时间序列分析
This model paper was revised by the Standardization Office on December 10, 2020
应用时间序列分析实验手册
目录
第二章时间序列的预处理
一、平稳性检验
时序图检验和自相关图检验
（一）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数值附近随机波动，而且波动的范围有界、无明显趋势及周期特征例
检验1964年——1999年中国纱年产量序列的平稳性
1.在Eviews软件中打开案例数据
图1：打开外来数据
图2：打开数据文件夹中案例数据文件夹中数据
文件中序列的名称可以在打开的时候输入，或者在打开的数据中输入
图3：打开过程中给序列命名
图4：打开数据
2.绘制时序图
可以如下图所示选择序列然后点Quick选择Scatter或者XYline；
绘制好后可以双击图片对其进行修饰，如颜色、线条、点等
图1：绘制散点图
图2：年份和产出的散点图
图3：年份和产出的散点图
（二）自相关图检验
例
导入数据，方式同上；
在Quick菜单下选择自相关图，对Qiwen原列进行分析；
可以看出自相关系数始终在零周围波动，判定该序列为平稳时间序列。
图1：序列的相关分析
图2：输入序列名称
图2：选择相关分析的对象
图3：序列的相关分析结果:
1. 可以看出自相关系数始终在零周围波动，判定该序列为平稳时间序列
2.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值都>5%的显着性水平,所以接受原假设,即序列是纯随机序列,即白噪声序列(因为序列值之间彼此之间没有任何关联,所以说过去的行为对将来的发展没有丝毫影响,因此为纯随机序列,即白噪声序列.) 有的题目平稳性描述可以模仿书本33页最后一段.
（三）平稳性检验还可以用：
单位根检验：ADF,PP检验等；
非参数检验：游程检验
图1：序列的单位根检验
表示不包含截
图2：单位根检验的方法选择
图3：ADF检验的结果：如图，单位根统计量ADF=都大于EVIEWS给出的显着性水平1%-10%的ADF临界值，所以接受原假设，该序列是非平稳的。
二、纯随机性检验
计算Q统计量，根据其取值判定是否为纯随机序列。
例的自相关图中有Q统计量，其P值在K=6、12的时候均比较大，不能拒绝原假设，认为该序列是白噪声序列。
另外，小样本情况下，LB统计量检验纯随机性更准确。
第三章平稳时间序列建模实验教程
一、模型识别
1.打开数据
图1：打开数据
2.绘制趋势图并大致判断序列的特征
图2：绘制序列散点图
图3：输入散点图的两个变量
图4：序列的散点图
3.绘制自相关和偏自相关图
图1：在数据窗口下选择相关分析
图2：选择变量
图3：选择对象
图4：序列相关图
4.根据自相关图和偏自相关图的性质确定模型类型和阶数
如果样本(偏)自相关系数在最初的d阶明显大于两倍标准差范围，而后几乎95％的自相关系数都落在2倍标准差的范围以内，而且通常由非零自相关系数衰减为小值波动的过程非常突然。这时，通常视为(偏)自相关系数截尾。截尾阶数为d。
本例：
自相关图显示延迟3阶之后，自相关系数全部衰减到2倍标准差范围内波动，这表明序列明显地短期相关。但序列由显着非零的相关系数衰减为小值波动的过程相当连续，相当缓慢，该自相关系数可视为不截尾
偏自相关图显示除了延迟1阶的偏自相关系数显着大于2倍标准差之外，其它的偏自相关系数都在2倍标准差范围内作小值随机波动，而且由非零相关系数衰减为小值波动的过程非常突然，所以该偏自相关系数可视为一阶截尾
所以可以考虑拟合模型为AR(1) 自相关系数 偏相关系数 模型定阶
拖尾 P 阶截尾 AR(p)模型
Q 阶截尾 拖尾 MA （q ）模型
拖尾 拖尾 ARMA(P,Q)模型
具体判别什么模型看书58到62的图例。
：就是常数项）
。表示的是求出来的系数（其中模型中的模型：）（模型：模型：μ??ε??---??---+μ=ε??---+μ=ε??---+μ=)1(MA )1(ar B *)P (AR B *)2(AR B *)1(AR 1B *)q (MA B *)2(MA B *)1(MA 1ARMA B *)q (MA B *)2(MA B *)1(MA 1MA B
*)P (AR B *)2(AR B *)1(AR 11AR t P 2q 2t X t q 2t X t P 2t X
二、模型参数估计
根据相关图模型确定为AR(1)，建立模型估计参数
在ESTIMATE中按顺序输入变量cx c cx(-1)或者cx c ar(1) 选择LS参数估计方法，查看输出结果，看参数显着性，该例中两个参数都显着。
