数－累积增长量
＝逐期增长量个数逐期增长量之和平均增长量＝
（三）时间序列的速度分析
1.发展速度与增长速度
（1）发展速度。发展速度是报告期发展水平与基期发展水平之比，用于描述现象在观察期内的发展变化程度。
由于采用的基期不同，发展速度可以分为环比发展速度和定基发展速度。环比发展速度是报告期水平与前一时期水平之比，说明现象逐期发展变化的程度；定基发展速度是报告期水平与某一固定时期水平之比，说明现象在整个观察期内总的发展变化程度。
设时间序列的观察值为i Y ，（i ＝0，1，…，n ），发展速度为R ，环比发展速度和定基发展速度的一般形式可以写为：
环比发展速度：1
-=
i i
i Y Y R （i ＝1，2，…，n ） 定基发展速度：0
Y Y R i
i =
（i ＝1，2，…，n ） 环比发展速度与定基发展速度之间的关系是：观察期内各个环比发展速度的连乘积等于最末期的定基发展速度；两个相邻的定基发展速度，用后者除以前者，等于相应的环比发展速度。
即：
01Y Y Y Y n
i i =∏-（∏为连乘符号） 1
010--=÷i i i i Y Y Y Y Y Y 利用上述关系，可以根据一种发展速度去推算另一种发展速度。
（2）增长速度。增长速度也称增长率，是增长量与基期水平之比，用于描述现象的相对增长程度。它可以根据增长量求得，也可以根据发展速度求得。其基本计算公式为：
1＝发展速度－基期水平
报告期水平－基期水平
＝基期水平增长量增长速度＝
由于采用的基期不同，增长速度也可分为环比增长速度和定基增长速度。前者是逐期增
长量与前一时期水平之比，用于描述现象逐期增长的程度，后者是累积增长量与某一固定时期水平之比，用于描述现象在观察期内总的增长程度。
设增长速度为G ，环比增长速度和定基增长速度的公式可写为：
环比增长速度：)1(1111n i Y Y
Y Y Y G i i i i i i =-=-=
---
定基增长速度：)1(10
00n i Y Y Y Y Y G i
i i =-=-=
需要指出，环比增长速度与定基增长速度之间没有直接的换算关系。在由环比增长速度
推算定基增长速度时，可先将各环比增长速度加1后连乘，再将结果减1，即得定基增长速度。
例如，根据表中第三产业国内生产总值序列，计算各年的环比发展速度和增长速度，及以1994年为基期的定基发展速度和增长速度。
解：根据上面的公式，可得计算结果如表。
第三产业国内生产总值速度计算表
2.平均发展速度与平均增长速度
平均发展速度是各个时期环比发展速度的平均数，用于描述现象在整个观察期内平均发展变化的程度。平均增长速度（平均增长率）则是用于描述现象在整个观察期内平均增长变化的程度，它通常用平均发展速度减1来求得。
计算平均发展速度的常用方法是水平法。水平法又称几何平均法，它是根据各期的环比发展速度采用几何平均法计算出来的。计算公式为：
),1(0
1112
01n i Y Y Y Y Y Y Y Y Y Y R n n n i i n
n n ==∏=???=--
式中：R 表示平均发展速度，n 为环比发展速度的个数，它等于观察数据的个数减1，
∏为连乘符号。
设平均增长速度为G ，则有：
1-=R G
例如，根据表中的有关数据，计算1994－1998年间我国第三产业国内生产总值的年平
均发展速度和年平均增长率。
解：根据上式得：
%99.1140
.149303
.26104%6.108%7.117%8.113%2.120441==???=∏
=-n i i Y Y R
年平均增长率为：
1-=R G ＝114.99％－1＝14.99％
3.速度的分析与应用 对于大多数时间序列，特别是有关社会经济现象的时间序列，我们经常利用速度来描述其发展的数量特征。尽管速度的计算与分析都比较简单，但实际应用中，有时也会出现误用乃至滥用速度的现象。因此，在应用速度分析实际问题时，应注意以下几方面的问题。
首先，当时间序列中的观察值出现0或负数时，不宜计算速度。比如，假定某企业连续五年的利润额分别为5、2、0、－3、2万元，对这一序列计算速度，要么不符合数学公理，要么无法解释其实际意义。在这种情况下，适宜直接用绝对数进行分析。
其次，在有些情况下，不能单纯就速度论速度，要注意速度与绝对水平的结合分析。我们先看一个例子。
例如，假定有两个生产条件基本相同的企业，各年的利润额及有关的速度值如表。
甲、乙两个企业的有关资料
企业的利润增长速度比甲企业高出一倍。如果就此得出乙企业的生产经营业绩比甲企业要好得多，这样的结论就是不切实际的。因为速度是一个相对值，它与对比的基期值的大小有很大关系。大的速度背后，其隐含的绝对值可能很小，小的速度背后，其隐含的绝对值可能很大。这就是说，由于对比的基点不同，可能会造成速度数值上的较大差异，进而造成速度上的虚假现象。上述例子表明，由于两个企业的生产起点不同，基期的利润额不同，才造成了二者速度上较大差异。从利润的绝对额来看，两个企业的速度每增长一个百分点所增加的利润绝对额是不同的。在这种情况下，我们需要将速度与绝对水平结合起来进行分析，通常要计算增长1％的绝对值来补充速度分析中的局限性。
增长1％绝对值表示速度每增长一个百分点而增加的绝对数量，其计算公式为：
100
1001前期水平
＝环比增长速度逐期增长量％绝对值＝增长?
