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 一、单项选择题 1.构成时间数列的两个基本要素是( C )（2012年1月） A.主词和宾词 B.变量和次数 C.现象所属的时间及其统计指标数值 D.时间和次数 2．某地区历年出生人口数是一个( B )（2011年10月） A．时期数列 B.时点数列 C.分配数列 D.平均数数列 3.某商场销售洗衣机，2008年共销售6000台，年底库存50台，这两个指标是( C ) （2010年10） A.时期指标 B.时点指标 C.前者是时期指标，后者是时点指标 D.前者是时点指标，后者是时期指标 4.累计增长量( A ) （2010年10） A.等于逐期增长量之和 B.等于逐期增长量之积 C.等于逐期增长量之差 D.与逐期增长量没有关系 5.某企业银行存款余额4月初为80万元，5月初为150万元，6月初为210万元，7月初为160万元，则该企业第二季度的平均存款余额为（ C ）（2009年10） 万元万元万元万元 6.下列指标中属于时点指标的是( A ) （2009年10） A.商品库存量 B.商品销售量 C.平均每人销售额 D.商品销售额 7.时间数列中，各项指标数值可以相加的是( A ) （2009年10） A.时期数列 B.相对数时间数列 C.平均数时间数列 D.时点数列 8.时期数列中各项指标数值（ A ）（2009年1月） A.可以相加 B.不可以相加 C.绝大部分可以相加 D.绝大部分不可以相加 10.某校学生人数2005年比2004年增长了8%，2006年比2005年增长了15%，2007年比2006年增长了18%，则2004-2007年学生人数共增长了（ D ）（2008年10月） ％+15％+18％％×15％×18％ C.（108％+115％+118％）-1 ％×115％×118％-1 二、多项选择题 1.将不同时期的发展水平加以平均而得到的平均数称为( ABD )（2012年1月） A.序时平均数 B.动态平均数 C.静态平均数 D.平均发展水平 E.一般平均数2．定基发展速度和环比发展速度的关系是( BD )（2011年10月） A．相邻两个环比发展速度之商等于相应的定基发展速度 B.环比发展速度的连乘积等于定基发展速度
38. 非平稳时间序列的确定性分析 实际中大多数时间序列是非平稳的，对非平稳时间序列的分析方法主要有两类：确定性分析和随机性分析。 确定性分析——提取非平稳时间序列明显的规律性（长期趋势、季节性变化、周期性），目的是：①克服其它因素影响，单纯测度出单一确定因素对序列的影响；②推断各种确定性因素彼此之间相互作用关系及它们对序列的综合影响。 随机性分析——分析非平稳时间序列由随机因素导致的随机波动性。 （一）趋势分析 有的时间序列具有明显的长期趋势，趋势分析就是要找出并利用这种趋势对序列发展做出合理预测。 1. 趋势拟合法 即把时间作为自变量，相应的序列观察值作为因变量，建立序列值随时间变化的回归模型。分为线性拟合和非线性拟合。 2. 平滑法 利用修匀技术，消弱短期随机波动对序列的影响，使序列平滑化，从而显示出长期趋势变化的规律。 （1）移动平均、加权移动平均 已知序列值x1, …, x t-1, 预测x t的值为
12?t t t n t x x x x n ---+++=L 称为n 期移动平均值，n 的选取带有一定的经验性，n 过长或过短，各有利弊，也可以根据均方误差来选取。 一般最新数据更能反映序列变化的趋势。因此，要突出新数据的作用，可采用加权移动平均法： 1122?t t n t n tw x x x x n ωωω---+++=L 其中，1 11n i i n ω==∑. （2）二次移动平均 对应线性趋势，移动平均拟合值有滞后性，可以采用二次移动平均加以改进：对移动平均值再做一次移动平均。 （3）指数平滑法 指数平滑法是一种对过去观察值加权平均的特殊形式，观测值时间越远，其权数呈指数下降。一次指数平滑法可用于对时间序列进行修匀，以消除随机波动。预测公式为： 1??(1)t t t s x s αα-=+- 其中α∈(0, 1)为平滑常数，?t s 为第t 期平滑预测值，初始预测值0?s （通常取最初几个实测数据的均值）。 一般来说，时间序列有较大的随机波动时，宜选择较大的α值，以便能较快跟上近期的变化；也可以利用预测误差选择。 （4）二次、三次指数平滑法 即对一次指数平滑后的序列再做一次指数平滑，但不是直接将二
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=-