细心的同学可能发现两个模型的C取值不同，这是因为前一个模型的C为截距项；后者的C则为序列期望值，两个常数的含义不同。
图1：建立模型
图2：输入模型中变量，选择参数估计方法
图3：参数估计结果
图4：建立模型
图5：输入模型中变量，选择参数估计方法
图6：参数估计结果
三、模型的显着性检验
检验内容：
整个模型对信息的提取是否充分；
参数的显着性检验，模型结构是否最简。
图1：模型残差
图2：残差的平稳性和纯随机性检验
对残差序列进行白噪声检验，可以看出ACF和PACF都没有显着异于零，Q统计量的P值都远远大于，因此可以认为残差序列为白噪声序列，模型信息提取比较充分。
常数和滞后一阶参数的P值都很小，参数显着；因此整个模型比较精简，模型较优。
四、模型优化
当一个拟合模型通过了检验，说明在一定的置信水平下，该模型能有效地拟合观察值序列的波动，但这种有效模型并不是唯一的。
当几个模型都是模型有效参数显着的，此时需要选择一个更好的模型，即进行优化。
优化的目的，选择相对最优模型。
优化准则：
最小信息量准则（An Information Criterion）
指导思想
似然函数值越大越好
未知参数的个数越少越好
AIC准则的缺陷
在样本容量趋于无穷大时，由AIC准则选择的模型不收敛于真实模型，它通常比
真实模型所含的未知参数个数要多
但是本例中滞后二阶的参数不显着，不符合精简原则，不必进行深入判断。
第四章非平稳时间序列的确定性分析
第三章介绍了平稳时间序列的分析方法，但是自然界中绝大多数序列都是非平稳的，因而对非平稳时间序列的分析跟普遍跟重要，人们创造的分析方法也更多。这些方法分为确定性时序分析和随机时序分析两大类，本章主要介绍确定性时序分析方法。
一个序列在任意时刻的值能够被精确确定（或被预测），则该序列为确定性序列，如正弦序列、周期脉冲序列等。而某序列在某时刻的取值是随机的，不能给以精确预测，只知道取某一数值的概率，如白噪声序列等。Cramer分解定理说明每个序列都可以分成一个确定序列加一个随机序列，平稳序列的两个构成序列均平稳，非平稳时间序列则至少有一部分不平稳。本章先分析确定性序列不平稳的非平稳时间时间序列的分析方法。
确定性序列不平稳通常显示出非常明显的规律性，如显着趋势或者固定变化周期，这种规律性信息比较容易提取，因而传统时间序列分析的重点在确定性信息的提取上。
常用的确定性分析方法为因素分解。分析目的为：①克服其他因素的影响，单纯测度某一个确定性因素的影响；②推断出各种因素彼此之间作用关系及它们对序列的综合影响。
一、趋势分析
绘制序列的线图，观测序列的特征，如果有明显的长期趋势，我们就要测度其长期趋势，测度方法有：趋势拟合法、平滑法。
（一）趋势拟合法
1.线性趋势拟合
例1：以澳大利亚政府1981-1990年每季度消费支出数据为例进行分析。
图1：导入数据
图2：绘制线图，序列有明显的上升趋势
长期趋势具备线性上升的趋势，所以进行序列对时间的线性回归分析。
图3：序列支出（zc）对时间（t）进行线性回归分析
图4：回归参数估计和回归效果评价
可以看出回归参数显着，模型显着，回归效果良好，序列具有明显线性趋势。
图5：运用模型进行预测
图6：预测效果（偏差率、方差率等）
图7：绘制原序列和预测序列的线图
图8：原序列和预测序列的线图
图9：残差序列的曲线图
可以看出残差序列具有平稳时间序列的特征，我们可以进一步检验剔除了长期趋势后的残差序列的平稳性，第三章知识这里不在叙述。
2.曲线趋势拟合
例2：对上海证券交易所每月月末上正指数序列进行拟合。
图1：导入数据
图2：绘制曲线图
可以看出序列不是线性上升，而是曲线上升，尝试用二次模型拟合序列的发展。
图3：模型参数估计和回归效果评价
因为该模型中T的系数不显着，我们去掉该项再进行回归分析。
图4：新模型参数估计和回归效果评价
图5：新模型的预测效果分析
图6：原序列和预测序列值
图7：原序列和预测序列值曲线图
图8：计算预测误差
图9：对预测误差序列进行单位根检验
拒绝原假设，认为序列没有单位根，为平稳序列，说明模型对长期趋势拟合的效果还不错。
同样，序列与时间之间的关系还有很多中，比如指数曲线、生命曲线、龚柏茨曲线等等，其回归模型的建立、参数估计等方法与回归分析同，这里不再详细叙述。
（二）平滑法
除了趋势拟合外，平滑法也是消除短期随机波动反应长期趋势的方法，而其平滑法可以追踪数据的新变化。平滑法主要有移动平均方法和指数平滑法两种，这里主要介绍指数平滑方法。
例3：对北京市1950-1998年城乡居民定期储蓄所占比例序列进行平滑。
图1：打开序列，进行指数平滑分析
图2：系统自动给定平滑系数趋势
