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;
【关键字】设计、方法、条件、动力、增长、计划、问题、系统、网络、理想、要素、工程、项目、重点、检验、分析、规划、管理、优化、中心 数学建模常用模型方法总结 无约束优化 线性规划连续优化 非线性规划 整数规划离散优化 组合优化 数学规划模型多目标规划 目标规划 动态规划从其他角度分类 网络规划 多层规划等… 运筹学模型 （优化模型） 图论模型存 储论模型排 队论模型博 弈论模型 可靠性理论模型等… 运筹学应用重点:①市场销售②生产计划③库存管理④运输问题⑤财政和会计⑥人事管理⑦设备维修、更新和可靠度、项目选择和评价⑧工程的最佳化设计⑨计算器和讯息系统⑩城市管理 优化模型四要素：①目标函数②决策变量③约束条件 ④求解方法(MATLAB--通用软件LINGO--专业软件) 聚类分析、 主成分分析 因子分析 多元分析模型判别分析 典型相关性分析 对应分析 多维标度法 概率论与数理统计模型 假设检验模型 相关分析 回归分析 方差分析 贝叶斯统计模型 时间序列分析模型 决策树 逻辑回归
传染病模型马尔萨斯人口预测模型微分方程模型人口预 测控制模型 经济增长模型Logistic 人口预测模型 战争模型等等。。 灰色预测模型 回归分析预测模型 预测分析模型差分方程模型 马尔可夫预测模型 时间序列模型 插值拟合模型 神经网络模型 系统动力学模型(SD) 模糊综合评判法模型 数据包络分析 综合评价与决策方法灰色关联度 主成分分析 秩和比综合评价法 理想解读法等 旅行商(TSP)问题模型 背包问题模型车辆路 径问题模型 物流中心选址问题模型 经典NP问题模型路径规划问题模型 着色图问题模型多目 标优化问题模型 车间生产调度问题模型 最优树问题模型二次分 配问题模型 模拟退火算法(SA) 遗传算法(GA) 智能算法 蚁群算法(ACA) (启发式) 常用算法模型神经网络算法 蒙特卡罗算法元 胞自动机算法穷 举搜索算法小波 分析算法 确定性数学模型 三类数学模型随机性数学模型 模糊性数学模型
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（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.*
Lecture 6 6. Time series analysis: Multivariate models 6.1Learning outcomes ?Vector autoregression (VAR) ?Cointegration ?Vector error correction model (VECM) ?Application: pairs trading 6.2Vector autoregression (VAR)向量自回归 The classical linear regression model assumes strict exogeneity; hence, there is no serial correlation between error terms and any realisation of any independent variable (lead or lag). As we discovered, serial correlation (or autocorrelation) is very common in financial time series and panel data. Furthermore, we assumed a pre-defined relation of causality: explanatory variable affect the dependent variable? 传统的线性回归模型假设严格的外主性，误差项与可实现的独立变量之间没有序列相关性。金融时间序列及面板数据往往都有很强的自相关性，假定解释变量影响因变量。 We now relax bo什］assumptions using a VAR model. VAR models can be regarded as a generalisation of AR(p) processes by adding additional time series. Hence, we enter the field of multivariate time series analysis. VAR模型可以'"l作是在一般的自回归过程中加入时间序列。 