第一讲：基本的eviews操作（包括试验一和实验二）
实验一 EVIEWS中时间序列相关函数操作
【实验目的】熟悉Eviews的操作：菜单方式，命令方式；
练习并掌握与时间序列分析相关的函数操作。
【实验内容】
一、EViews软件的常用菜单方式和命令方式；
二、各种常用差分函数表达式；
三、时间序列的自相关和偏自相关图与函数；
【实验步骤】
一、EViews软件的常用菜单方式和命令方式；
㈠创建工作文件
⒈菜单方式
启动EViews软件之后，进入EViews主窗口
在主菜单上依次点击File/New/Workfile，即选择新建对象的类型为工作文件，将弹出一个对话框，由用户选择数据的时间频率（frequency）、起始期和终止期。选择时间频率为Annual（年度），再分别点击起始期栏（Start date）和终止期栏（End date），输入相应的日期，然后点击OK按钮，将在EViews软件的主显示窗口显示相应的工作文件窗口。
工作文件窗口是EViews的子窗口，工作文件一开始其中就包含了两个对象，一个是系数向量C（保存估计系数用），另一个是残差序列RESID（实际值与拟合值之差）。
⒉命令方式
在EViews软件的命令窗口中直接键入CREATE命令，也可以建立工作文件。命令格式为：CREATE 时间频率类型起始期终止期
则菜单方式过程可写为：CREATE A 1985 1998
㈡输入Y、X的数据
⒈DATA命令方式
在EViews软件的命令窗口键入DATA命令，命令格式为：
DATA <序列名1> <序列名2>…<序列名n>
本例中可在命令窗口键入如下命令：
DATA Y X
⒉鼠标图形界面方式
在EViews软件主窗口或工作文件窗口点击Objects/New Object，对象类型
选择Series，并给定序列名，一次只能创建一个新序列。再从工作文件目录中选取并双击所创建的新序列就可以展示该对象，选择Edit＋/－，进入编辑状态，输入数据。
㈢生成log（Y）、log（X）、X^2、1/X、时间变量T等序列
在命令窗口中依次键入以下命令即可：
GENR LOGY=LOG(Y)
GENR LOGX=LOG(X)
GENR X1=X^2
GENR X2=1/X
GENR T=@TREND(84)
㈣选择若干变量构成数组，在数组中增加变量。
在工作文件窗口中单击所要选择的变量，按住Ctrl键不放，继续用鼠标选择要展示的变量，选择完以后，单击鼠标右键，在弹出的快捷菜单中点击Open/as Group，则会弹出数组窗口，其中变量从左至右按在工作文件窗口中选择变量的顺序来排列。
在数组窗口点击Edit＋/－，进入全屏幕编辑状态，选择一个空列，点击标题栏，在编辑窗口输入变量名，再点击屏幕任意位置，即可增加一个新变量增加变量后，即可输入数据。点击要删除的变量列的标题栏，在编辑窗口输入新变量名，再点击屏幕任意位置，弹出RENAME对话框，点击YES按钮即可。
㈤在工作文件窗口中删除、更名变量。
⒈在工作文件窗口中选取所要删除或更名的变量并单击鼠标右键，在弹出的快捷菜单中选择Delete（删除）或Rename（更名）即可
⒉在工作文件窗口中选取所要删除或更名的变量，点击工作文件窗口菜单栏中的Objects/Delete selected…（Rename selected…），即可删除（更名）变量
⒊在工作文件窗口中选取所要删除的变量，点击工作文件窗口菜单栏中的Delete按钮即可删除变量。
三、图形分析与描述统计分析
㈠利用PLOT命令绘制趋势图
在命令窗口中键入：PLOT Y
也可以利用PLOT命令将多个变量的变化趋势描绘在同一张图中，例如键入以下命令，可以观察变量Y、X的变化趋势
PLOT Y X
㈡利用SCAT命令绘制X、Y的散点图
在命令窗口中键入：SCAT X Y
则可以初步观察变量之间的相关程度与相关类型
二、各种常用差分函数表达式
（一）利用D(x)命令系列对时间序列进行差分(x为表1-1中的数据)。
1、在命令窗口中键入：genr dx= D(x)
则生成的新序列为序列x的一阶差分序列
2、在命令窗口中键入：genr dxn= D(x,n)
则生成的新序列为序列x的n阶差分。
3、在命令窗口中键入：genr dxs= D(x,0,s)
则生成的新序列为序列x的对周期长度为s一阶季节差分。
4、在命令窗口中键入：genr dxsn= D(x,n,s)
则生成的新序列为对周期长度为s的时间序列x取一阶季节差分后的序列再取n 阶差分。
5、在命令窗口中键入：genr dlx= Dlog(x)
则生成的新序列为x取自然对数后，再取一阶差分。
6、在命令窗口中键入：genr dlxsn= Dlog(x,n,s)
则生成的新序列为周期长度为s的时间序列x先取自然对数，再取一阶季节差分，然后再对序列取n 阶差分。
在EVIEWS中操作的图形分别为：
-150-100
-50
50
100
495051525354555657585960
-150
-100-50050100150495051525354555657585960
-20
20
40
60
80
495051525354555657585960
-40
-20
20
40
60
495051525354555657585960
-0.3
-0.2-0.10.00.10.20.3495051525354555657585960
-0.15
-0.10
-0.050.000.050.100.15495051525354555657585960
三、时间序列的自相关和偏自相关图与函数；
（一）观察时间序列的自相关图。
命令方式：（1）在命令行输入命令：Ident x (x为序列名称)；
（2）然后在出现的对话框中输入滞后时期数。（可取默认数）
菜单方式：（1）双击序列图标。
菜单操作方式：View—>Correlogram，
在出现的对话框中输入滞后数。（可取默认数）
（二）练习：观察一些文件中的序列自相关函数Autocorrelation，偏自相
关函数Partial autocorrelation的特征
实验二时间序列平稳性和随机性检验
1.平稳性检验（分别通过时序图和自相关图检验）：见教材例
2.1. 例2.2. 例2.