给定方法为选择使残差平方和最小的平滑系数，该例中平滑系数去，超过用一次平滑效果不太好
图3：平滑前后序列曲线图
图4：用二次平滑修匀原序列
可以看出，平滑系数为，平均差为，修匀或者趋势预测效果不错。
图5：二次平滑效果图
例4：对于有明显线性趋势的序列，我们可以采用Holt两参数法进行指数平滑对北京市1978-2000年报纸发行量序列进行Holt两参数指数平滑
图1：报纸发行量的曲线图
图2：Holt两参数指数平滑（指定平滑系数）
图3：预测效果检验
图4：系统自动给定平滑系数时平滑效果
图5：原序列与预测序列曲线图
（其中FXSM为自己给定系数时的平滑值，FXSM2为系统给定系数时的平滑值）
二、季节效应分析
许多序列有季节效应，比如：气温、商品零售额、某景点旅游人数等都会呈现明显的季节变动规律。
例5：以北京市1995-2000年月平均气温序列为例，介绍季节效应分析操作。
图1：建立月度数据新工作表
图2：新工作表中添加数据
图3：五年的月度气温数据
图4：进行季节调整（移动平均法）
图5：移动平均季节加法
图6：12个月的加法调整因子
图7：打开三个序列（季节调整序列、原序列、调整后序列）
图8：三个序列（季节调整序列、原序列、调整后序列）取值
图9：三个序列（季节调整序列、原序列、调整后序列）曲线图另外季节调整还可以用X11，X12等方法进行调整。
三、综合分析
前面两部分介绍了单独测度长期趋势和季节效应的分析方法，这里介绍既有长期趋势又有季节效应的复杂序列的分析方法。
附录对1993——2000年中国社会消费品零售总额序列进行确定性分析图1：绘制1993——2000年中国社会消费品零售总额时序图
可以看出序列中既有长期趋势又有季节波动
图2：进行季节调整
图3：12个月的季节因子
图4：经季节调整后的序列SSA
图5：对经季节调整后序列进行趋势拟合
图6：趋势拟合序列SSAF与序列SSA的时序图
图7：扩展时间区间后预测长期趋势值SSAF
图8：经季节调整预测2001年12个月的零售总额值
图9：预测2001年12个月的零售总额值
图10：预测序列与原序列的时序图
第五章非平稳序列的随机分析
非平稳序列的确定性分析原理简单操作方便易于解释，但是只提取确定性信息，对随机信息浪费严重；且各因素之间确切的作用关系没有明确有效的判断方法。随机分析方法的发展弥补了这些不足，为人们提供更加丰富、更加精确的时序分析工具。
对非平稳时间序列的分析，要先提取确定性信息再研究随机信息。
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
《时间序列分析》习题解答?0?2习题2.3?0?21考虑时间序列10判断该时间序列是否 平稳计算该序列的样本自相关系数 kρ∧绘制该样本自相关图并解释该图形. ?0?2解根据时序图可以看出该时间序列有明显的递增趋势所以它一定不是平稳序列?0?2即可判断该时间序是非平稳序列其时序图程序见后。?0?2 时间序描述程序data example1 input number timeintnxyear01jan1980d _n_-1 format time date. cards 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 proc gplot dataexample1 plot numbertime1 symbol1 cblack vstar ijoin run?0?2?0?2?0?2当延迟期数即k本题取值1 2 3 4 5 6远小于样本容量n本题为20时自相关系数kρ∧计算公式为 number1234567891011121314151617181920time01JAN8001J AN8101JAN8201JAN8301JAN8401JAN8501JAN8601JAN870 1JAN8801JAN8901JAN9001JAN9101JAN9201JAN9301JAN9 401JAN9501JAN9601JAN9701JAN9801JAN99121nkttktknttX XXXXXρ?6?1∧?6?1?6?1≈?6?1∑∑ 0kn4.9895?0?2 注20.05125.226χ接受原假设认为该序列为纯随机序列。?0?2解法三、Q统计量法计算Q统计量即12214.57kkQnρ∑?0?2?0?2?0?2?0?2?0?2?0?2?0?2?0?2?0?2?0?2查表得210.051221.0261χ?6?1由于Q统
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。
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