Lefs look at a standard AR(p) process for hvo variables (y( and xj? (1)%= Ql + 琅］仇『一 +仏 (2)x t = a2 + - + ￡2t The next step is to allow that lagged values of xt can affect y( and vice versa. This means that we obtain a system of equations for two dependent variables(y(and xj?Both dependent variables are influenced by past realisations of y(and x t. By doing that, we violate strict exogeneity (see Lecture 2); however, we can use a more relaxed concept, namely weak exogeneity?As we use lagged values of bodi dependent variables, we can argue that these lagged values are known to us, as we observed them in the previous period? We call these variables predetermined? Predetermined (lagged) variables fulfil weak exogeneity in the sense that they have to be uncorrelated with the contemporaneoiis error term in t? We can still use OLS to estimate the following system of equations, which is called a VAR in reduced form. (3)+y 仇1化_丫+sr=i ^12 +￡it (4)X t = a2+2X1021”—, + _i + f2t
【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
第五章时间序列分析与建模简介 时间序列建模( Ｍodｅlｌｉng vｉａtime 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Φ(z-１）xｋ= θ(z-１）a k式
(5-１-1） 其中:Φ (z -1) ＝ １－ φ１ z -1－…- φｎ ｚ-n θ （z -１) ＝ 1－ θ1 z -1-…－ θm 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 ｘk ＝ x k －１ Ｂ即z -1，B 2即z －２… Φ (Ｂ)=０的根为系统的极点,若全部落在单位园内则系统稳定；θ(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Ｇi 格林函数G i 用以把x ｔ 表示成a t 及ａt 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．A Ｒ（1): ｘt - φ１x t-1 = ａ t x B B B a B B a a t t t j t j j ==-=+++=-=∞∑θφφφφφ()()()1111112210 )()()(111---=z z z G φθ∑∞=-=0j j t j t a G x
数学建模的基本步骤 一、数学建模题目 1）以社会，经济，管理，环境，自然现象等现代科学中出现的新问题为背景，一般都有一个比较确切的现实问题。 2）给出若干假设条件： 1. 只有过程、规则等定性假设； 2. 给出若干实测或统计数据； 3. 给出若干参数或图形等。 根据问题要求给出问题的优化解决方案或预测结果等。根据问题要求题目一般可分为优化问题、统计问题或者二者结合的统计优化问题，优化问题一般需要对问题进行优化求解找出最优或近似最优方案，统计问题一般具有大量的数据需要处理，寻找一个好的处理方法非常重要。 二、建模思路方法 1、机理分析根据问题的要求、限制条件、规则假设建立规划模型，寻找合适的寻优算法进行求解或利用比例分析、代数方法、微分方程等分析方法从基本物理规律以及给出的资料数据来推导出变量之间函数关系。 2、数据分析法对大量的观测数据进行统计分析，寻求规律建立数学模型，采用的分析方法一般有： 1）. 回归分析法(数理统计方法)-用于对函数f（x）的一组观测值（xi,fi）i=1,2,…,n，确定函数的表达式。 2）. 时序分析法--处理的是动态的时间序列相关数据，又称为过程统计方法。 3）、多元统计分析（聚类分析、判别分析、因子分析、主成分分析、生存数据分析）。 3、计算机仿真（又称统计估计方法）：根据实际问题的要求由计算机产生随机变量对动态行为进行比较逼真的模仿，观察在某种规则限制下的仿真结果（如蒙特卡罗模拟）。 三、模型求解： 模型建好了，模型的求解也是一个重要的方面，一个好的求解算法与一个合
适的求解软件的选择至关重要，常用求解软件有matlab，mathematica，lingo，lindo，spss，sas等数学软件以及c/c++等编程工具。 Lingo、lindo一般用于优化问题的求解，spss，sas一般用于统计问题的求解，matlab，mathematica功能较为综合，分别擅长数值运算与符号运算。 常用算法有：数据拟合、参数估计、插值等数据处理算法,通常使用spss、sas、Matlab作为工具. 线性规划、整数规划、多元规划、二次规划、动态规划等通常使用Lindo、Lingo,Matlab软件。 图论算法,、回溯搜索、分治算法、分支定界等计算机算法, 模拟退火法、神经网络、遗传算法。 四、自学能力和查找资料文献的能力： 建模过程中资料的查找也具有相当重要的作用，在现行方案不令人满意或难以进展时，一个合适的资料往往会令人豁然开朗。常用文献资料查找中文网站：CNKI、VIP、万方。 五、论文结构： 0、摘要 1、问题的重述，背景分析 2、问题的分析 3、模型的假设，符号说明 4、模型的建立（局部问题分析，公式推导，基本模型，最终模型等） 5、模型的求解 6、模型检验:模型的结果分析与检验，误差分析 7、模型评价:优缺点，模型的推广与改进 8、参考文献 9、附录 六、需要重视的问题 数学建模的所有工作最终都要通过论文来体现，因此论文的写法至关重要：