根据表的资料计算，甲企业速度每增长1％增加的利润额为5万元，而乙企业则为0.6
万元，甲企业远高于乙企业。这说明甲企业的生产经营业绩并不比乙企业差，而是更好。
目录 第十一章时间序列分析___________________________________________________________________ 2 第一节时间序列的有关概念______________________________________________________________ 3 一、时间序列的构成因素_______________________________________________________________ 3 二、时间序列的数学模型_______________________________________________________________ 4 第二节时间序列的因素分析______________________________________________________________ 4 一、图形描述_________________________________________________________________________ 4 二、长期趋势分析_____________________________________________________________________ 5 三、季节变动分析_____________________________________________________________________ 8 四、循环波动分析____________________________________________________________________ 12 第三节随机时间序列分析_______________________________________________________________ 14 一、平稳随机过程概述________________________________________________________________ 14 二、ARMA模型的识别 _______________________________________________________________ 15 三、模型参数的估计__________________________________________________________________ 19 英文摘要与关键词______________________________________________________________________ 21习题_________________________________________________________________________________ 21
【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
应用时间序列分析试卷 一 Document number【980KGB-6898YT-769T8CB-246UT-18GG08】
应用时间序列分析（试卷一） 一、 填空题 1、拿到一个观察值序列之后，首先要对它的平稳性和纯随机性进行检验，这两个重要的检验称为序列的预处理。 2、白噪声序列具有性质纯随机性和方差齐性。 3、平稳AR （p ）模型的自相关系数有两个显着的性质：一是拖尾性；二是呈负指数衰减。 4、MA(q)模型的可逆条件是：MA(q)模型的特征根都在单位圆内，等价条件是移动平滑系数多项式的根都在单位圆外。 5、AR （1）模型的平稳域是{}11<<-φφ。AR （2）模型的平稳域是 {}11,12221<±<φφφφφ且， 二、单项选择题 1、频域分析方法与时域分析方法相比（D ） A 前者要求较强的数学基础，分析结果比较抽象，不易于进行直观解释。 B 后者要求较强的数学基础，分析结果比较抽象，不易于进行直观解释。 C 前者理论基础扎实，操作步骤规范，分析结果易于解释。 D 后者理论基础扎实，操作步骤规范，分析结果易于解释。 2、下列对于严平稳与宽平稳描述正确的是（D ） A 宽平稳一定不是严平稳。 B 严平稳一定是宽平稳。 C 严平稳与宽平稳可能等价。 D 对于正态随机序列，严平稳一定是宽平稳。 3、纯随机序列的说法，错误的是（B ）
A时间序列经过预处理被识别为纯随机序列。 B纯随机序列的均值为零，方差为定值。 C在统计量的Q检验中，只要Q 时，认为该序列为纯随机序列，其 中m为延迟期数。 D不同的时间序列平稳性检验，其延迟期数要求也不同。 4、关于自相关系数的性质，下列不正确的是（D） A. 规范性； B. 对称性； C. 非负定性； D. 唯一性。 5、对矩估计的评价，不正确的是（A） A. 估计精度好； B. 估计思想简单直观； C. 不需要假设总体分布； D. 计算量小（低阶模型场合）。 6、关于ARMA模型，错误的是（C） A ARMA模型的自相关系数偏相关系数都具有截尾性。 B ARMA模型是一个可逆的模型 C 一个自相关系数对应一个唯一可逆的MA模型。 D AR模型和MA模型都需要进行平稳性检验。 