时间序列分析V A R模
型实验
Document number【SA80SAB-SAA9SYT-SAATC-SA6UT-SA18】
基于VAR模型的我国房地产市场与汇率波动
的因果关系
————VAR模型实验
第一部分实验分析目的及方法
现选取人民币对美元汇率以及商品房房价作为变量构建VAR模型。对于不满足单位根检验的序列采取对数化或差分处理，使其成为平稳序列再进行模型的拟合。对于商品房房价这一变量，由于全国各省市差异较大，故此处采用全国房地产开发业综合景气指数这一变量。此外，为了消除春节假期不固定因素带来的影响，增强数据的可比性，按照国家统计制度，从2012年起，不单独对1月份统计数据进行调查，1-2月份数据一起调查，一起发布。所以国房景气指数p这一序列缺少每年一月份的相关数据，属于非随机、不可忽略缺失，在此采用平均值填充的方法，补足数据。
第二部分实验样本
数据来源
数据来源于中经网统计数据库。具体数据见附录表。
所选数据变量
由于我国于2005年7月实行第二次汇改，此次汇改以市场供求为基础、参考一篮子货币进行调节、有管理的浮动汇率制度取代了过去人民币汇率长达10年的紧盯美元的固定汇率体制。故本实验拟选取2005年07月到2014年10月我国以月为单位的数据。，用以上两个变量来构建VAR 模型，并利用该模型进行分析预测。
第四部分模型构建
判断序列的平稳性
首先绘制出E的折线图，结果如下图：
图汇率E的曲线图
从图中可以看出，汇率E序列较强的趋势性，由此可以初步判断该序列是非平稳的。为了减少m的变动趋势以及异方差性，先对m进行对数化处理，记为lm，其时序图如下：
图的曲线图
对数化后的趋势性减弱，但仍存在一定的趋势性，下面对lm进行一阶差分处理，去除趋势性，得到新变量dlm，观察dlm的曲线图。
图的曲线图
从图中可以看出，dle序列的趋势性基本已经消除，且新变量dle基本围绕0上下波
动，因此选择形式为y
t =y
t-1
+u
t
进行单位根检验：表单位根输出结果
NullHypothesis:DLEhasaunitroot
Exogenous:Constant
LagLength:2(Automatic-basedonSIC,maxlag=12)
t-Statistic Prob.*
AugmentedDickey-Fullerteststatistic
Testcriticalvalues:1%level
5%level
10%level
*MacKinnon(1996)one-sidedp-values.
AugmentedDickey-FullerTestEquation
DependentVariable:D(DLE)
Method:LeastSquares
Date:11/15/14Time:20:20
Sample(adjusted):2005M112014M10
Includedobservations:108afteradjustments
Variable Coefficient t-Statistic Prob.
DLE(-1)
D(DLE(-1))
D(DLE(-2))
C
R-squared M eandependentvar
AdjustedR-squared
单位根统计量ADF=小于临界值，且P为，因此该序列不是单位根过程，即该序列是平稳序列。
国房景气指数P序列
首先作出P序列的时序图：
图的曲线图
由于每年一月份的数据缺失，故取相邻两项进行平均补全数据，得到新序列的时序图如下：
图的曲线图(补全)
由上图可知，该序列P可能存在一定的趋势性和季节性，先进行单位根检验，确定改序列是否平稳。
由于序列
表单位根输出结果
NullHypothesis:Phasaunitroot
Exogenous:Constant,LinearTrend
LagLength:3(Automatic-basedonSIC,maxlag=12)
t-Statistic Prob.*
AugmentedDickey-Fullerteststatistic
Testcriticalvalues:1%level
5%level
10%level
*MacKinnon(1996)one-sidedp-values.