3.
例2.1（数据附录1.2）
例2.2（数据附录1.3）
例2.3（数据附录1.4）
2.白噪声检验（分别通过自相关图和Q统计量的p值来进行检验）
见课本例2.5（数据附录1.5）.
习题2.2
1.时序图：
2.计算自相关系数：
第二讲： ARMA模型的建立、识别、估计、检验、预测
【实验目的】熟悉对零均值平稳序列建立ARMA模型的前三个阶段：模型识别、模型参数估计、诊断检验。
（1）根据时间序列自相关图对零均值平稳序列进行初步的模型识别。
（2）运用Eviews软件估计ARMA模型参数。
对所建立的模型是否为适应性模型进行诊断检验。
【实验内容】
模型识别
根据零均值平稳化后的序列的自相关函数和偏自相关函数表现出的特征，对序列进行初步的模型识别（注：这种方法并不总是有效）。
模型参数估计
Eviews建立ARMA模型的命令用到AR、MA、SAR，SMA等参数项。其中SAR、SMA两参数在建立季节性时间序列模型时要用到。
例如：对一个零均值的平稳序列x建立ARMA (2,1)模型，
（1）命令操作方式为：ls x ar(1) ar(2) ma(1)
（2）菜单操作方式：Quick---→Estimate equation，输入：x ar(1) ar(2) ma(1)，OK。
以上述操作方式建模时，Eviews自动采用非线性最小二乘法估计模型参数。
模型的诊断检验：
1．判断模型是否为适应性模型
判断模型是否为序列的适应性模型，主要根据模型残差是否为白噪声来判断，若残差是白噪声，则可认为此模型是序列的适应性模型，否则，不是。
Eviews操作：在模型窗口，View----→Residual tests----→Correlogram —Q statistics
根据输出的残差的Q统计量判断残差是否为白噪声序列。
2．模型中各项的取舍
若建立的模型为适应性模型，还要看输出项中各变量是否显著(通过输出结
果中的t统计量值及相应的P值)，对不显著的项，要剔除，然后重新建模。
3．模型的选择（定阶）
对于同一个序列来说，可能有多个适应性模型，要从这多个适应性模型中选择，通常根据多个模型输出项中的赤池信息准则(AIC，Akaike info criterion)和施瓦茨准则(SBC，Schwartz Bayes criterion)进行比较，一般认为这两个统计量值越小的模型越好。
4．模型平稳性和可逆性的判断
判断模型是适应性模型后，还应判断模型是否平稳和可逆，判断方法如下。
模型输出结果最下方输出的两项，AR inverted root (如果有的话)和MA inverted root（如果有的话），其含义分别为：
inverted AR root ：为模型自回归AR部分所对应的差分方程的特征方程的特征根。若特征根的绝对值都小于1，则说明模型是平稳的；若其中有大于或等于1的，说明模型非平稳；若有等于1或很接近于1的，说明原序列为单位根过程，需要先对序列进行差分平稳化变换(有几个单位根，作几阶差分变换)，然后建模。
inverted MA root ：为模型移动平均MA部分所对应的差分方程的特征方程的特征根。若特征根绝对值都小于1，则说明模型是可逆的；若有大于或等于1的，说明模型不可逆；若有等于1或很接近于1的，则很有可能在数据处理过程中，对原序列过度差分了，这时需要减少对序列差分的阶数，再重新建模。
例3.13 等时间间隔，连续读取70个某次化学反应的过程。数据见附录1.8
1.模型识别
根据零均值平稳化后的序列的自相关函数和偏自相关函数表现出的特征，对序列进行初步的模型识别（注：这种方法并不总是有效）。
1）.时序图
2）.自相关图和偏自相关图
自相关图显示，p<0.05,所以该序列非白噪声。
2.模型估计
根据自相关图可知，自相关图2阶截尾。所以选择MA（2）模型1）MA（2）模型估计（OLS估计）
估计结果：
Dependent Variable: X
Method: Least Squares
Date: 11/23/12 Time: 11:27
Sample: 1 70
Included observations: 70
Convergence achieved after 7 iterations
C 51.16381 1.289980 39.66249 0.0000
MA(1) -0.323107 0.121043 -2.669354 0.0095
MA(2) 0.313320 0.121452 2.579782 0.0121
R-squared 0.181611 Mean dependent var 51.12857
Adjusted R-squared 0.157182 S.D. dependent var 11.90898
S.E. of regression 10.93305 Akaike info criterion 7.663370
Sum squared resid 8008.621 Schwarz criterion 7.759734
Log likelihood -265.2180 F-statistic 7.434104
Inverted MA Roots .16 -.54i .16+.54i
模型检验，
残差白噪声检验：
Eviews操作：在模型窗口，View----→Residual tests----→Correlogram —Q statistics
p>0.05，所以残差为白噪声序列，所以模型拟合显著有效
参数显著性检验，通过估计结果图，可看到p<0.05,所以参数均显著。2）AR（1）估计
根据偏自相关图可知，自相关图1阶截尾。所以选择AR（1）模型
估计结果
Dependent Variable: X
Method: Least Squares
Date: 11/23/12 Time: 11:35
Sample(adjusted): 2 70
Included observations: 69 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 51.29213 0.931844 55.04368 0.0000