7、MA（q）模型序列的预测方差为下列哪项（B） A、 []2 2 , Va() , l t l q r e l l q ξ ξ θθσ θθσ ?< ? =? > ?? 22 1-1 22 1q （1++...+） （1++...+） B、 []2 2 , Va() , l t l q r e l l q ξ ξ θθσ θθσ ?≤ ? =? > ?? 22 1-1 22 1q （1++?+） （1++?+） C、 []2 q 2 , Va() , t l l q r e l l q ξ ξ θθσ θθσ ?≤ ? =? > ?? 22 1-1 22 1 （1++?+） （1++?+） D、 []2 2 , Va() , l t l q r e l l q ξ ξ θθσ θθσ ?≤ ? =? > ?? 22 1-1 22 1q-1 （1++?+） （1++?+）
参考材料，注意保存 中国科学院教育云 运行与服务月报 2015年第12期 （总第68期） 中国科学院大学 2015年12月
2 概述： 12月，教育云访问量与上月基本持平。各业务系统访问总量为1,217,789人次，活跃用户30,673名。 图1 教育云总访问量 图2 12月份主要业务系统访问量 一、 教育业务系统应用情况 12月，硕士招生全国统考，共在招生系统中完成专业课考试科目订题10,748份。2016年秋季博士网报于2015年12月10日开通，已注册10,234人（其中，硕博连读2,159人），完成填报6,455人（其中，硕博连读1,468人）。学籍系统新增统招生3人，非统招生6人，关键信息变更8,086人次，研究生基本信息登记表维护8,116人次。教务系统集中教学部分，新增评估记录26,309人次；所级教务部分新增课程551门次，1,780人进行了网上选课，新增选课记录2,774人次。2014级109名本科生在本科学籍系统完成导师双选申请；2015级334名本科生完成本科生登记表的填报；2015级第四批23名本科生学业导师已在系统中确定。培养系统新增学生各类申请8,180条，其中，培养计划1,372条，开题报告4,162条，中期考核2,091条，答辩申请555条。学位系统共有1,618名学生开通学位申请权限，其中博士1,043人，硕士214人，同等学力硕士30人，专业学位331人。最终，1,601名学生在系统中提交了学位确认信息，研究所审核确认1,601人。学科群分会评审工作已结束。就业系统支持完成就业派遣1,130人，其中，博士614人，硕士516人。
1. 简述你所理解的时间序列及时间序列分析。 答：时间序列：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。 时间序列分析：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。 2. 简述时域里的时间序列分析方法的基本思想、主要目标和主要结论（模型）。 答：基本思想：事件的发展通常都具有一定的惯性，这种惯性用统计的语言来描述就是序列值之间存在着一定的相关关系，而且这种相关关系通常具有某种统计规律。 目标：寻找出序列值之间相关关系的统计规律，并拟合出适当的数学模型来描述这种规律，进而利用这个拟合模型预测序列未来的走势。 模型：自回归（autoregressive, AR ）模型，移动平均（moving average, MA ）模型、自回归移动平均（autoregressive moving average, AR MA ）模型、求和自回归移动平均（autoregressive integrated moving average, ARIMA ）模型，自回归条件异方差（ARCH ）模型 、广义自回归条件异方差（GARCH ）模型 、指数广义自回归条件异方差（EGARCH ）模型 、方差无穷广义自回归条件异方差（IEGARCH ）模型 、依均值广义自回归条件异方差（EGARCH-M ）模型 。 3. 统计分析软件SAS 系统的三个基本窗口是什么 答： 程序编辑窗口、运行结果窗口、 结果输出窗口。 4. 已知时间序列},{T t X t ∈且)(x F X t t 的分布函数为，并假设该时间序列的均值与方差存在。请分别给出计算该时序的特征统计量：（1）均值t μ， （2）方差t DX ， | （3）自协方差函数),(s t γ， （4）自相关系数 ),(s t ρ 的计算公式。 答：（1）均值()t t t EX xdF x μ∞ -∞==? （2）方差22()()()t t t t t DX E X x dF x μμ∞ -∞=-=-? （3）自协方差函数(,)()()t t s s t s E X X γμμ=-- （4）自相关系数 ),(s t ρ=） 5. 平稳时间序列通常分为严平稳和宽平稳两种，试用语言描述或数学公式给出两种平稳的定义。 答：严平稳是一种条件比较苛刻的平稳性定义，它认为只有当序列所有的统计性质都不会随着时间的推移而发生变化时，该序列才能被认为平稳。 宽平稳是使用序列的特征统计量来定义的一种平稳性。它认为序列的统计性质主要由它的低阶矩决定，所以只要保证序列低阶矩平稳（二阶），就能保证序列的主要性质近似稳定。 6. 写出平稳时间序列的2个统计性质，并据此给出平稳时间序列延迟k 的自协方差函数的一元函数)(k γ的定义，说明平稳时序的方差为常数，再将延迟k 自相关系数用)(k γ的函数表出。 答：平稳时间序列的2个统计性质（1）t EX μ=；（2）γ γ（t,s）=(k,k+s-t)。 》 对于平稳时间序列｛Xt,t ∈T ｝,任取t,t+k ∈T,定义r(ｋ)为此时间序列的延迟