时间序列分析-第二章-时间序列的预处理
两时间序列重叠显示时序图 2.4.2 平稳性与纯随机性检验 1、平稳性检验 为了判断序列是否平稳，除了需要考虑时序图的性质，还需要对自相关图进行检验。SAS系统ARIMA 过程中的IDENTIFY语句可以提供非常醒目的自相关图。 data example2_2; input freq@@; year=intnx ('year','1jan1970'd,_n_-1); format year year4.; cards; 97 154 137.7 149 164 157 188 204 179 210
202 218 209 204 211 206 214 217 210 217 219 211 233 316 221 239 215 228 219 239 224 234 227 298 332 245 357 301 389 ; proc arima data=example2_2; identify var=freq; run; 语句说明： （1）“proc arima data=example2_2;”是告诉系统，下面要对临时数据集example2_2中的数据进行ARIMA程序分析。 （2）“identify var=freq;”是对指令变量freq 的某些重要性质进行识别。 执行本例程序，IDENTIFY语句输出的描述性信息如下：
这部分给出了分析变量的名称、序列均值、标准差和观察值个数。 IDENTIFY语句输出结果的第二部分分为自相关图，本例获得的样本自相关见下图。 序列FREQ样本自相关图 其中： Lag——延迟阶数。 Covariance——延迟阶数给定后的自协方差函数。 Correlation——自相关系数的标准差。 “.”——2倍标准差范围。 2、纯随机性检验 为了判断序列是否有分析价值，我们必须对序列进行纯随机性检验，即白噪声检验。在IDENTIFY输出结果的最后一部分信息就是白噪声检验结果。本例中白噪声检验输出结果如下：
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。
时间序列分析习题解答 第二章 P.33 2.3 习 题 2.1 考虑序列{1，2，3，4，5，…，20}： (1) 判断该序列是否平稳； (2) 计算该序列的样本自相关系数k ^ ρ(k=1,2,…,6); (3) 绘制该样本自相关图，并解释该图形。 解：(1) 由于不存在常数μ，使,t EX t T μ=?∈，所以该序列不是平稳序列。 显然，该序列是按等步长1单调增加的序列。 (2) 1^ρ=0.85000 2^ρ=0.70150 3^ ρ=0.55602 4^ρ=0.41504 5^ρ=0.28008 6^ ρ=0.15263 (3) 样本自相关图 该图横轴表示自相关系数，纵轴表示延迟时期数。该图的自相关系数递减的速度缓慢，在6期的延迟时期里，自相关系数一直为正，说明该序列是有单调趋势的非平稳序列。 附：SAS 程序如下： data ex2_1; input freq@@; cards; 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 ; proc arima data=ex2_1; identify var=freq Nlag=6; run; 可得到上图的自相关图等内容, 更多结果被省略。
2.2 1975-1980年夏威夷岛莫那罗亚火山（Mauna Loa ）每月释放的CO 2数据如下（单位：ppm ）见下表。 330.45 330.97 331.64 332.87 333.61 333.55 331.90 330.05 328.58 328.31 329.41 330.63 331.63 332.46 333.36 334.45 334.82 334.32 333.05 330.87 329.24 328.87 330.18 331.50 332.81 333.23 334.55 335.82 336.44 335.99 334.65 332.41 331.32 330.73 332.05 333.53 334.66 335.07 336.33 337.39 337.65 337.57 336.25 334.39 332.44 332.25 333.59 334.76 335.89 336.44 337.63 338.54 339.06 338.95 337.41 335.71 333.68 333.69 335.05 336.53 337.81 338.16 339.88 340.57 341.19 340.87 339.25 337.19 335.49 336.63 337.74 338.36 （1）绘制该序列时序图，并判断该序列是否平稳； （2）计算该序列的样本自相关系数k ^ (k=1,2,…,24); （3）绘制该样本自相关图，并解释该图形。 解：(1) 该序列的时序图： 由上图可以看出，CO 2排量总体逐步上升，且以年为周期呈现出一定的周期性。 故该序列是呈现带周期性的单调上升趋势，该序列不平稳。