R-squared 0.166027 Mean dependent var 51.18841 Adjusted R-squared 0.153580 S.D. dependent var 11.98562 S.E. of regression 11.02691 Akaike info criterion 7.667111 Sum squared resid 8146.708 Schwarz criterion 7.731868
Log likelihood -262.5153 F-statistic 13.33832
Inverted AR Roots -.42
估计结果：x t=51.2921-0.4249x t-1
模型检验
残差白噪声检验：残差白噪声检验：
Eviews操作：在模型窗口，View----→Residual tests----→Correlogram —Q statistics
p>0.05，所以残差为白噪声序列，所以模型拟合显著有效
参数显著性检验，通过估计结果图，可看到p<0.05,所以参数均显著。
3.模型优化
通过MA(2)和AR(1)模型估计结果图可知，AR(1)模型的AIC和SBC值都小于MA(2)模型的，因此，选择模型AR(1)模型。
4．模型平稳性和可逆性的判断
判断模型是适应性模型后，还应判断模型是否平稳和可逆，判断方法如下。
模型输出结果最下方输出的两项，AR inverted root (如果有的话)和MA inverted root（如果有的话），其含义分别为：
inverted AR root ：为模型自回归AR部分所对应的差分方程的特征方程的特征根。若特征根的绝对值都小于1，则说明模型是平稳的；若其中有大于或等于1的，说明模型非平稳；若有等于1或很接近于1的，说明原序列为单位根过程，需要先对序列进行差分平稳化变换(有几个单位根，作几阶差分变换)，然后建模。
inverted MA root ：为模型移动平均MA部分所对应的差分方程的特征方程的特征根。若特征根绝对值都小于1，则说明模型是可逆的；若有大于或等于1的，说明模型不可逆；若有等于1或很接近于1的，则很有可能在数据处理过程中，对原序列过度差分了，这时需要减少对序列差分的阶数，再重新建模。
第三讲ARIMA模型案例
例：对1952-1988年中国农业实际国民收入指数序列建模
一、获得观察值序列
二、判断序列的平稳性
序列时序图
图3.1
通过时序图可知，该序列非平稳
三、对原序列进行差分运算
1阶差分
输入：genr dx=d(x)
产生原序列的一阶差分序列dx，
图3.2 1阶差分后时序图
1阶差分后时序平稳
1阶差分后序列自相关图
图3.2 1阶差分后序列自相关图
自相关图显示差分后序列有很强的自相关性，所以可以认为1阶差分后序列平稳。
四、对平稳的一阶差分后序列进行白噪声
检验
一阶差分后序列的自相关图显示，在K<9时，均发现p<0.05，所以认为一阶差分后序列非白噪声。
五、对平稳非白噪声差分序列拟合
ARMA模型
通过图3.3可知，自相关图1阶截尾，偏自相关图不截尾。因此，可以用ARIMA （0,1,1）模型进行拟合。
利用OLS估计方程，
输入ls dx c ma(1)
Dependent Variable: DX
Method: Least Squares
Date: 11/29/12 Time: 21:18
Sample(adjusted): 1953 1988
Included observations: 36 after adjusting endpoints
Convergence achieved after 9 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C 5.015443 2.129502 2.355218 0.0244
R-squared 0.318165 Mean dependent var 4.983333
Adjusted R-squared 0.298111 S.D. dependent var 8.970762
S.E. of regression 7.515597 Akaike info criterion 6.925791
Sum squared resid 1920.463 Schwarz criterion 7.013764
Log likelihood -122.6642 F-statistic 15.86545
Durbin-Watson stat 2.041516 Prob(F-statistic) 0.000340
Inverted MA Roots -.71
表3.1 OLS估计结果
拟合结果为：（1-B）x t=5.0154+εt+ 0.7078εt-1六、对残差序列进行检验
在方程窗口中点击view-resid test
图3.3 残差白噪声检验图
通过图3.3 Q统计量对应的p可知，p>0.05,因此，该残差序列为白噪声序列。
参数显著性检验显示，c和ma(1)均显著。
七、序列预测
在方程窗口中，点击forecast 在forecast name 中输入xf，sample range 中输入1952-1990.method中点static,最后点ok。得到1989和1990年预测值。
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 ∞
时间序列分析作业 1、数据收集 通过长江证券金长江网上交易软件收集中信证券(600030)股价数据（2010-7-1~2011-5-9，共200组），保存文件，命名为“股价数据”。 2、工作表建立 打开eviews，点击file下拉菜单中的new项选择workfile项，弹出窗口如下： （1）、在datespecification中选择integer date。 （2）、在start和end中分别输入“1”“200” （3）、在wf项后面的框中输入工作表名称hr，点击ok。 窗口如下： 3、数据导入 在hr工作文件的菜单选项中选择pro，在弹出的下拉菜单中选择import，然后再下拉二级菜单中选择read text-lotus-excell，找到数据，双击弹出如下对话框：