由单位根检验结果可知，T值小于临界值，且P=，在5%的置信水平下，该序列不存在单位根过程。
由于汇率E序列为一阶单整序列，并进行了一阶差分处理，因此样本数量减少，在下面的操作中，所有的样本序列调整为2005-08至2014-10。
模型参数识别
先进行VAR模型的拟合，初步选定滞后阶数为3：
表拟合输出结果
VectorAutoregressionEstimates
Date:11/22/14Time:22:20
Sample(adjusted):2005M112014M10
Includedobservations:108afteradjustments
Standarderrorsin()&t-statisticsin[]
DLE P
DLE(-1)
[][]
DLE(-2)
[][]
DLE(-3)
[][]
P(-1)
[][]
P(-2)
[][]
P(-3)
[][]
C
[][]
R-squared
再进行滞后阶数的确定：
表最优滞后阶数的判断
VARLagOrderSelectionCriteria
Endogenousvariables:DLEP
Exogenousvariables:C
Date:11/22/14Time:22:22
Sample:2005M072014M10
Includedobservations:99
Lag LogL LR FPE AIC SC HQ
0NA
1
2** 3***
4
5
6
7
8
9
10
11
12
*indicateslagorderselectedbythecriterion
LR:sequentialmodifiedLRteststatistic(eachtestat5%level)
FPE:Finalpredictionerror
AIC:Akaikeinformationcriterion
SC:Schwarzinformationcriterion
HQ:Hannan-Quinninformationcriterion
由上边可知，根据信息准则，采取少数服从多数原则，取滞后阶数为3，此外取滞后阶数为2(SC为或取滞后阶数为3(SC为时，两者SC值相差不是很大。
模型参数估计
选取了最优滞后阶数3，进行模型的拟合。拟合结果如下：
表(3)模型估计结果
VectorAutoregressionEstimates
Date:11/22/14Time:22:23
Sample(adjusted):2005M112014M10
Includedobservations:108afteradjustments
Standarderrorsin()&t-statisticsin[]
DLE P
DLE(-1)
[][]
DLE(-2)
[][]
DLE(-3)
[][]
P(-1)
[][]
P(-2)
[][]
P(-3)
[][]
C
[][]
R-squared
由回归结果可知，VAR模型的参数估计一部分显着。估计的方程为：DLE=*DLE(-1)+*DLE(-2)+*DLE(-3)-*P(-1)-*P(-2)+*P(-3)+
P=-*DLE(-1)+*DLE(-2)+*DLE(-3)+*P(-1)-*P(-2)-*P(-3)+
模型检验
首先对模型进行平稳性检验
表模型平稳性检验的表格显示
RootsofCharacteristicPolynomial
Endogenousvariables:DLEP
Exogenousvariables:C
Lagspecification:13
Date:11/22/14Time:22:27
Root Modulus
图模型平稳性检验的图形显示
由上表和上图可知，VAR模型的特征方程的根均在单位园内，因此VAR模型是平稳的。下面进行残差的自相关性的检验，检验结果如下：
图模型各方程残差项的自相关图
由上图可知，VAR模型允许不同方程的残差之间存在交叉相关性，但是残差自身不存在自相关性，因此，观察残差自身的自相关图，可以看出自相关系数均位于置信区间内，说明残差不存在自相关性。
第五部分模型应用
格兰杰因果检验
接下来做两两变量之间的格兰杰因果检验。序列P与序列DLE:
表序列P与序列DLE格兰杰因果检验表
PairwiseGrangerCausalityTests
Date:11/21/14Time:23:32
Sample:2005M072014M10
Lags:3
NullHypothesis:Obs F-Statistic Prob.
PdoesnotGrangerCauseDLE108
DLEdoesnotGrangerCauseP
由上述结果可知，在5%的置信水平下，P是dle的格兰杰原因，即全国房地产开发业综合景气指数是人民币对美元汇率变动幅度的格兰杰原因。
脉冲响应
由于脉冲响应函数收到变量顺序的影响，因此其结果与分析的主观因素有关，对于这三个变量：DLE、R、P,按照中国市场目前现状，认为DLE外生性最强，p其次最后为r。故选取顺序为DLE、P、R。
图脉冲响应图
方差分解
表方差分解结果
Varianc
eDecomp
osition
ofDLE:
Period.DLE P
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
Varianc
eDecomp
osition
ofP:
Period.DLE P
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
附录具体数据
1、在进行单位根检验时，对于阶数的确定根据信息准则，那么在单位根检验之前是需要先进行回归，确定阶数后在进行单位根检验么
2、当数据不全时如何补全数据。
3、初步选择滞后阶数时，是否可以参考单位根检验的滞后阶数。
4、分析脉冲响应函数图时，位于主对角线之外的图是否应该满足同向影响的关系，即分析A、B两个变量的脉冲响应函数，若A对B是负向影响，那B对A也应该是负向影响。
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/(1221302112211ρφρφρρφρφρφφρ ?? ? ??=-====015.06957.033222111φφφρφ
《时间序列分析》课程实验报告
一、上机练习（P124） 1.拟合线性趋势 12.79 14.02 12.92 18.27 21.22 18.81 25.73 26.27 26.75 28.73 31.71 33.95 程序： data xiti1; input x@@; t=_n_; cards; 12.79 14.02 12.92 18.27 21.22 18.81 25.73 26.27 26.75 28.73 31.71 33.95 ; proc gplot data=xiti1; plot x*t; symbol c=red v=star i=join; run; proc autoreg data=xiti1; model x=t; output predicted=xhat out=out; run; proc gplot data=out; plot x*t=1 xhat*t=2/overlay; symbol2c=green v=star i=join; run; 运行结果：
分析：上图为该序列的时序图，可以看出其具有明显的线性递增趋势，故使用线性模型进行拟合：x t=a+bt+I t,t=1,2,3,…,12 分析：上图为拟合模型的参数估计值，其中a=9.7086,b=1.9829，它们的检验P值均小于0.0001，即小于显著性水平0.05，拒绝原假设，故其参数均显著。从而所拟合模型为：x t=9.7086+1.9829t.