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
第一章时间序列分析基础 一维傅里叶变换 首先观察一个实验。将弹簧的一端固定并悬垂，另一端挂一重物。向下拉重物使弹簧拉伸某一距离，比如说0.8个单位，使其振动。现假定弹簧是弹性的，那么它将无休止地上下运动。若将运动起始的平衡位置定为时间零，那么重物的位移量将随着时间函数在极限[＋0.8—－0.8]之间变化。如果有一装置能给出位移振幅随时间函数变化的轨迹，就会得到一条正弦波曲线。其相邻两峰值间的时间间隔为0.08秒(80毫秒)。我们称它为弹簧的周期，它取决于所测弹簧刚度的弹性常数。我们说弹簧在一个周期时间内完成了一次上下振动。在1秒的观测时间内记下其周期数，我们发现是12.5周，这个数被称为弹簧振动的频率。你一定会注意到，1/0.08＝12.5，这就是说频率为周期的倒数。 我们取另一个刚性较大的弹簧，并重复上面的实验。不过这次弹簧的振幅峰值位移为0.4个单位。它的运动轨迹所显示的是另一条正弦曲线。量其周期和频率分别为0.04秒和25周/秒，为了记下这些测量结果，我们做每个弹簧峰值振幅与频率的关系图，这便是振幅谱。 现在取两个相同的弹簧。一个弹簧从0.8个单位的峰值振幅位移开始松开，并使其振动。这时注意弹簧通过零时平衡位置的时间，就在它通过零时的一刹那，请你将另一弹簧从0.8个单位的同样峰值振幅位移处松开。这样由于起始的最大振幅相同，所以两个正弦时间函数的振幅谱也应该一样。但肯定两者之间是有差别的，特别是当第1个正弦波达到峰值振幅时，另一个的振幅为零。两者的区别为：第2个弹簧的运动相对于第1个弹簧的运动有一个等于四分之一周期的时间延迟。四分之一周期的时间延迟等于90°相位滞后。所以除振幅谱之外，我们还可以作出相位延迟谱，至此，这个实验做完了。那么我们学到了什么呢？这就是弹簧的弹性运动可以用正弦时间函数来描述，更重要的是，可以用正弦波的频率、峰值振幅及相位延迟来全面地描述正弦波运动。这个实验告诉我们弹簧的振动是怎样随时间和频率函数变化的。 现在设想有一组弹簧，每个弹簧的正弦运动都具有特定的频率、峰值振幅和相位延迟。所有弹簧的正弦响应如图1所示。我们可以把该系统的运动“合成”为一个总的波动，来代替该组中的各单个分量的运动。这一合成是直接把所有记录道相加，其结果得到一个与时间相关的信号，在图1中由第一道表示。我们通过这种合成可以把这一运动由频率域变换到时间域。这一变换是可逆的：即给定时间域信号，我们可以把它变换到频率域的正弦分量。在数学上，这种双向过程是由傅里叶变换完成的。在实际应用中，标准的运算是所谓快速傅氏变换。通过傅氏正变换可以把与时间相关的信号分解成它的频率分量，而所有的频率分量合成为时间域信号又是通过反傅氏变换来实现的。图2概括了信号的傅氏变换。振幅谱和相位谱(严格地讲是相位延迟谱)是图1中所显示的正弦波最简单的表示形
我国时间序列分析研究工作综述 (李锐向书坚) 摘要：近年来我国学者对于时间序列的研究取得了极其丰硕的成果，主要体现在基础理论研究的不断加强（某些领域已经达到了国际前沿水平，而不再只是纯粹的吸收引进国外的先进成果）；应用领域的不断拓展，在应用中求创新求发展，在部分应用领域中我们已经跟上了国际步伐。本文中我们将从理论与应用两个方面进行对我国时间序列分析研究的主要成果进行综述。 关键词：非线性；非平稳；非参数；数据挖掘 近年来我国学者对于时间序列的研究取得了极其丰硕的成果，主要体现在基础理论研究的不断加强（某些领域已经达到了国际前沿水平，而不再只是纯粹的吸收引进国外的先进成果）；应用领域的不断拓展，在应用中求创新求发展，在部分应用领域中我们已经跟上了国际步伐。本文中我们将从理论与应用两个方面进行对我国时间序列分析研究的主要成果进行综述，主要介绍被SCI检索（2000-2004）的部分成果，以及在国内重点核心期刊（2000-2004）上发表的部分重要成果。 一、时间序列分析在理论上的进展 理论上的进展主要表现在两个方面：一是单位根理论；一是非线性模型理论，非线性模型理论的进展集中在几何遍历性问题和非线性过程的平稳性这两方面。我国学者在非线性时间序列分析方面取得了一系列高水平的成果。 汤家豪教授将有关非线性时间序列分析的研究与动力系统科学的模型连接而备受赞赏。现在他着眼于非参数时间序列模型的发展，并与生态学家进行大量的合作研究。 姚琦伟教授基于信息量，首次提出了描述一般随机系统对初始条件敏感性的度量及估计方法。在高维模型领域，姚琦伟教授提出用复系数线性模型近似高维非线性回归函数的新方法，以此克服高维非参数回归中样本量短缺的困难问题。此方法在生物、经济、金融等应用中获得了成功。在时间序列模型的最大似然估计方法的研究中，他完整地建立了在金融风险管理中有直接应用的ARCH和GARCH模型为最大似然估计的极限理论。对于重尾部 （heavy-tailed）分布模型，提出了基于boostrap的新的估计方法以及稳健统计方法。他还首次建立了在空间域上空间ARMA过程的最大似然估计理论，这一工作同时也对Hannan 1973年给出的关于时间序列的最大似然估计理论首次给出了一个完整的时域上的证明。 安鸿志、朱力行、陈敏关于非线性自回归模型的平稳性、遍历性和高阶矩的成果，获得了有这些性质的最弱条件。关于回归或自回归的非线性检验问题，具有重要的实际意义。他们首次给出了完全对立的假设检验方法，无论从原理和应用都表明此方法有明显优点。他们研究了条件方差为非常数的回归和自回归模型的平稳性、遍历性和检验方法。