默认date order，选择右边upper-left data cell下面的空格填写，输入excel中第一个有效数据单元格地址B6，在names for series or number if named in file 中输入序列名称，不妨设为s，点击ok，导入数据。 4、平稳性检验 点击s序列，选择菜单view/correlogram，弹出correlogram specification对话框，如下图，在对话框中默认level，lags to include 改为20（200/10），可得下图：
序列的自相关系数没有很快的趋近0，说明原序列是非平稳的序列。 5、对原序列做对数差分处理 A、在主窗口输入smpl 2 200，对样本数据进行选取， B、在主命令窗口输入series is=log(s)-log(s(-1)) 可以得到新的序列is 对is序列做同上的平稳性检验可以得到如下图：
第8章时间序列分析 一、填空题： 1．平稳性检验的方法有__________、__________和__________。 2．单位根检验的方法有：__________和__________。 3．当随机误差项不存在自相关时，用__________进行单位根检验；当随机误差项存在自相关时，用__________进行单位根检验。 4．EG检验拒绝零假设说明______________________________。 5．DF检验的零假设是说被检验时间序列__________。 6．协整性检验的方法有__________和__________。 7．在用一个时间序列对另一个时间序列做回归时，虽然两者之间并无任何有意义的关系，但经常会得到一个很高的2R的值，这种情况说明存在__________问题。 8．结构法建模主要是以______________________________来确定计量经济模型的理论关系形式。 9．数据驱动建模以____________________作为建模的主要准则。 10．建立误差校正模型的步骤为一般采用两步：第一步，____________________；第二步，____________________。 二、单项选择题：
1. 某一时间序列经一次差分变换成平稳时间序列，此时间序列称为（）。 A．1阶单整 ??? B．2阶单整??? C．K阶单整 ?? ?D．以上答案均不正确 2.? 如果两个变量都是一阶单整的，则（）。 A．这两个变量一定存在协整关系 B．这两个变量一定不存在协整关系 C．相应的误差修正模型一定成立 D．还需对误差项进行检验 3．当随机误差项存在自相关时，进行单位根检验是由（）来实现。 A DF检验 B．ADF检验 C．EG检验 D．DW检验 4．有关EG检验的说法正确的是（）。 A．拒绝零假设说明被检验变量之间存在协整关系 B．接受零假设说明被检验变量之间存在协整关系 C．拒绝零假设说明被检验变量之间不存在协整关系 D．接受零假设说明被检验变量之间不存在协整关系
时间序列分析 一、 填空题（每小题2分，共计20分） 1. ARMA(p, q)模型_________________________________，其中模型参数为 ____________________。 2. 设时间序列{}t X ，则其一阶差分为_________________________。 3. 设ARMA (2, 1)： 1210.50.40.3t t t t t X X X εε---=++- 则所对应的特征方程为_______________________。 4. 对于一阶自回归模型AR(1): 110t t t X X φε-=+＋，其特征根为_________，平稳域是 _______________________。 5. 设ARMA(2, 1):1210.50.1t t t t t X X aX εε---=++-，当a 满足_________时，模型平稳。 6. 对于一阶自回归模型MA(1): 10.3t t t X εε-=-，其自相关函数为 ______________________。 7. 对于二阶自回归模型AR(2): 120.50.2t t t t X X X ε--=++ 则模型所满足的Yule-Walker 方程是______________________。 8. 设时间序列{}t X 为来自ARMA(p,q)模型： 1111t t p t p t t q t q X X X φφεθεθε----=++++++L L 则预测方差为___________________。 9. 对于时间序列{}t X ，如果___________________，则()~t X I d 。 10. 设时间序列{}t X 为来自GARCH(p ，q)模型，则其模型结构可写为_____________。 二、（10分）设时间序列{}t X 来自()2,1ARMA 过程，满足 ()()2 10.510.4t t B B X B ε -+=+, 其中{}t ε是白噪声序列，并且()()2 t t 0,E Var εεσ==。 （1） 判断()2,1ARMA 模型的平稳性。（5分）
3-17 解：(1)判断该序列的平稳性与纯随机性。 1)根据题中所列数据，绘制该序列的时序图，如图3-17-1所示。 图3-17-1：某城市过去63年中每年降雪量时序图 其中x表示每年降雪量。 时序图显示某城市过去每年降雪量始终围绕在80.3mm附近随机波动，没有明显的趋势或周期性，基本可视为平稳序列。 2)自相关图检验。如图3-17-2所示。 图3-17-2：样本自相关图 样本自相关图显示延迟2阶之后，该序列的自相关系数都落入2倍标准误之内，而且自相关系数在零值附近波动，是典型的短期相关自相关图。 由时序图和样本自相关图的性质，可以认为该序列为平稳序列。 α=，检验结果见表3-17-1。 3)纯随机性检验(0.05) 表3-17-1：纯随机性检验结果 <，认为该序列为检验结果显示，在6阶延迟下LB检验统计量的P值0.05 非白噪声序列。 (2)拟合模型 1)模型识别。