分析：上图中绿色的线段为线性趋势拟合线，可以看出其与原数据基本吻合。 2.拟合非线性趋势 1.85 7.48 14.29 23.02 37.42 74.27 140.72 265.81 528.23 1040.27 2064.25 4113.73 8212.21 16405.95 程序： data xiti2; input x@@; t=_n_; cards; 1.85 7.48 14.29 23.02 37.42 74.27 140.72 265.81 528.23 1040.27 2064.25 4113.73 8212.21 16405.95 ; proc gplot data=xiti2; plot x*t; symbol c=red v=star i=none; run; proc nlin method=gauss; model x=a*b**t; parameters a=0.1 b=1.1; der.a=b**t; der.b=a*t*b**(t-1); output predicted=xh out=out; run; proc gplot data=out; plot x*t=1 xh*t=2/overlay;
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 293301 293 301 295 284286 286 287 284 282278 281 278 277279 278 270 268 272 273 279 279280 275 271 277 278279 283 284 282 283279 280 280 279278 283 278 270 275 273 273 272275 273 273 272 273272 273 271 272 271273 277 274 274272 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SA漱件画出上述序列的时序图如下： 程序： data example5_1; in put x@@; time=_ n_; cards ; 304 303 307 299296 293 301 293 301 295 284286286 287 284 282 278 281 278277 279 278 270 268 272 273279279 280 275 271 277 278 279283 284 282 283 279 280 280279278 283 278 270 275 273 273272 275 273 273 272 273 272273271 272 271 273 277 274 274272 280 282 292 295 295 294290291 288 288 290 293 288 289291 293 293 290 288 287 289292288 288 285 282 286 286 287284 283 286 282 287 286 287292292 294 291 288 289 proc gplot data =example5_1; plot x*time= 1; symbol1 c=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。
实验1典型时间序列模型分析 1、实验目的 熟悉三种典型的时间序列模型： AR 模型，MA 模型与ARMA 模型，学会运用Matlab 工具对 对上述三种模型进行统计特性分析，通过对2阶模型的仿真分析，探讨几种模型的适用范围， 并且通过实验分析理论分析与实验结果之间的差异。 2、实验原理 AR 模型分析： 设有AR(2)模型, X( n)=-0.3X( n-1)-0.5X( n-2)+W( n) 其中：W(n)是零均值正态白噪声，方差为 4。 (1 )用MATLAB 模拟产生X(n)的500观测点的样本函数，并绘出波形 (2) 用产生的500个观测点估计X(n)的均值和方差 (3) 画出理论的功率谱 (4) 估计X(n)的相关函数和功率谱 【分析】给定二阶的 AR 过程，可以用递推公式得出最终的输出序列。或者按照一个白噪声 通过线性系统的方式得到，这个系统的传递函数为： 这是一个全极点的滤波器，具有无限长的冲激响应。 对于功率谱，可以这样得到， 可以看出， FX w 完全由两个极点位置决定。 对于AR 模型的自相关函数，有下面的公式: \(0) 打⑴ 匚⑴… ^(0) ■ 1' G 2 W 0 JAP) 人9-1)… 凉0) _ 这称为Yule-Walker 方程，当相关长度大于 p 时，由递推式求出: r (r) + -1) + -■ + (7r - JJ )= 0 这样，就可以求出理论的 AR 模型的自相关序列。 H(z) 二 1 1 0.3z ， P x w +W 1 1 a 才 a 2z^