Eviews时间序列分析实例 时间序列是市场预测中经常涉及的一类数据形式，本书第七章对它进行了比较详细的介绍。通过第七章的学习，读者了解了什么是时间序列，并接触到有关时间序列分析方法的原理和一些分析实例。本节的主要内容是说明如何使用Eviews软件进行分析。 一、指数平滑法实例 所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规律，但确实存在某种前后关联的时间序列的短期预测。由于其他很多分析方法都不具有这种特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。 （－）一次指数平滑 一次指数平滑又称单指数平滑。它最突出的优点是方法非常简单，甚至只要样本末期的平滑值，就可以得到预测结果。 一次指数平滑的特点是：能够跟踪数据变化。这一特点所有指数都具有。预测过程中添加最新的样本数据后，新数据应取代老数据的地位，老数据会逐渐居于次要的地位，直至被淘汰。这样，预测值总是反映最新的数据结构。 一次指数平滑有局限性。第一，预测值不能反映趋势变动、季节波动等有规律的变动；第二，这种方法多适用于短期预测，而不适合作中长期的预测；第三，由于预测值是历史数据的均值，因此与实际序列的变化相比有滞后现象。 指数平滑预测是否理想，很大程度上取决于平滑系数。Eviews提供两种确定指数平滑系数的方法：自动给定和人工确定。选择自动给定，系统将按照预测误差平方和最小原则自动确定系数。如果系数接近1，说明该序列近似纯随机序列，这时最新的观测值就是最理想的预测值。 出于预测的考虑，有时系统给定的系数不是很理想，用户需要自己指定平滑系数值。平滑系数取什么值比较合适呢？一般来说，如果序列变化比较平缓，平滑系数值应该比较小，比如小于0.l；如果序列变化比较剧烈，平滑系数值可以取得大一些，如0.3～0.5。若平滑系数值大于0.5才能跟上序列的变化，表明序列有很强的趋势，不能采用一次指数平滑进行预测。 ［例1］某企业食盐销售量预测。现在拥有最近连续30个月份的历史资料（见表l），试预测下一月份销售量。 表1 某企业食盐销售量单位：吨 解：使用Eviews对数据进行分析，第一步是建立工作文件和录入数据。有关操作在本
现代时间序列分析模型§1 时间序列平稳性和单位根检验§2 协整与误差修正模型经典时间序列分析模型： MA、AR、ARMA 平稳时间序列模型分析时间序列自身的变化规律现代时间序列分析模型：分析时间序列之间的关系单位根检验、协整检验现代宏观计量经济学§1 时间序列平稳性和单位根检验一、时间序列的平稳性二、单整序列三、单位根检验一、时间序列的平稳性 Stationary Time Series ⒈问题的提出经典计量经济模型常用到的数据有：时间序列数据（time-series data ；截面数据cross-sectional data 平行/面板数据（panel data/time-series cross-section data 时间序列数据是最常见，也是最常用到的数据。经典回归分析暗含着一个重要假设：数据是平稳的。数据非平稳，大样本下的统计推断基础――“一致性”要求――被破怀。数据非平稳，往往导致出现“虚假回归”（Spurious Regression）问题。表现为两个本来没有任何因果关系的变量，却有很高的相关性。例如：如果有两列时间序列数据表现出一致的变化趋势（非平稳的），即使它们没有任何有意义的关系，但进行回归也可表现出较高的可决系数。 2、平稳性的定义假定某个时间序列是由某一随机过程（stochastic process）生成的，即假定时间序列 Xt （t 1, 2, …）的每一个数值都是从一个概率分布中随机得到，如果满足下列条件：均值E Xt ?是与时间t 无关的常数；方差Var Xt ?2是与时间t 无关的常数；协方差Cov Xt,Xt+k ?k 是只与时期间隔k有关，与时间t 无关的常数；则称该随机时间序列是平稳的（stationary ，
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);
一、时间序列 时间序列分析是当前对动态数据处理的一种有效方法,它不要求考虑影响观测值的各种力学因素,而只是分析这些观测数据的统计规律性。通过对时间序列统计规律性进行分析,构造拟合出这些规律的可能数值,最后给出预测结果的精度分析。 1.1AR 模型： 1.1.1 模型的应用 ①年降雨水量的预测， ②城市税收收入的预测。 1.1.2步骤 ①模型识别 令均值为零的时间序列(1,2,,)t x t n =L ,延迟k 周期的自协方差函数是 [],k k t t k E y y γγ-+== （1） 用?k γ、?k ρ分别表示自协方差函数的估计值和自相关函数的估计值,则自相关系数为 k k k γρργ-== （2） 1 1??,0,1,2,,1n k k k t t k t y y k n n γγ-+==-==-∑L （3） ???,0,1,2,,1k k k k n γρργ-== =-L （4）