时间序列分析 17.某城市过去63年中每年降雪量数据（单位：mm）如表3—20所示（行数据）。表3—20 126.4 82.4 78.1 51.1 90.9 76.2 104.5 87.4 110.5 25 69.3 53.5 39.8 63.6 46.7 72.9 79.6 83.6 80.7 60.3 79 74.4 49.6 54.7 71.8 49.1 103.9 51.6 82.4 83.6 77.8 79.3 89.6 85.5 58 120.7 110.5 65.4 39.9 40.1 88.7 71.4 83 55.9 89.9 84.8 105.2 113.7 124.7 114.5 115.6 102.4 101.4 89.8 71.5 70.9 98.3 55.5 66.1 78.4 120.5 97 110 （1）判断该序列的平稳性与纯随机性。 （2）如果序列平稳且非白噪声，选择适当模型拟合该序列的发展。 （3）利用拟合模型，预测该城市未来5年的降雪量。 答：
（1）由a-time时序图（左上角），该图平稳 由ACF自相关系数图（右上角），该图非纯随机性 （2）因为该序列是平稳且非白噪声序列，由图可知ACF图拖尾， PACF图一阶截尾，故该序列可拟合为AR(1)模型
图1 （3）由图1和xt-time时序图（右下角）可知，该城市未来5年的降雪量预测为:89.01662, 82.43668, 80.37336, 79.72634, 79.52345 该题的程序: 18.某地区连续74年的谷物产量（单位：千吨）如表3—21所示（行数据）。表3—21 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
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 解：1()0.7()()t t t E x E x E ε-=?+ 0)()7.01(=-t x E 0)(=t x E t t x ε=-）B 7.01( t t t B B B x εε)7.07.01()7.01(221Λ+++=-=- 229608.149 .011 )(εεσσ=-= t x Var 49.00212==ρφρ 022=φ 3.2 解：对于AR （2）模型： ?? ?=+=+==+=+=-3.05 .02110211212112011φρφρφρφρρφφρφρφρ 解得：???==15/115 /72 1φφ 3.3 解：根据该AR(2)模型的形式，易得：0)(=t x E 原模型可变为：t t t t x x x ε+-=--2115.08.0 2212122 ) 1)(1)(1(1)(σφφφφφφ-+--+-= t x Var 2) 15.08.01)(15.08.01)(15.01() 15.01(σ+++--+= =1.98232σ ?????=+==+==-=2209.04066.06957.0)1/(122130 2112211ρφρφρρφρφρφφρ ?? ???=-====015.06957.033222111φφφρφ
关于居民消费价格指数的时间序列分析 摘要 本文以我国1997年4月至2014年4月间每月的烟酒及用品类居民消费价格指数为原始数据，利用EVIEWS软件判断该序列为平稳序列且为非白噪声序列，通过对数据一系列的处理，建立AR(1)模型拟合时间序列，由于时间序列之间的相关关系和历史数据对未来的发展有一定的影响，对我国的烟酒及用品类居民消费价格指数进行了短期预测，阐述该价格指数所表现的变化规律。 关键字：烟酒及用品类居民消费价格指数，时间序列，AR模型，预测 引言 一、理论准备 时间序列分析是按照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。 基本原理： 1.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。 2.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。 二、基本思想 1. 拿到一个观测值序列之后，首先判断它的平稳性，通过平稳性检验，判断序列是平稳序列还是非平稳序列。 2.若为非平稳序列，则利用差分变换成平稳序列。 3.对平稳序列，计算相关系数和偏相关系数，确定模型。 4.估计模型参数，并检验其显著性及模型本身的合理性。