1. 产生样本函数，并画出波形 2. 题目中的AR过程相当于一个零均值正态白噪声通过线性系统后的输出，可以按照上面的方法进行描述。 clear all; b=[1]; a=[1 0.3 0.5]; % 由描述的差分方程，得到系统传递函数 h=impz(b,a,20); % 得到系统的单位冲激函数，在20点处已经可以认为值是0 randn('state',0); w=normrnd(0,2,1,500); % 产生题设的白噪声随机序列，标准差为 2 x=filter(b,a,w); % 通过线形系统，得到输出就是题目中要求的2阶AR过程 plot(x,'r'); ylabel('x(n)'); title(' 邹先雄——产生的AR随机序列'); grid on; 得到的输出序列波形为： 邹先雄——产生的AR随机序列 2. 估计均值和方差 可以首先计算出理论输出的均值和方差，得到m x =0 ，对于方差可以先求出理论自相 关输出，然后取零点的值。
【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
《统计软件实验报告》SPSS软件的上机实践应用 时间序列分析
数学与统计学学院 一、实验内容： 时间序列是指一个依时间顺序做成的观察资料的集合。时间序列分析过程中最常用的方法是：指数平滑、自回归、综合移动平均及季节分解。 本次实验研究就业理论中的就业人口总量问题。但人口经济的理论和实践表明，就业总量往往受到许多因素的制约，这些因素之间有着错综复杂的联系，因此，运用结构性的因果模型分析和预测就业总量往往是比较困难的。时间序列分析中的自回归求积分移动平均法（ARIMA）则是一个较好的选择。对于时间序列的短期预测来说，随机时序ARIMA是一种精度较高的模型。 我们已辽宁省历年（1969-2005）从业人员人数为数据基础建立一个就业总量的预测时间序列模型,通过spss建立模型并用此模型来预测就业总量的未来发展趋势。 二、实验目的： 1.准确理解时间序列分析的方法原理 2.学会实用SPSS建立时间序列变量 3.学会使用SPSS绘制时间序列图以反应时间序列的直观特征。
4.掌握时间序列模型的平稳化方法。 5.掌握时间序列模型的定阶方法。 6.学会使用SPSS建立时间序列模型与短期预测。 7.培养运用时间序列分析方法解决身边实际问题的能力。 三、实验分析： 总体分析： 先对数据进行必要的预处理和观察，直到它变成稳态后再用SPSS对数据进行分析。 数据的预处理阶段，将它分为三个步骤：首先，对有缺失值的数据进行修补，其次将数据资料定义为相应的时间序列，最后对时间序列数据的平稳性进行计算观察。 数据分析和建模阶段：根据时间序列的特征和分析的要求，选择恰当的模型进行数据建模和分析。 四、实验步骤： SPSS的数据准备包括数据文件的建立、时间定义和数据期间的指定。 SPSS的时间定义功能用来将数据编辑窗口中的一个或多个变量指定为时间序列变量，并给它们赋予相应的时间标志，具体操作步骤是： 1.选择菜单：Date→Define Dates，出现窗口：
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
河南工程学院课程设计 《时间序列分析课程设计》学生姓名学号： 学院：理学院 专业班级： 专业课程：时间序列分析课程设计指导教师： 2017年 6 月 2 日
目录 1. 实验一澳大利亚常住人口变动分析..... 错误!未定义书签。 实验目的............................................... 错误!未定义书签。 实验原理............................................... 错误!未定义书签。 实验内容............................................... 错误!未定义书签。 实验过程............................................... 错误!未定义书签。 2. 实验二我国铁路货运量分析........... 错误!未定义书签。 实验目的............................................... 错误!未定义书签。 实验原理............................................... 错误!未定义书签。 实验内容............................................... 错误!未定义书签。 实验过程............................................... 错误!未定义书签。 3. 实验三美国月度事故死亡数据分析...... 错误!未定义书签。 实验目的............................................... 错误!未定义书签。 实验原理............................................... 错误!未定义书签。 实验内容............................................... 错误!未定义书签。 实验过程............................................... 错误!未定义书签。课程设计体会 ............................ 错误!未定义书签。