（1）对p 阶AR(P)模型有 01122t t t p t p t x x x x φφφφε---=+++++L （5） {}00,()t x AR p φ=当为中心化序列, 当00φ≠ ，可通过平移得到中心化()AR p 序列。 用B 表示移位算子，1;t t j t t j Bx x B x x --==，则AR(P)模型的算子形式： 212(1)p p t t B B B x φφφε----=L 即 ()p t t B x φε= （5）两边同乘t k x +后再取均值得： 1122[,][,()]t k t t k t t p t p t E x x E x x x x φφφε++---=++++L 由协方差函数函数得： 211220k k k p k p k r εφγφγφγσδ---=++++L （6） 取0,1,2,,k p =L ，再将得到的差分方程两边同时除以0γ得： 1121121122 1122p p p p p p p p ρφφρφρρφρφφρρφρφρφ----=+++=+++ =+++L L M L （7） 由上式（7）可得，k ρ应该满足： ()0,0p k B k φρ=> （8） 解得通解为 1122k k k k p p c c c ρλλλ---=+++L （9） 其中,1,2,,i c i p =L 可以由p 个初值021,,,p ρρρ-L 代入计算得到， ,1,2,,i i p λ=L 是特征方程()0p B φ=的根。 平稳条件：P 个特征根都在单位圆外,即||1i λ>。
《时间序列分析》案例案例名 称：时间序列分析在经济预测中的应用内容要 求：确定性与随机性时间序列之比较设计作 者：许启发，王艳明 设计时 间：2003年8月
案例四：时间序列分析在经济预测中的应用 一、案例简介 为了配合《统计学》课程时间序列分析部分的课堂教学，提高学生运用统计分析方法解决实际问题的能力，我们组织了一次案例教学，其内容是：对烟台市的未来经济发展状况作一预测分析，数据取烟台市1949—1998年国内生产总值（GDP）的年度数据，并以此为依据建立预测模型，对1999年和2000年的国内生产总值作出预测并检验其预测效果。国内生产总值是指一个国家或地区所有常住单位在一定时期内生产活动的最终成果，是反映国民经济活动最重要的经济指标之一，科学地预测该指标，对制定经济发展目标以及与之相配套的方针政策具有重要的理论与实际意义。在组织实施时，我们首先将数据资料印发给学生，并讲清本案例的教学目的与要求，明确案例所涉及的教学内容；然后给学生一段时间，由学生根据资料，运用不同的方法进行预测分析，并确定具体的讨论日期；在课堂讨论时让学生自由发言，阐述自己的观点；最后，由主持教师作点评发言，取得了良好的教学效果。 经济预测是研究客观经济过程未来一定时期的发展变化趋势，其目的在于通过对客观经济现象历史规律的探讨和现状的研究，求得对未来经济活动的了解，以确定社会经济活动的发展水平，为决策提供依据。 时间序列分析预测法，首先将预测目标的历史数据按照时间的先后顺序排列，然后分析它随时间的变化趋势及自身的统计规律，外推得到预测目标的未来取值。它与回归分析预测法的最大区别在于：该方法可以根据单个变量的取值对其自身的变动进行预测，无须添加任何的辅助信息。 本案例的最大特色在于：它汇集了统计学原理中的时间序列分析这一章节的所有知识点，通过本案例的教学，可以把不同的时间序列分析方法进行综合的比较，便于学生更好地掌握本章的内容。 二、案例的目的与要求 （一）教学目的 1．通过本案例的教学，使学生认识到时间序列分析方法在实际工作中应用的必要性和可能性； 2．本案例将时间序列分析中的水平指标、速度指标、长期趋势的测定等内容有机的结合在一起，以巩固学生所学的课本知识，深化学生对课本知识的理解； 3．本案例是对烟台市的国内生产总值数据进行预测，通过对实证结果的比较和分析，使学生认识到对同一问题的解决，可以采取不同的方法，根据约束条件，从中选择一种合适的预测方法； 4．通过本案例的教学，让学生掌握EXCEL软件在时间序列分析中的应用，对统计、计量分析软件SPSS或Eviews等有一个初步的了解； 5．通过本案例的教学，有助于提高学生运用所学知识和方法分析解决问题的能力、合作共事的能力和沟通交流的能力。 （二）教学要求 1．学生必须具备相应的时间序列分析的基本理论知识； 2．学生必须熟悉相应的预测方法和具备一定的数据处理能力； 3．学生以主角身份积极地参与到案例分析中来，主动地分析和解决案例中的问题； 4．在提出解决问题的方案之前，学生可以根据提供的样本数据，自己选择不同的统计分析方法，对这一案例进行预测，比较不同预测方法的异同，提出若干可供选择的方案；
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;
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。
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