5.检验模型拟合的准确性。 6.根据过去行为对将来的发展做出预测。 三、背景知识 CPI（居民消费价格指数），是反映与居民生活有关的商品及劳务价格统计出来的物价变动指标，通常作为观察通货膨胀水平的重要指标。居民消费价格指数，是对一个固定的消费品篮子价格的衡量，主要反映消费者支付商品和劳务的价格变化情况，也是一种通货膨胀水平的工具。一般来说，当CPI>3%的增幅时我们称为通货膨胀。 国外许多发达国家非常重视消费价格统计，美国、加拿大等国家都计算和公布每月经过季节调整的消费价格指数，以满足不同信息使用者的要求。经济学家用消费价格指数进行经济分析和利用时间序列构建经济模型。 总所周知，居民消费价格指数是反映一个国家或地区宏观经济运行状况好坏的必不可少的统计指标之一，是世界各国判断通货膨胀（紧缩）的主要标尺，是反映市场经济景气状态必不可少的经济晴雨表。因此，我国也采用国际惯例，用消费价格指数作为判断通货膨胀的主要标尺。 由于CPI是反映社会经济现象的综合指标，对其定量分析必须建立在定性分析的基础上，因此CPI的预测趋势还要与国家宏观经济政策及我国市场的供求关系相结合。如果消费价格指数升幅过大，表明通胀已经成为经济不稳定因素，央行会有紧缩货币政策和财政政策的风险，从而造成经济前景不明朗。因此，该指数过高的升幅往往不被市场欢迎。 基于以上种种，CPI指数的预测对我国各方面显得尤为重要。 本文针对烟酒及用品类居民消费价格指数，分析其时间序列，并进行了相关预测。 模型的建立 一、数据的选择： 选取2007年4月—2014年4月的各个月份的烟酒及用品类居民消费价格指数，如表1所示： 表1 烟酒及用品类居民消费价格指数 时间指数时间指数时间指数时间指数2007.4 99.4 2009.2 103.2 2010.12 101.5 2012.1 103.4 2007.5 99.3 2009.3 103.3 2011.1 101.6 2012.11 103.4 2007.6 99.3 2009.4 103.4 2011.2 101.7 2012.12 103.3 2007.7 99.3 2009.5 103.6 2011.3 101.7 2013.1 103.1
河南财经政法大学应用时间序列分析实验手册 应用时间序列分析 实验手册
目录 目录 (2) 第一章Eviews的基本操作 (3) 第二章时间序列的预处理 (6) 一、平稳性检验 (6) 二、纯随机性检验 (13) 第三章平稳时间序列建模实验教程 (14) 一、模型识别 (14) 二、模型参数估计 (18) 三、模型的显著性检验 (21) 四、模型优化 (23) 第四章非平稳时间序列的确定性分析 (24) 一、趋势分析 (24) 二、季节效应分析 (39) 三、综合分析 (44) 第五章非平稳序列的随机分析 (50) 一、差分法提取确定性信息 (50) 二、ARIMA模型 (63) 三、季节模型 (68)
第一章Eviews的基本操作 The Workfile（工作簿） Workfile 就像你的一个桌面，上面放有许多Objects，在使用Eviews 时首先应该打开该桌面，如果想永久保留Workfile及其中的内容，关机时必须将该Workfile存到硬盘或软盘上，否则会丢失。 （一）、创建一个新的Workfile 打开Eviews后，点击file/new/workfile，弹出一个workfile range对话框（图1）。 图1 该对话框是定义workfile的频率，该频率规定了workfile中包含的所有objects频率。也就是说，如果workfile的频率是年度数据，则其中的objects也是年度数据，而且objects数据范围小于等于workfile的范围。 例如我们选择年度数据（Annual），在起始日（Start date）、终止日（End date）分别键入1970、1998，然后点击OK，一个新的workfile就建立了（图2）。 图2
時間序列分析與預測心得報告 所謂時間序列分析(Time Series Analysis)，乃探討一串按時序列間的關係，並籍由此關係前瞻至未來。時間序列分析模式是計量經濟模式的一般化，可分為狹義及廣義。狹義的時間序列分析是Box and Jankins在1961年所提出的ARIMA模式和後人延伸的ARIMA相關系統；廣義的時間序列除了ARIMA及其相關體系外，還包括趨勢預測、時間序列分解、譜系分析及狀況空間分析等模式。其中，ARIMA轉移函數為高度一般化的模式，其特例簡化為自我迴歸模式及多項式遞延落差模式；而向量ARIMA模式更可簡化為聯立方程式模式。ARIMA、ARIMA轉移函數及向量ARIMA構成了ARIMA系統。 事實上，除了ARIMA模式外，尚有其他可用以預測外生變數之統計模式，但每種模式皆適用於不同的研究特性，如表4.1-1所示。表中，依模式誤差、變數性質、資料特性，可產生六種不同情況的組合，每一組合的預測，均有適當的統計模式可用。 預測模式之適用場合 資料特性 模式特性變數特性連續性季節性 非隨機性外生變數趨勢預測時間序列分解 隨機性外生變數ARIMA SARIMA 內生變數ARIMAT SARIMAT 模式依特性可分為非隨機模式和隨機模式。非隨機模式(Non-stochastic Model)的誤差項背後無隨機過程的假定，亦即時間序列不是由隨機過程產生。典型的非隨機模式為趨勢預測模式。這種模式非常單純，僅用一個數學函數，配適在所觀察到的時間序列上，再用函數的特性，產生未來的預測。趨勢預測模式有誤差項，假定遵循NID(0, 2)。 非隨機模式的特例為確定性模式(Deterministic Model)，模式中無誤差項，純為數學結構，不是統計推理的應用，沒有假說檢定，也沒有常態分配的觀念存在。典型的確定性模式，就是時間序列分解模式。這種模式用數學的方式，將時間序列分解成長期趨勢、循環變動、季節變動、不規則變動。預測時，捨棄不規則變動，將其他三個因子分別預測至未來，再組合起來即得。