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
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
第一章习题答案 略 第二章习题答案 2.1 答案： （1）非平稳，有典型线性趋势 （2）延迟1-6阶自相关系数如下： （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）1-24阶自相关系数如下 （3）自相关图呈现典型的长期趋势与周期并存的特征
2.3 R命令 答案 （1）1-24阶自相关系数 （2）平稳序列
（3）非白噪声序列 Box-Pierce test data: rain X-squared = 0.2709, df = 3, p-value = 0.9654 X-squared = 7.7505, df = 6, p-value = 0.257 X-squared = 8.4681, df = 9, p-value = 0.4877 X-squared = 19.914, df = 12, p-value = 0.06873 X-squared = 21.803, df = 15, p-value = 0.1131 X-squared = 29.445, df = 18, p-value = 0.0432 2.4 答案： 我们自定义函数，计算该序列各阶延迟的Q统计量及相应P值。由于延迟1-12阶Q统计量的P值均显著大于0.05，所以该序列为纯随机序列。
2.5 答案 （1）绘制时序图与自相关图 （2）序列时序图显示出典型的周期特征，该序列非平稳
（3）该序列为非白噪声序列 Box-Pierce test data: x X-squared = 36.592, df = 3, p-value = 5.612e-08 X-squared = 84.84, df = 6, p-value = 3.331e-16 2.6 答案 （1）如果是进行平稳性图识别，该序列自相关图呈现一定的趋势序列特征，可以视为非平稳非白噪声序列。 如果通过adf检验进行序列平稳性识别，该序列带漂移项的0阶滞后P值小于0.05，可以视为平稳非白噪声序列 Box-Pierce test data: x X-squared = 47.99, df = 3, p-value = 2.14e-10 X-squared = 60.084, df = 6, p-value = 4.327e-11 （2）差分序列平稳，非白噪声序列
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。
第二章：时间序列的预处理 时间序列的预处理：对序列进行的平稳性与纯随机性的检验称为序列的预处理. 目的：根据检验的结果将序列分为不同的类型，从而采用不同的方法去分析. §2.1平稳性检验 平稳性是某些时间序列具有的一种统计特征，其具体定义如下： 一、平稳性：若序列达到统计平衡状态，其统计特性不随时间变化，则称该序列具有平稳性. 二、预备知识 1. 时间序列的概率分布族：任取指标集T 中的m 个不同的指标m t t t ,,,21 ，称 ),,,(),,,(2121,,,21 21m t t t m t t t x x x x x x P x x x F m m ≤≤≤= 为时间序列}{t x 的一个有限维(m 维)分布，变动m 及 m t t t ,,,21 ，称由这些有限维分布函数的全体},,,),,2,1(),,,,({2121,,,21 T t t t m x x x F m m t t t m ∈?∈? 为时间序列}{t x 的概率分布族. 注：由于在实际应用中，很难得到序列的联合概率分布，所以在时间序列分析中很少直接使用. 2. 时间序列的特征统计量：对时间序列T t x t ∈?},{，随机变量) (~x F x t t ， (1). 均值：若∞
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 ∞
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