基于ARMA模型的社会融资规模增长分析 ————ARMA模型实验
第一部分实验分析目的及方法 一般说来,若时间序列满足平稳随机过程的性质,则可用经典的ARMA模型进行建模和预则。但是, 由于金融时间序列随机波动较大,很少满足ARMA模型的适用条件,无法直接采用该模型进行处理。通过对数化及差分处理后,将原本非平稳的序列处理为近似平稳的序列,可以采用ARMA模型进行建模和分析。 第二部分实验数据 2.1数据来源 数据来源于中经网统计数据库。具体数据见附录表5.1 。 2.2所选数据变量 社会融资规模指一定时期内（每月、每季或每年）实体经济从金融体系获得的全部资金总额，为一增量概念，即期末余额减去期初余额的差额，或当期发行或发生额扣除当期兑付或偿还额的差额。社会融资规模作为重要的宏观监测指标，由实体经济需求所决定，反映金融体系对实体经济的资金量支持。 本实验拟选取2005年11月到2014年9月我国以月为单位的社会融资规模的数据来构建ARMA模型，并利用该模型进行分析预测。 第三部分 ARMA模型构建 3.1判断序列的平稳性 首先绘制出M的折线图，结果如下图：
图3.1 社会融资规模M曲线图 从图中可以看出，社会融资规模M序列具有一定的趋势性，由此可以初步判断该序列是非平稳的。此外，m在每年同时期出现相同的变动趋势，表明m还存在季节特征。下面对m的平稳性和季节性·进行进一步检验。 为了减少m的变动趋势以及异方差性，先对m进行对数化处理，记为lm，其时序图如下： 图3.2 lm曲线图
对数化后的趋势性减弱，但仍存在一定的趋势性，下面观察lm的自相关图 表3.1 lm的自相关图 上表可以看出，该lm序列的PACF只在滞后一期、二期和三期是显著的，ACF随着滞后结束的增加慢慢衰减至0，由此可以看出该序列表现出一定的平稳性。进一步进行单位根检验，由于存在较弱的趋势性且均值不为零，选择存在趋势项的形式，并根据AIC自动选择之后结束，单位根检验结果如下： 表3.2 单位根输出结果 Null Hypothesis: LM has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.*
第三章平稳时间序列分析 选择合适的模型拟合1950-2008年我国邮路及农村投递线路每年新增里程数序列，见表1： 表1 1950-2008年我国邮路及农村投递线路每年新增里程数序列 一、时间序列预处理 （一）时间序列平稳性检验 1.时序图检验 （1）工作文件的创建。打开EViews6.0软件，在主菜单中选择File/New/Workfile, 在弹出的对话框中，在Workfile structure type中选择Dated-regular frequency（时间序列数据），在Date specification下的Frequency中选择Annual(年度数)，在Start date中输入“1950”（表示起始年
份为1950年），在End date中输入“2008”（表示样本数据的结束年份为2008年），然后单击“OK”，完成工作文件的创建。 （2）样本数据的录入。选择菜单中的Quick/Empty group(Edit Series)命令，在弹出的Group对话框中，直接将数据录入，并分别命名为year（表示年份），X（表示新增里程数）。 （3）时序图。选择菜单中的Quick/graph…，在弹出的Series List中输入“year x”,然后单击“确定”，在Graph Options中的Specifi中选择“XYLine”,然后按“确定”，出现时序图，如图1所示： 图1 我国邮路及农村投递线路每年新增里程数序列时序图从图1中可以看出，该序列始终在一个常数值附近随机波动，而且波动的围有界，因而可以初步认定序列是平稳的。为了进一步确认序列的平稳性，还需要分析其自相关图。 2.自相关图检验 选择菜单中的Quick/Series Statistics/Correlogram...,在Series Name 中输入x（表示作x序列的自相关图），点击OK，在Correlogram Specification 中的Correlogram of 中选择Level，在Lags to include中输入24，点击OK，得到图2：
时间序列分析SAS软件实验报告： 以我国2002第一季度到2012年第一季度国内生产总值数据（季节效应模型）分析 班级：统计系统计0姓名： 学号： 指导老师： 20 年月日