6、 方法一：趋势拟合法 income<-scan('习题4.6数据.txt') ts.plot(income) 由时序图可以看出，该序列呈现二次曲线的形状。于是，我们对该序列进行二次曲线拟合： t<-1:length(income) t2<-t^2 z<-lm(income~t+t2) summary(z) lines(z$fitted.values, col=2) 方法二：移动平滑法拟合 选取N=5 income.fil<-filter(income,rep(1/5,5),sides=1) lines(income.fil,col=3)
7、（1） milk<-scan('习题4.7数据.txt') ts.plot(milk) 从该序列的时序图中，我们看到长期递增趋势和以年为固定周期的季节波动同时作用于该序列,因此我们可以采用乘积模型和加法模型。在这里以加法模型为例。 z<-scan('4.7.txt') ts.plot(z)
z<-ts(z,start=c(1962,1),frequency=12) z.s<-decompose(z,type='additive') //运用加法模型进行分解 z.1<-z-z.s$seas //提取其中的季节系数，并在z中减去（因为是加法模//型）该季节系数 ts.plot(z.1) lines(z.s$trend,col=3) z.2<-ts(z.1) t<-1:length(z.2) t2<-t^2 t3<-t^3 r1<-lm(z.2~t) r2<-lm(z.2~t+t2) r3<-lm(z.2~t+t2+t3) summary(r1) summary(r2)
第2章 时间序列的预处理 拿到一个观察值序列之后，首先要对它的平稳性和纯随机性进行检验，这两个重要的检验称为序列的预处理。根据检验的结果可以将序列分为不同的类型，对不同类型的序列我们会采用不同的分析方法。 2.1 平稳性检验 2.1.1 特征统计量 平稳性是某些时间序列具有的一种统计特征。要描述清楚这个特征，我们必须借助如下统计工具。 一、概率分布 数理统计的基础知识告诉我们分布函数或密度函数能够完整地描述一个随 机变量的统计特征。同样，一个随机 变量族的统计特性也完全由它们的联 合分布函数或联合密度函数决定。 对于时间序列{t X ，t ∈T }，这样来定义它的概率分布： 任取正整数m ，任取m t t t ，， ，?21∈T ，则m 维随机向量（m t t t X X X ，，，?21）’的联合概率分布记为），，，（m t t t x x x F m ??21,,,21，由这些有限维分布函数构成的全体。 {），，，（m t t t x x x F m ??21,,,21，?m ∈正整数，?m t t t ，，，?21∈T } 就称为序列{t X }的概率分布族。 概率分布族是极其重要的统计特征描述工具，因为序列的所有统计性质理论上都可以通过 概率分布推测出来，但是概率分布族的重要 性也就停留在这样的理论意义上。在实际应 用中，要得到序列的联合概率分布几乎是不 可能的，而且联合概率分布通常涉及非常复 杂的数学运算，这些原因使我们很少直接使 用联合概率分布进行时间序列分析。 二、特征统计量 一个更简单、更实用的描述时间序列统计特征的方法是研究该序列的低阶矩，特别是均值、方差、自协方差和自相关系数，它们也被称为特征统计量。 尽管这些特征统计量不能描述随机序列全部的统计性质，但由于它们概率意义明显，易于计算，而且往往能代表随机 序列的主要概率特征，所以我们对时间序列进行分析，主要就是通过分析这些统计量的统计特性，推断出随机序列的性质。 1.均值 对时间序列{t X ，t ∈T }而言，任意时刻的序列值t X 都是一个随机变量，都有它自己的概率分布，不妨记为)(x F t 。只要满足条件 ∞
课程论文时间序列分析 题目时间序列模型在人口增长中的应用学院数学与统计学院 专业统计学 班级统计（二）班 学生姓名殷婷 2010101217 指导教师刘翠霞 职称 2012 年10 月29 日
引言 人口问题是一个世界各国普遍关注的问题。人作为一种资源，主要体现在人既是生产者，又是消费者。作为生产者，人能够发挥主观能动性，加速科技进步，促进社会经济的发展；作为消费者，面对有限的自然资源，人在发展的同时却又不得不考虑人口数量的问题。我国是一个人口大国，人口数量多，增长快，人口素质低；由于人口众多，不仅造成人均资源的数量很少，而且造成住房、教育、就业等方面的很大压力。所以人口数量是社会最为关注的问题，每年新增加的国民生产总值有相当一部分被新增加的人口所抵消，从而造成社会再生产投入不足，严重影响了国民经济的可持续发展。因此，认真分析研究我国目前的人口发展现状和特点，采取切实可行的措施控制人口的高速增长，已经成为我国目前经济发展中需要解决的首要问题。 本文通过时间序列模型对人口的增长进行预测，国家制定未来人口发展目标和生育政策等有关人口政策的基础，对于国民经济计划的制定和社会战略目标的决策具有重要参考价值。人口的预测，作为经济、社会研究的需要，应用越来越广泛，也越来越受到人们的重视。在描绘未来小康社会的蓝图时，首先应要考虑的是未来中国的人口数量、结构、分布、劳动力、负担系数等等，而这又必须通过人口的预测来一一显示。人口数量在时间上的变化，可以用时间序列模型来预测其继后期的数量。 本文通过时间序列分析的方法对人口增长建立模型,取得了较好