根据样本自相关图、偏自相关图对模型进行直接识别。由(1)可知，该序列在6阶延迟下平稳且非白噪声，已知样本自相关图，即图3-17-2所示，偏自相关图如下图所示。 图3-17-3：样本偏自相关图 而该序列的图像并不能直接识别出较为准确的模型，因此进一步利用SAS对模型进行最优模型定阶，结果如图3-17-4所示： 图3-17-4：最小信息量结果 最后一条信息显示，在自相关延迟系数小于等于5，移动平均延迟系数也小于等于5的所有ARMA(p,q)模型中，BIC信息量相对最小的是ARMA(1,0)模型，即AR(1)模型。 2)参数估计。 先利用SAS输出未知参数估计结果，如下表所示。 表3-17-2：未知参数估计结果 3)模型检验。 利用SAS，残差序列白噪声检验结果如下表所示。 表3-17-3：残差自相关检验结果
第二十七章时间序列分析 一、单项选择题 1、以下关于发展水平的说法中，错误的是（）。 A、在绝对数时间序列中，发展水平是绝对数 B、在相对数时间序列中，发展水平表现为相对数 C、发展水平是时间序列中对应于具体时间的指标数值 D、平均数时间序列中，发展水平表现为绝对数 2、（）也称序时平均数或动态平均数，是对时间序列中各时期发展水平计算的平均数，它可以概括性描述现象在一段时期内所达到的一般水平。 A、发展水平 B、发展速度 C、平均发展水平 D、平均发展速度 我国2005—2017年平均每年第三产业就业人数是（）万人。 A、12 480 B、12 918 C、14 000 D、14 412 4、环比发展速度等于（）。 A、逐期增长量与其前一期水平之比 B、累计增长量与最初水平之比 C、报告期水平与最初水平之比 D、报告期水平与其前一期水平之比 5、已知一个序列的环比发展速度为102%、103%、105%，则该序列的定基发展速度为（）。 A、103% B、105% C、110% D、112% 6、以相对数形式表示的两个不同时期发展水平的比值是（）。 A、增长量 B、发展水平 C、增长速度 D、发展速度 7、已知某地区2012-2016年社会消费品零售总额的环比增长速度分别为5%、7%、10%、11%，则这一时期该地区社会消费品零售总额的定基增长速度为（）。 A、5%×7%×10%×11% B、（5%×7%×10%×11%）+1
C、105%×107%×110%×111% D、（105%×107%×110%×111%）-1 8、甲企业某种商品前11个月的实际销售量如下表所示。采用移动平均数法预测，取k＝3，则第 A、303 B、350 C、384 D、394 9、目前计算平均发展速度通常采用（）。 A、众数 B、几何平均法 C、算术平均法 D、增长1%的绝对值法 10、某企业2010年—2016年销售收入的年平均增长速度是27.6%，这期间相应的年平均发展速度是（）。 A、4.6% B、17.6% C、127.6% D、72.4% 11、平均增长速度与平均发展速度的数量关系是（）。 A、平均增长速度=1/平均发展速度 B、平均增长速度＝平均发展速度－1 C、平均增长速度＝平均发展速度＋1 D、平均增长速度＝1－平均发展速度 12、我们经常统计的城镇人口比重属于（）。 A、平均数时间序列 B、相对数时间序列 C、时期序列 D、时点序列 13、下列统计指标中，属于相对指标的是（）。 A、社会消费品零售总额 B、人口性别比 C、房屋建筑面积 D、城镇居民人均可支配收入 14、已知一个有关发展速度的时间序列的指标值是70%、80%、-5%、99%，其平均发展速度（）。 A、61% B、50%
时间序列作业 -标准化文件发布号：（9456-EUATWK-MWUB-WUNN-INNUL-DDQTY-KII
3-17 解：(1)判断该序列的平稳性与纯随机性。 1)根据题中所列数据，绘制该序列的时序图，如图3-17-1所示。 图3-17-1：某城市过去63年中每年降雪量时序图 其中x表示每年降雪量。 时序图显示某城市过去每年降雪量始终围绕在80.3mm附近随机波动，没有明显的趋势或周期性，基本可视为平稳序列。 2)自相关图检验。如图3-17-2所示。 图3-17-2：样本自相关图 样本自相关图显示延迟2阶之后，该序列的自相关系数都落入2倍标准误之内，而且自相关系数在零值附近波动，是典型的短期相关自相关图。 由时序图和样本自相关图的性质，可以认为该序列为平稳序列。 α=，检验结果见表3-17-1。 3)纯随机性检验(0.05)
表3-17-1：纯随机性检验结果 检验结果显示，在6阶延迟下LB检验统计量的P值0.05 ，认为该序列为非白噪声序列。 (2)拟合模型 1)模型识别。 根据样本自相关图、偏自相关图对模型进行直接识别。由(1)可知，该序列在6阶延迟下平稳且非白噪声，已知样本自相关图，即图3-17-2所示，偏自相关图如下图所示。 图3-17-3：样本偏自相关图 而该序列的图像并不能直接识别出较为准确的模型，因此进一步利用SAS对模型进行最优模型定阶，结果如图3-17-4所示： 图3-17-4：最小信息量结果
最后一条信息显示，在自相关延迟系数小于等于5，移动平均延迟系数也小于等于5的所有ARMA(p,q)模型中，BIC信息量相对最小的是ARMA(1,0)模型，即AR(1)模型。 2)参数估计。 先利用SAS输出未知参数估计结果，如下表所示。 表3-17-2：未知参数估计结果 3)模型检验。 利用SAS，残差序列白噪声检验结果如下表所示。 表3-17-3：残差自相关检验结果 残差白噪声检验显示延迟6阶、12阶、18阶、24阶LB检验统计量的P值均显著大于0.05，所以该AR(1)模型显著有效。 参数显著性检验结果(见表3-17-2)显示两个参数t统计量的P值均小于 0.05，即两个参数均显著。 因此AR(1)模型是该序列的有效拟合模型。 拟合模型的具体形式。 利用SAS，拟合模型的具体形式如下图所示。
《时间序列分析与应用》 课程作业 地震数据（COP.BHZ-24）时间序列分析 一．前言 本次作业选取了第24号文件，共1440个数据。截取前1200个数据进行理分析，然后建立模型。之后再对数据进行预测，然后对1200之后的30个数据进行更新，将更新结果与原观测值进行比对分析，最后得出结论。 二．数据处理
1. 数据读取与画图 首先将文件“COP.BHZ.txt”保存到E盘根目录下，以便于读取。用scan()函数将数据读入，并保存到sugar2文件中。如图1所示。 图1 数据读取 然后，画出该时间序列图。横轴表示时间，单位是*10ms，纵轴表示高程，单位是um。代码及图示如图2、图3所示。 图2 时序图代码 图3 前1200个数据散点图 2. 平稳性检验 从图中看出，该组数据随时间变化基本平稳，仅有小幅波动。最高点与最低点相差也仅在250um之内。通过adf.test()函数可以验证该假设，可以看出该序列是平稳的（stationary）。如图4所示。然后用求平均函数mean()求出这1200个数据的平均值a，可以从图5看到结果。