第五章时间序列的模型识别 前面四章我们讨论了时间序列的平稳性问题、可逆性问题，关于线性平稳时间序列模型，引入了自相关系数和偏自相关系数，由此得到ARMA(p, q)统计特性。从本章开始，我们将运用数据开始进行时间序列的建模工作，其工作流程如下： 图5.1 建立时间序列模型流程图 在ARMA(p,q)的建模过程中，对于阶数(p,q)的确定，是建模中比较重要的步骤，也是比较困难的。需要说明的是，模型的识别和估计过程必然会交叉，所以，我们可以先估计一个比我们希望找到的阶数更高的模型，然后决定哪些方面可能被简化。在这里我们使用估计过程去完成一部分模型识别，但是这样得到的模型识别必然是不精确的，而且在模型识别阶段对于有关问题没有精确的公式可以利用，初步识别可以我们提供有关模型类型的试探性的考虑。 对于线性平稳时间序列模型来说，模型的识别问题就是确定ARMA(p,q)过程的阶数，从而判定模型的具体类别，为我们下一步进行模型的参数估计做准备。所采用的基本方法主要是依据样本的自相关系数（ACF）和偏自相关系数（PACF）初步判定其阶数，如果利用这种方法无法明确判定模型的类别，就需要借助诸如AIC、BIC 等信息准则。我们分别给出几种定阶方法，它们分别是（1）利用时间序列的相关特性，这是识别模型的基本理论依据。如果样本的自相关系数（ACF）在滞后q+1阶时突然截断，即在q处截尾，那么我们可以判定该序列为MA(q)序列。同样的道理，如果样本的偏自相关系数（PACF）在p处截尾，那么我们可以判定该序列为AR(p)序列。如果ACF和PACF 都不截尾，只是按指数衰减为零，则应判定该序列为ARMA(p,q)序列，此时阶次尚需作进一步的判断；（2）利用数理统计方法检验高阶模型新增加的参数是否近似为零，根据模型参数的置信区间是否含零来
-0.8 -0.6-0.4-0.20.00.20.40.60.82 4 6 8 10 12 14 -0.8 -0.6-0.4-0.20.0 0.20.40.60.82 4 6 8 10 12 14 第四章 平稳时间序列模型的建立 本章讨论平稳时间序列的建模问题，也就是从观测到的有限样本数据出发，通过模型的识别、模型的定阶、参数估计和诊断校验等步骤，建立起适合的序列模型。学习重点为模型的识别和模型的检验。 第一节 模型识别 一、 识别依据 模型识别主要是依据SACF 和SPACF 的拖尾性与截尾性来完成。常见的一些ARMA 类型的SACF 和SPACF 的统计特征在下表中列出，可供建模时，进行对照选择。 表 ARIMA 过程与其自相关函数偏自相关函数特征 模 型 自相关函数特征 偏自相关函数特征 ARIMA(1,1,1) ? x t = ?1? x t -1 + u t + θ1u t -1 缓慢地线性衰减 AR （1） x t = ?1 x t -1 + u t 若?1 > 0，平滑地指数衰减 若?1 < 0，正负交替地指数衰减 -0.8 -0.6-0.4-0.20.00.20.40.60.82 4 6 8 10 12 14 若?11 > 0，k =1时有正峰值然后截尾 若?11 < 0，k =1时有负峰值然后截尾 -0.8 -0.6-0.4-0.20.00.20.40.60.82 4 6 8 10 12 14 MA （1） x t = u t + θ1 u t -1 若θ1 > 0，k =1时有正峰值然后截尾 若θ1 > 0，交替式指数衰减 -1.0 -0.5 0.0 0.5 1.02 4 6 8 10 12 14 -1.0 -0.5 0.0 0.5 1.0 2 4 6 8 10 12 14
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 *
第2章确定性时间序列模型—经典方法 2.1 时间序列的分解 确定性时间序列分析认为时间序列数据去掉随机干扰因素后，剩余部分可以视为确定性的时间函数，即时间序列Y可以表示为下面四种要素的函数 Y= f(T，C，S，e) 其中，趋势项T是时间t的单调函数，它反映了时间序列Y的长期发展趋势； 循环项C是时间t的长周期函数，它反映了时间序列Y在长期变化过程中的周期性，例如股价的技术分析中的三波动法； 季节项S是时间t的短周期函数，反映了时间序列Y长期变化过程中的短期波动性； 随机项e是时间序列Y中不可预测的偶发因素对时间序列变化的干扰。 为了简化分析，这里合并趋势项和循环项，统称为时间序列Y的趋势循环项。这样Y= f(T，S，e) 在实际应用中，函数f的形式常常为 加法模型Y= T+S+e，时间序列是趋势项、季节项和随机项的合成 乘法模型Y= T×S×e，时间序列是趋势项、季节项和随机项的乘积 社会消费品零售总额原序列社会消费品零售总额的自然对数序列及其趋势周期因素 没有统一的标准，常用的方法是 图示法：如果数据偏离趋势项的大小不随时间的变化而改变，用加法模型；否则，如果数据偏离趋势项的大小随时间的变化而增加，用乘法模型。实际上，加法模型使用的较为广 泛。
2.2 时间序列的平滑方法——剔除随机项 本节讨论不存在趋势项和季节因素的时间序列如何剔除随机项。 2.2.1 简单滑动平均法 1. M -期简单滑动平均 M -期简单滑动平均：使用最近M 个数的平均值做为平滑值，即，对于时间序列{t A } 11 t t t M t A A A A M ??++++= " 预测：1t t F A += 2. 平滑期数M 的选择 选择的准则： （1）平均误差最小 选择使得()()1T t t t M ME A F T M =+=??∑最小的平滑期数M （2）误差平方和最小 选择使得() 2 1T t t t M SSE A F =+=?∑最小的平滑期数M （3）误差标准差最小 选择使得 RSE = 最小的平滑期数M （4）平均绝对误差和最小 选择使得1 T t t t MAD A F T == ?∑最小的平滑期数M 3. 简单滑动平均的缺陷 (1) 不能处理存在趋势因素和季节因素的时间序列 (2) 平滑期数M 的选择缺乏科学性 4. 简单滑动平均的应用 股价的技术分析方法 5. 加权滑动平均 1211t t t M t M A w A w A w A ??+=+++" 其中，121M w w w +++="，01t w <<. 2.2.2 指数平滑法 1. 简单指数平滑计算公式 简单指数平滑是加权滑动平均法在M=∞时的推广，即令