的预测结果。时间序列分析是研究动态数据的动态结构和发展变化规律的统计方法。以1990年至2008年中国人口总数为例,用时间序列分析Eviews软件建立模型,并对人口的增长进行预测,研究时间序列模型在人口增长中的应用。 基本假设 (1) 在预测中国人口的增长趋势时，假设全国人口数量的变化是封闭的即人口的出生率和死亡率是自然变化的，而不考虑与其他国家的迁移状况； (2)在预测的年限内，不会出现意外事件使人口发生很大的波动，如战争，疾病； (3) 题目数据能够代表全国的整体人数。。 问题分析 根据抽样的基本原理，预测人口增长趋势最直接的方法就是预测出人口总数的增长量，因此我们运用中华人民共和国国家统计局得到的1990年到2008年度总人口数据。考虑到迁移率、死亡率、出生率、年龄结构等多个因素对人口数量的影响，求解人口增长趋势的关键是如何在我们的模型中充分的利用这些影响因素从而使我们的预测结果具有较高的精确性。 研究数据：
1.1时间序列定义： 时间序列是指将某种现象某一个统计指标在不同时间上的各个数值,按时间先后顺序排列而形成的序列. 构成要素：现象所属的时间,反映现象发展水平的指标数值.要素一：时间t；要素二：指标数值。 1.2时间序列的成分： 一个时间序列中往往由几种成分组成，通常假定是四种独立的成分——趋势T、循环C、季节S和不规则I。 T 趋势通常是长期因素影响的结果，如人口总量的变化、方法的变化等。 C任何时间间隔超过一年的，环绕趋势线的上、下波动，都可归结为时间序列的循环成分。S许多时间序列往往显示出在一年内有规则的运动，这通常由季节因素引起，因此称为季节成分。目前，可以称之为“季节性的周期”，年或者季节或者月份。 I时间序列的不规则成分是剩余的因素，它用来说明在分离了趋势、循环和季节成分后，时间序列值的偏差。不规则成分是由那些影响时间序列的短期的、不可预期的和不重复出现的因素引起的。它是随机的、无法预测的。 四个组成部分与观测值的关系可以用乘法模型或者加法模型或者综合。 1.3预测方法的选择与评估 方法P216 三种预测方法：移动平均法、加权移动平均法和指数平滑法。因为每一种方法的都是要“消除”由时间序列的不规则成分所引起的随机波动，所以它们被称为平滑方法。平滑方法对稳定的时间序列——即没有明显的趋势、循环和季节影响的时间序列——是合适的，这时平滑方法很适应时间序列的水平变化。但当有明显的趋势、循环和季节变差时，平滑方法将不能很好地起作用。 移动平均法使用时间序列中最近几个时期数据值的平均数作为下一个时期的预测值。移动平均数的计算公式如下： 指数平滑法模型： 式中Ft+1——t+1期时间序列的预测值； Yt——t期时间序列的实际值； Ft——t期时间序列的预测值； α——平滑常数（0≤α≤1）。 均方误差是常用的（MSE） 标准误差定义为各测量值误差的平方和的平均值的平方根。 设n个测量值的误差为ε1、ε2……εn，则这组测量值的标准误差σ等于：
2006.07：我国时间序列分析研究工作综述(李锐向书坚) 国家统计局教育中心 2006-07-11 14:32:39 摘要：近年来我国学者对于时间序列的研究取得了极其丰硕的成果，主要体现在基础理论研究的不断加强（某些领域已经达到了国际前沿水平，而不再只是纯粹的吸收引进国外的先进成果）；应用领域的不断拓展，在应用中求创新求发展，在部分应用领域中我们已经跟上了国际步伐。本文中我们将从理论与应用两个方面进行对我国时间序列分析研究的主要成果进行综述。 关键词：非线性；非平稳；非参数；数据挖掘 近年来我国学者对于时间序列的研究取得了极其丰硕的成果，主要体现在基础理论研究的不断加强（某些领域已经达到了国际前沿水平，而不再只是纯粹的吸收引进国外的先进成果）；应用领域的不断拓展，在应用中求创新求发展，在部分应用领域中我们已经跟上了国际步伐。本文中我们将从理论与应用两个方面进行对我国时间序列分析研究的主要成果进行综述，主要介绍被SCI检索（2000-2004）的部分成果，以及在国内重点核心期刊（2000-2004）上发表的部分重要成果。 一、时间序列分析在理论上的进展 理论上的进展主要表现在两个方面：一是单位根理论；一是非线性模型理论，非线性模型理论的进展集中在几何遍历性问题和非线性过程的平稳性这两方面。我国学者在非线性时间序列分析方面取得了一系列高水平的成果。 汤家豪教授将有关非线性时间序列分析的研究与动力系统科学的模型连接而备受赞赏。现在他着眼于非参数时间序列模型的发展，并与生态学家进行大量的合作研究。 姚琦伟教授基于信息量，首次提出了描述一般随机系统对初始条件敏感性的度量及估计方法。在高维模型领域，姚琦伟教授提出用复系数线性模型近似高维非线性回归函数的新方法，以此克服高维非参数回归中样本量短缺的困难问题。此方法在生物、经济、金融等应用中获得了成功。在时间序列模型的最大似然估计方法的研究中，他完整地建立了在金融风险管理中有直接应用的ARCH和GARCH模型为最大似然估计的极限理论。对于重尾部（heavy-tailed）分布模型，提出了基于boostrap的新的估计方法以及稳健统计方法。他还首次建立了在空间域上空间ARMA 过程的最大似然估计理论，这一工作同时也对Hannan 1973年给出的关于时间序列