图4 平稳性检验结果 图5 求平均值 然后，将原始数据减去平均值，得到一组零均值的新数据，命名为sugar3。 3. 数据建模分析 接下来绘制震前数据的自相关函数和偏自相关函数图像，初步判断其大概符合什么模型。图6为画出图像的代码，新序列sugar3的ACF、PACF图像如下所示。 图6 ACF、PACF、EACF图像代码
图7 ACF图 图8 PACF图 从ACF、PACF图可以看出，序列一阶之后相关性较强，虽然在第19阶滞后处有超限的情况，但从总体来看，两个图都是拖尾的情况。因此要借助于EACF 图来做进一步判断。扩展自相关函数EACF图如下。 图9 EACF图 3 模型识别 由EACF图可以看出此时间序列符合ARMA(0,1)或ARMA(2,2)，根据以上信息尚不能明确判断出具体的模型，要建立确定的模型，就需要排除上述模型中的一种，用模型诊断的方法可以实现。模型诊断，或模型评价，涉及检验模型的拟合优度，并且如果拟合程度很差，要给出适当的调整建议。模型诊断的方法有两种：分析拟合模型的残差和分析过度参数化的模型。下面先使用残差法。 3.1 ARMA(0,1)模型诊断
诚实考试吾心不虚 ，公平竞争方显实力， 考试失败尚有机会 ，考试舞弊前功尽弃。 上海财经大学《时间序列分析》课程考试卷 课程代码 课程序号 20 —20 学年第一学期 姓名 学号 班级 1. t X 的d 阶差分为 （a ）=d t t t k X X X -?- （b ）11 =d d d t t t k X X X ---??-? （c ）111=d d d t t t X X X ---??-? （d ）11 -12=d d d t t t X X X ---??-? 2. 记B 是延迟算子，则下列错误的是 （a ）01B = （b ）()1=t t t B c X c BX c X -??=? （c ）()11=t t t t B X Y X Y --±± （d ）()=1d d t t d t X X B X -?-=- 3. 关于差分方程1244t t t X X X --=-，其通解形式为 （a ）1222t t c c + （b ）()122t c c t + （c ）()122t c c - （ d ）2t c ? 4. 下列哪些不是MA 模型的统计性质 （a ）()t E X μ= （b ）()()22111q t Var X θθσ=+++L （c ）()(),,0t t t E X E με?≠≠ （d ）1,,0q θθ≠K 5. 上面左图为自相关系数，右图为偏自相关系数，由此给出初步的模型识别 ……………………………………………………………装 订 线 …………………………………………………
（a ）MA （1） （b ）ARMA （1, 1） （c ）AR （2） （d ）ARMA （2, 1） 二、填空题（每小题2分，共计20分） 1. 在下列表中填上选择的的模型类别 2. 时间序列模型建立后，将要对模型进行显著性检验，那么检验的对象为___________ ，检验的假设是___________。 3. 时间序列模型参数的显著性检验的目的是____________________。 4. 根据下表，利用AIC 和BIC 准则评判两个模型的相对优劣，你认为______模型优于 ______模型。 _______检验和_______检验。 三、（10分）设{}t ε为正态白噪声序列，()()2 t t 0,E Var εεσ==，时间 序列}{t X 来自 110.8t t t t X X εε--=+- 问模型是否平稳？为什么？ 四、（20分）设}{t X 服从ARMA(1, 1)模型： 110.80.6t t t t X X εε--=+- 其中1001000.3,0.01X ε==。 （1） 给出未来3期的预测值；（10分） （2） 给出未来3期的预测值的95%的预测区间（0.975 1.96u =）。（10分） 五、 （20分）下列样本的自相关系数和偏自相关系数是基于零均值的平稳 序列样本量为500计算得到的（样本方差为2.997）
第九章时间序列分析习题 一、填空题 1．时间序列有两个组成要素：一是，二是。 2．在一个时间序列中，最早出现的数值称为，最晚出现的数值称为。 3．时间序列可以分为时间序列、时间序列和时间序列三种。其中是最基本的序列。 4．绝对数时间序列可以分为和两种，其中，序列中不同时间的数值相加有实际意义的是序列，不同时间的数值相加没有实际意义的是序列。 5．已知某油田1995年的原油总产量为200万吨，2000年的原油总产量是459万吨，则“九五”计划期间该油田原油总产量年平均增长速度的算式为。 6．发展速度由于采用的基期不同，分为和两种，它们之间的关系可以表达为。 7．设i=1，2，3，…，n，a i为第i个时期经济水平，则a i/a0是发展速度，a i/a i-1是发展速度。 8．计算平均发展速度的常用方法有方程式法和. 9．某产品产量1995年比1990年增长了105%，2000年比1990年增长了306．8％，则该产品2000年比1995增长速度的算式是。 10．如果移动时间长度适当，采用移动平均法能有效地消除循环变动和。 11．时间序列的波动可分解为长期趋势变动、、循环变动和不规则变动。 12．用最小二乘法测定长期趋势，采用的标准方程组是。 二、单项选择题 1．时间序列与变量数列( ) A都是根据时间顺序排列的B都是根据变量值大小排列的 C前者是根据时间顺序排列的，后者是根据变量值大小排列的 D前者是根据变量值大小排列的，后者是根据时间顺序排列的 2．时间序列中，数值大小与时间长短有直接关系的是( ) A平均数时间序列B时期序列C时点序列D相对数时间序列 3．发展速度属于( ) A比例相对数B比较相对数C动态相对数D强度相对数 4．计算发展速度的分母是( ) A报告期水平B基期水平C实际水平D计划水平 则该车间上半年的平均人数约为( ) A 296人 B 292人 C 295 人 D 300人 6．某地区某年9月末的人口数为150万人，10月末的人口数为150．2万人，该地区10月的人口平均数为( ) A150万人B150．2万人C150．1万人D无法确定 7．由一个9项的时间序列可以计算的环比发展速度( ) A有8个B有9个C有10个D有7个 8．采用几何平均法计算平均发展速度的依据是( )