时间序列模型的构建和预测 Box Jenkins Methodology) 步骤1：识别。观察相关图和偏相关图 步骤2：估计。估计模型中所包含的自回归系数和移动平均系数，可以用OLS 来估计 步骤3：诊断检验。选一个最适合数据的模型，检查从这模型中估计到的残差是否白噪声，如果不是的话，我们必须从头来过 步骤 4 ：预测。在很多情况下，这种方法得到的预测结果要比其它计量模型得到的要准确 识别 检查时间序列是否平稳 - 如果自相关函数衰退的很慢，则序列可能是非平稳 - 如果时间序列为一非平稳过程，应该运用差分的形式使它变为平稳过程 - 在检验了一个时间序列的平稳性之后，我们应该用相
关图和偏相关图检验ARMA模型中的阶数p和q 模型 ARIMA（1,1,1） .■: x t = ■ 1. x t-1 + u t + ru t-1 自相关函数特征 缓慢地线性衰减 1.0 偏自相关函数特征 AR（ 1） x t = -1 X t-1 + u t 右；1 > 0，平滑地指数衰减若-11 > 0，k=1时有正峰值然后截尾 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 2 - 4 6 - 8 10 12 ?14 MA （ 1） X t = U t + 71 U t- 1 AR（ 2） x t = ；1 x t-1 + 2 X t-2 + u t 若;i < 0，正负交替地指数衰减 0.8 若71 > 0，k=1时有正峰值然后截尾 若71 < 0，k=1时有负峰值然后截尾 指数或正弦衰减 若-11 < 0，k=1时有负峰值然后截尾 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 若?冷> 0，交替式指数衰减 0.8 若3<0，负的平滑式指数衰减 k=1,2时有两个峰值然后截尾
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。
实验十时间序列模型 10.1 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。 10.2 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）。 10.3 实验内容 建立中国人口时间序列模型。 表10.1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10.2
10.4 建模步骤 10.4.1 识别模型 利用表10.2数据建立y t序列图，如图10.20。 图10.20 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10.21，选择滞后阶数（本例输入滞后期10），点击ok，得到如图10.22所示的序列y t的相关图和偏相关图。 图10.21 图10.22 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10.23，其相关图，偏相关图见图10.24。 图10.23 图10.24 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2.14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10.25所示，整理如下： Dy t = 1374.097 + 0.6681 (Dy t-1– 1374.097) + v t
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;
实验2：时间序列模型的识别、参数估计 实验目的： 1. 掌握时间序列的平稳性检验、纯随机性检验。 2. 能够利用自相关系数和偏自相关系数对时间序列模型进行识别。 3. 掌握参数估计的方法。 实验内容： 利用教材P151习题7.6所给的样本数据，在Eviews中实现下列内容：（1）画出时序图； （2）给出直至滞后48期的所有样本自相关系数和样本偏自相关系数；
（3）利用（2）的结果判断该序列的平稳性和纯随机性； 解：由（2）的序列分析结果：a、可以看出自相关系数（AC）始终在零周围波动，判定该序列为平稳时间序列；b、看Q统计量的P值：该统计量的原假设为X的1期，2期……k期的自相关系数均等于0，备择假设为自相关系数中至少有一个不等于0，因此如图知，该P值几乎都<5%的显著性水平,所以拒绝原假设，即序列不是纯随机序列（白噪声序列）。 （4）对该序列建立不同的模型，并进行比较，最后选择一个最优的模型； 解：观察（2）的图形，我们可以假设模型为MA（q）、AR（p）或ARMA（p，q）模型。 下面对每一个模型进行检验。 对MA（1）：
如图所示：c对应的prob<0.05，故拒绝原假设，不能省去c。MA(1)对应的prob<0.05，故此模型有意义。AIC为0.3354.