时间序列分析报告 一、前言 【摘要】2012年3月5日温家宝代表国务院向大会作政府工作报告。温家宝在报告中提出，2012年国内生产总值增长7.5%。这是我国国内生产总值（GDP）预期增长目标八年来首次低于8%。 温家宝说，今年经济社会发展的主要预期目标是：国内生产总值增长7.5%；城镇新增就业900万人以上，城镇登记失业率控制在4.6%以内；居民消费价格涨幅控制在4%左右；进出口总额增长10%左右，国际收支状况继续改善。同时，要在产业结构调整、自主创新、节能减排等方面取得新进展，城乡居民收入实际增长和经济增长保持同步。 他指出，这里要着重说明，国内生产总值增长目标略微调低，主要是要与“十二五”规划目标逐步衔接，引导各方面把工作着力点放到加快转变经济发展方式、切实提高经济发展质量和效益上来，以利于实现更长时期、更高水平、更好质量发展。提出居民消费价格涨幅控制在4%左右，综合考虑了输入性通胀因素、要素成本上升影响以及居民承受能力，也为价格改革预留一定空间。 对于这一预期目标的调整，温家宝解释说，主要是要与“十二五”规划目标逐步衔接，引导各方面把工作着力点放到加快转变经济发展方式、切实提高经济发展质量和效益上来，以利于实现更长时期、更高水平、更好质量发展。 央行货币政策委员会委员李稻葵表示，未来若干年中国经济增长速度会有所放缓，这个放缓是必要的，是经济发展方式转变的一个必然要求。 【关键词】“十二五”规划目标国内生产总值增长率增速放缓提高发展质量附表：国内生产总值(2012年1季度) 绝对额（亿元）比去年同期增长（%） 国内生产总值107995.0 8.1 第一产业6922.0 3.8 第二产业51450.5 9.1 第三产业49622.5 7.5 注1：绝对额按现价计算，增长速度按不变价计算。注2：该表为初步核算数据。 GDP环比增长速度 环比增长速度（%） 2011年1季度 2.2 2季度 2.3 3季度 2.4 4季度 1.9 2012年1季度 1.8 注：环比增长速度为经季节调整与上一季度对比的增长速度。 此表是我国2012年第一季度国内生产总值及与2011年同期比较来源：前瞻网
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。
河南工程学院课程设计《时间序列分析课程设计》学生姓名学号： 学院：理学院 专业班级： 专业课程：时间序列分析课程设计 指导教师： 2017年6月2日
目录 1. 实验一澳大利亚常住人口变动分析 (1) 1.1 实验目的 (1) 1.2 实验原理 (1) 1.3 实验内容 (2) 1.4 实验过程 (3) 2. 实验二我国铁路货运量分析 (8) 2.1 实验目的 (8) 2.2 实验原理 (8) 2.3 实验内容 (9) 2.4 实验过程 (10) 3. 实验三美国月度事故死亡数据分析 (14) 3.1 实验目的 (14) 3.2 实验原理 (15) 3.3 实验内容 (15) 3.4 实验过程 (16) 课程设计体会 (19)
1.实验一澳大利亚常住人口变动分析 1971年9月—1993年6月澳大利亚常住人口变动（单位：千人）情况如表1-1所示（行数据）。 表1-1 （1）判断该序列的平稳性与纯随机性。 （2）选择适当模型拟合该序列的发展。 （3）绘制该序列拟合及未来5年预测序列图。 1.1 实验目的 掌握用SAS软件对数据进行相关性分析，判断序列的平稳性与纯随机性,选择模型拟合序列发展。 1.2 实验原理 （1）平稳性检验与纯随机性检验 对序列的平稳性检验有两种方法，一种是根据时序图和自相关图显示的特征做出判断的图检验法；另一种是单位根检验法。
（2）模型识别 先对模型进行定阶，选出相对最优的模型，下一步就是要估计模型中未知参数的值，以确定模型的口径，并对拟合好的模型进行显著性诊断。 （3）模型预测 模型拟合好之后，利用该模型对序列进行短期预测。 1.3 实验内容 （1）判断该序列的平稳性与纯随机性 时序图检验，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识值附近波动，而且波动的范围有界。如果序列的时序图显示该序列有明显的趋势性或周期性，那么它通常不是平稳序列。 对自相关图进行检验时，可以用SAS 系统ARIMA 过程中的IDENTIFY 语句来做自相关图。 而单位根检验我们用到的是DF 检验。以1阶自回归序列为例： 11t t t x x φε-=+ 该序列的特征方程为： 0λφ-= 特征根为： λφ= 当特征根在单位圆内时： 11φ< 该序列平稳。 当特征根在单位圆上或单位圆外时： 11φ≥ 该序列非平稳。 对于纯随机性检验，既白噪声检验，可以用SAS 系统中的IDENTIFY 语句来输出白噪声检验的结果。 （2）选择适当模型拟合该序列的发展
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 2007年28.76 39.38 46.10 39.41 38.74 40.18 45.59 43.31 46.68 54.17 53.65 61.12 2008年28.87 21.23 35.82 26.97 32.33 24.53 29.39 31.96 38.22 39.24 52.95 68.41