说明：答案请答在规定的答题纸或答题卡上，答在本试卷册上的无效。 一、填空题（本题总计25分） 1. 常用的时间序列数据，有年度数据、（ ）数据和（ ） 数据。另外，还有以（ ）、小时为时间单位计算的数据。 2. 自相关系数j ρ的取值范围为（ ）；j ρ与j -ρ之间的关系是（ ）；0ρ=（ ）。 3.判断下表中各随机过程自相关系数和偏自相关系数的截尾性，并用 2. 如果随机过程{}t ε为白噪音，则 t t Y εμ+= 的数学期望为 ；j 不等于0时，j 阶自协方差等于 ，j 阶自相关系数等于 。因此，是一个 随机过程。 1.（2分）时间序列分析中，一般考虑时间（ ）的（ ）的情形。 3. （6分）随机过程{}t y 具有平稳性的条件是： （1）（ ）和（ ）是常数，与 （ ）无关。 （2）（ ）只与（ ）有关，与 （ ）无关。 7. 白噪音的自相关系数是：
1.白噪音{}t y 的性质是：t y 的数学期望为 ，方差为 ；t y 与j -t y 之间的协方差为 。 1.（4分）移动平均法的特点是：认为历史数据中（ ）的数据对未来的数值有影响，其权数为（ ），权数之和为（ ）；但是，（ ）的数据对未来的数值没有影响。 2. 指数平滑法中常数α值的选择一般有2种： （1）根据经验判断，α一般取 。 （2）由 确定。 3. （5分）下述随机过程中，自相关系数具有拖尾性的有（ ），偏自相关系数具有拖尾性的有（ ）。 ①平稳(2) ②(1) ③平稳(1,2) ④白噪 音过程 4.（5分）下述随机过程中，具有平稳性的有（ ），不具有平稳性的有（ ）。 ①白噪音 ②t t y 1.23t+ε=+ ③随机漂移过程 ④t t t 1y 16 3.2εε-=++ ⑤t t y 2.8ε=+ 2.（3分）白噪音{}t ε的数学期望为（ ）；方差为（ ）；j 不等于0时，j 阶自协方差等于（ ）。 （2）自协方差与（ ）无关，可能与 （ ）有关。 3. （5分）下述随机过程中，自相关系数具有截尾性的有（ ），偏自相关系数具有截尾性的有（ ）。
第六章动态数列 一、判断题 1.若将某地区社会商品库存额按时间先后顺序排列，此种动态数列属于时期数列。 （） 2.定基发展速度反映了现象在一定时期内发展的总速度，环比发展速度反映了现象 比前一期的增长程度。（） 3.平均增长速度不是根据各期环比增长速度直接求得的，而是根据平均发展速度计 算的。（） 4.用水平法计算的平均发展速度只取决于最初发展水平和最末发展水平，与中间各 期发展水平无关。（） 5.平均发展速度是环比发展速度的平均数，也是一种序时平均数。（） 1、× 2、× 3、√ 4、√ 5、√。 二、单项选择题 1.根据时期数列计算序时平均数应采用（）。 A.几何平均法 B.加权算术平均法 C.简单算术平均法 D.首末 折半法 2.下列数列中哪一个属于动态数列（）。 A.学生按学习成绩分组形成的数列 B.工业企业按地区分组形成的数 列 C.职工按工资水平高低排列形成的数列 D.出口额按时间先后顺序排列形成 的数列 3.已知某企业1月、2月、3月、4月的平均职工人数分别为190人、195人、193 人和201人。则该企业一季度的平均职工人数的计算方法为（）。 4.说明现象在较长时期内发展的总速度的指标是（）。 A、环比发展速度 B.平均发展速度 C.定基发展速度 D.环比增 长速度 5.已知各期环比增长速度为2%、5%、8%和7%，则相应的定基增长速度的计算方法为 （）。 A.（102%×105%×108%×107%）-100% B.102%×105%×108%×107% C.2%×5%×8%×7% D.（2%×5%×8%×7%）-100% 6.定基增长速度与环比增长速度的关系是（）。 A、定基增长速度是环比增长速度的连乘积 B、定基增长速度是环比增长速度之和 C、各环比增长速度加1后的连乘积减1 D、各环比增长速度减1后的连乘积减1 7.间隔不等的时点数列求序时平均数的公式是（）。
第八章 时间数列分析 一、单项选择题 1.时间序列与变量数列( ) A 都是根据时间顺序排列的 B 都是根据变量值大小排列的 C 前者是根据时间顺序排列的，后者是根据变量值大小排列的 D 前者是根据变量值大小排列的，后者是根据时间顺序排列的 C 2.时间序列中，数值大小与时间长短有直接关系的是( ) A 平均数时间序列 B 时期序列 C 时点序列 D 相对数时间序列 B 3.发展速度属于( ) A 比例相对数 B 比较相对数 C 动态相对数 D 强度相对数 C 4.计算发展速度的分母是( ) A 报告期水平 B 基期水平 C 实际水平 D 计划水平 B 5.某车间月初工人人数资料如下： 则该车间上半年的平均人数约为( ) A 296人 B 292人 C 295 人 D 300人 C 6.某地区某年9月末的人口数为150万人，10月末的人口数为150．2万人，该地区10月的人口平均数为( ) A 150万人 B 150．2万人 C 150．1万人 D 无法确定 C 7.由一个9项的时间序列可以计算的环比发展速度( ) A 有8个 B 有9个 C 有10个 D 有7个 A 8.采用几何平均法计算平均发展速度的依据是( ) A 各年环比发展速度之积等于总速度 B 各年环比发展速度之和等于总速度 C 各年环比增长速度之积等于总速度 D 各年环比增长速度之和等于总速度 A 9.某企业的科技投入，2010年比2005年增长了58．6％，则该企业2006—2010年间科技投入的平均发展速度为( ) A 5 %6.58 B 5%6.158 C 6 %6.58 D 6%6.158 B 10.根据牧区每个月初的牲畜存栏数计算全牧区半年的牲畜平均存栏数，采用的公式是( ) A 简单平均法 B 几何平均法 C 加权序时平均法 D 首末折半法 D 11.在测定长期趋势的方法中，可以形成数学模型的是( ) A 时距扩大法 B 移动平均法 C 最小平方法 D 季节指数法