对MA（2）： MA（2）（p>0.05故此模型没有意义）。 如图所示：c对应的prob<0.05，故拒绝原假设，不能省去c;AR(1)对应的prob<0.05，故此模型有意义。AIC值为0.3092.
对AR（2）： AR（2）对应的p>0.05故此模型没有意义。
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
基于时间序列模型与线性回归模型的历史数据预测 摘要：本文通过具体案例，简要说明根据时间序列数据建立和相应经济理论建立线性回归模型的简要步骤及基本原则，并着重介绍了在模型建立和模型有效性检验过程中需要注意的三个主要问题，最后简单介绍了进行模型修正的相应方法。 一、引言 多元线性回归模型的一般形式为： Y=β0+β1X1+β2X2+…+βkXk+μi(k,i=1,2,…,n) 其中k为解释变量的数目，βk（k=1,2,…,n)称为回归系数,上式也被称为总体回归函数的随机表达式。 从统计意义上说，所谓时间序列模型就是将某一个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。这种数列由于受到各种偶然因素的影响，往往表现出某种随机性，彼此之间存在着统计上的依赖关系。从数学意义上说，如果我们对某一过程中的某一个变量或一组变量X(t)进行观察测量，在一系列时刻t1,t2,…,tn(t为自变量，且t1 第六节时间序列模型的建立与预测 ARIMA过程y t用 Φ (L) (Δd y t)= α+Θ(L) u t 表示，其中Φ (L)和Θ (L)分别是p, q阶的以L为变数的多项式，它们的根都在单位圆之外。α为Δd y t过程的漂移项，Δd y t表示对y t 进行d次差分之后可以表达为一个平稳的可逆的ARMA 过程。这是随机过程的一般表达式。它既包括了AR，MA 和ARMA过程，也包括了单整的AR，MA和ARMA过程。 可取 图建立时间序列模型程序图 建立时间序列模型通常包括三个步骤。（1）模型的识别，（2）模型参数的估计，（3）诊断与检验。 模型的识别就是通过对相关图的分析，初步确定适合于给定样本的ARIMA模型形式，即确定d, p, q的取值。 模型参数估计就是待初步确定模型形式后对模型参数进行估计。样本容量应该50以上。 诊断与检验就是以样本为基础检验拟合的模型，以求发现某些不妥之处。如果模型的某些参数估计值不能通过显著性检验，或者残差序列不能近似为一个白噪声过程，应返回第一步再次对模型进行识别。如果上述两个问题都不存在，就可接受所建立的模型。建摸过程用上图表示。下面对建摸过程做详细论述。 1、模型的识别 模型的识别主要依赖于对相关图与偏相关图的分析。在对经济时间序列进行分析之前，首先应对样本数据取对数，目的是消除数据中可能存在的异方差，然后分析其相关图。 识别的第1步是判断随机过程是否平稳。由前面知识可知，如果一个随机过程是平稳的，其特征方程的根都应在单位圆之外；如果 (L) = 0的根接近单位圆，自相关函数将衰减的很慢。所以在分析相关图时，如果发现其衰减很慢，即可认为该时间序列是非平稳的。这时应对该时间序列进行差分，同时分析差分序列的相关图以判断差分序列的平稳性，直至得到一个平稳的序列。对于经济时间序列，差分次数d通常只取0，1或2。 实际中也要防止过度差分。一般来说平稳序列差分得到的仍然是平稳序列，但当差分次数过多时存在两个缺点，（1）序列的样本容量减小；（2）方差变大；所以建模过程中要防止差分过度。对于一个序列，差分后若数据的极差变大，说明差分过度。 第2步是在平稳时间序列基础上识别ARMA模型阶数p, q。表1给出了不同ARMA模型的自相关函数和偏自相关函数。当然一个过程的自相关函数和偏自相关函数通常是未知的。用样本得到的只是估计的自相关函数和偏自相关函数，即相关图和偏相关图。建立ARMA模型，时间序列的相关图与偏相关图可为识别模型参数p, q提供信息。相关图和偏相关图（估计的自相关系数和偏自相关系数）通常比真实的自相关系数和偏自相关系数的方差要大，并表现为更高的自相关。实际中相关图，偏相关图的特征不会像自相关函数与偏自相关函数那样“规范”，所以应该善于从相关图，偏相关图中识别出模型的真实参数p, q。另外，估计的模型形式不是唯一的，所以在模型识别阶段应多选择几种模型形式，以供进一步选择。时间序列模型的建立与预测
相关主题
文本预览