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 ３0１293 301 ２95 284 286 2８6 ２87 2８4 ２82 278 28１２78 277 279 278 270 ２68 ２72 ２73 ２79 2７9 280 27５２７1 277 ２７8 27９ 28３２84 282 ２８3 2７9 280 ２80 27９ 278 2８３２7８27０ 275 273 273 2７2 2７5 27３２7３２72 2７3 27２２7３ 271 ２7２ 271 ２73 ２77 274 2７4 27２２80 2８2 29２ 29５ 29５ 294 ２90 291 288 ２88 ２9０ 2９3 ２８８ 289 2９1 ２93 2９3 29０288 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 30７299 2９６２93 ３01 2９3 3０1 295 284 2８6 286 287 284 28２ 278 28１2７8 ２77 ２79 2７８ 27０268 ２７２ 27３２79 279 ２8０275 ２71 277 278 2７９ 283 28４ 282 283 279 ２80 280 ２79 ２78 28３ 278 270 2７5 ２7３２73 ２７2 2７5 273 2７3 272 2７3 272 27３ 27１２72 27１ 2７3 ２77 27４２74 ２72 28０ 2８2 29２２9５ 295 2９4 290 29１２8８ 288 ２90 29３288 289 291 29３ 2９3 290 2８８ 287 289 292 288 288 285 282 2８6 ２86 28７ 2８４２83 286 282 2８7 286 287 ２92 2９2 2９４ 291 288 ２8９ ; pｒｏc gplot datａ=examplｅ5_1; ploｔx*ｔiｍe＝1； symbol１c=ｂlacｋｖ=ｓｔａr i=ｊoiｎ; run； 上述程序所得时序图如下：
数学与软件科学学院实验报告 学期：2013至 2014 第 2 学期 2014年4月24日课程名称: 应用时间序列分析专业:统计学 2011级6班实验编号： 01 实验项目：平稳时间序列分析指导教师：XXX 姓名： XX 学号：XXXX 实验成绩：＿＿＿＿＿ 实验步骤 选择合适的模型拟合1950年－2008年我国邮路及农村投递线路每年新增里程数序列。 首先绘制该序列时序图，直观检验序列的平稳性： 时序图显示：序列具有平稳特征。 接着进行白噪声检验：使用Q统计量，如下： 显示序列值彼此之间蕴含着相关关系，为非白噪声序列。该序列为平稳的非白噪声序列，可以建立一个平稳的模型来拟合；
考察序列自相关图以及偏自相关图 样本自相关图显示除了延迟1-3阶的自相关系数在2倍标准差范围之外，其他阶数的自相关系数都在2倍标准差范围内波动。根据自相关系数的这个特点可以判断该序列具有短期相关性，进一步确定序列平稳。 考察自相关系数衰减向零的过程，可以看到有明显的正弦波动轨迹，这说明自相关系数具有拖尾的典型特征 考察偏自相关系数衰减向零的过程，除了1-2阶偏自相关系数在2倍标准差范围之外，其他阶数的自相关系数都在2倍标准差范围内做小值无序波动，这是一个典型的偏相关系数2阶截尾特征 本例中，根据自相关系数拖尾，偏自相关系数2阶截尾属性，我们可以初步确定拟合模型为AR(2)模型。 进行参数估计，结果如下： Coefficient Std. Error t-Statistic Prob. C 10.83741 3.234053 3.351029 0.0015 AR(1) 0.728590 0.113885 6.397592 0.0000 AR(2) -0.544583 0.114077 -4.773838 0.0000 R-squared 0.453915 Mean dependent var 10.95316 Adjusted R-squared 0.433689 S.D. dependent var 26.47445 S.E. of regression 19.92298 Akaike info criterion 8.872821 Sum squared resid 21433.96 Schwarz criterion 8.980350 Log likelihood -249.8754 Hannan-Quinn criter. 8.914610 F-statistic 22.44281 Durbin-Watson stat 2.104218 Prob(F-statistic) 0.000000 Inverted AR Roots .36+.64i .36-.64i
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。