第七章时间序列分析习题 一、填空题 1．时间序列有两个组成要素：一是，二是。 2．在一个时间序列中，最早出现的数值称为，最晚出现的数值称为。 3．时间序列可以分为时间序列、时间序列和时间序列三种。其中是最基本的序列。 4．绝对数时间序列可以分为和两种，其中，序列中不同时间的数值相加有实际意义的是序列，不同时间的数值相加没有实际意义的是序列。 5．已知某油田1995年的原油总产量为200万吨，2000年的原油总产量是459万吨，则“九五”计划期间该油田原油总产量年平均增长速度的算式为。 6．发展速度由于采用的基期不同，分为和两种，它们之间的关系可以表达为。 7．设i=1，2，3，…，n，a i为第i个时期经济水平，则a i/a0是发展速度，a i/a i-1是发展速度。 8．计算平均发展速度的常用方法有方程式法和. 9．某产品产量1995年比1990年增长了105%，2000年比1990年增长了306．8％，则该产品2000年比1995增长速度的算式是。 10．如果移动时间长度适当，采用移动平均法能有效地消除循环变动和。 11．时间序列的波动可分解为长期趋势变动、、循环变动和不规则变动。 12．用最小二乘法测定长期趋势，采用的标准方程组是。 二、单项选择题 1．时间序列与变量数列( ) A都是根据时间顺序排列的B都是根据变量值大小排列的 C前者是根据时间顺序排列的，后者是根据变量值大小排列的 D前者是根据变量值大小排列的，后者是根据时间顺序排列的 2．时间序列中，数值大小与时间长短有直接关系的是( ) A平均数时间序列B时期序列C时点序列D相对数时间序列 3．发展速度属于( ) A比例相对数B比较相对数C动态相对数D强度相对数 4．计算发展速度的分母是( ) A报告期水平B基期水平C实际水平D计划水平 则该车间上半年的平均人数约为( ) A 296人 B 292人 C 295 人 D 300人 6．某地区某年9月末的人口数为150万人，10月末的人口数为150．2万人，该地区10月的人口平均数为( ) A150万人B150．2万人C150．1万人D无法确定 7．由一个9项的时间序列可以计算的环比发展速度( ) A有8个B有9个C有10个D有7个 8．采用几何平均法计算平均发展速度的依据是( )
《时间序列分析》模拟试题 《时间序列分析》课程考试卷 一. 填空题(毎小题2分，共计20分) 匚口 1. ARMA(p, q)模型七=0()+気…+ ---- 4牡g ， 其 中模型参数为p, q 。 2.设时间序列{X,},则其一阶差分为▽七=科一兀_4。 3? 设 ARMA (2, 1) ： X] = O ?5X_] + 0.4X r _2 + 吕—O ?3￡_ 则所对应的特征方程为 22-0.52-0.4 = 0O 4.对于一阶自回归模型AR(1)： X, =1O+0X_+吕，其特征根为一 ° ，平稳域 是{01阀< 1} 注：平稳性判别：1)特征根判别法：特征根的绝对值小于1；该題中特征根等于°,故平 稳条件为仏“ I < 1}。(系数多项式的根在单位园外) 2)平稳域判别法：AR (1)模型：'讷<1} AR (2)模型：{处01岡<1，且0±0<1} _”|vl,“±0?5
方程是 P\ = P3\\ < 注：1. | = ^ii k = l [5 5 —=r^i ■*—0” 8 8 k = 2 41 5. [旷診说2 Pl _ Po p\ p\ A …Pk-\ Pk-2 Ai 如2 _pk-\ A-2 A). Pk =工0阳 2.由于AR 模型的 i 故对于AR (2)有 1, 】 k=0 进而 1-02 、0]Q Q +02 久-2' k>2 1, k=0 8， 0.5% +0?2%2，k22 9.设时间序列｛X,｝为来自ARMA(p.q)模型: x 『=0|X 『_] +??? + § X-p +吕+&G +… 畑［训)近 则预测方差为— i E (￡l )=O,Var (￡!)=a ；,E (￡l ￡ 10.对于时间序列{X,},如果 )=0, S H f ,则乙?/(d)。 注:AR IMA (p, d, q) ①(Bpg = O (B>f E (s t ) = 0,Var (￡, )= ,E (￡,￡s ) = 0,s t Ex s ￡t =0,Vs vf \P\= 00021 +P1022 [C =0021+0002
第二章习题 第一题 代码如下 data example2; input freq@@; time=intnx('year','1',_n_-1); format year year4; cards; 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 ; proc gplot data =example2; plot freq*time; symbol c=black v=star i=join; run; 结果如下 平稳序列的时序图应该显示该序列始终在一个常数值附近波动，而且波动范围有界的特点。可是上述时序图是一次函数递增趋势的，所以该序列是非平稳序列。
从图中我们发现序列的自相关系数递减到零的速度相当缓慢，在很长的时间延迟时期里，自相关系数一直为正，而后又一直为负，在子相关图上显示出明显的三角对称性，这是具有单调趋势的非平稳序列的一种典型自相关图形式，这和该序列时序图的单调递增是一致的。 各个延迟阶数下的自相关系数如下 K=1 ρ=0.85 K=2 ρ=0.7015 K=3 ρ=0.55602 K=4 ρ=0.41504 K=5 ρ=0.28008 K=6 ρ=0.152635 SPSS
第二题 代码如下 data example2; input ppm@@; time=intnx('month','01jan1975'd,_n_-1); format time monyy.; cards; 330.45 330.97 331.64 332.87 333.61 333.55 331.90 330.05 328.58 328.31 329.41 330.63
《应用时间序列分析》 实训报告 实训项目名称时间序列预处理 实训时间 2013年10月14日 实训地点实验楼309 班级统计1004班 学号 1004100415 姓名范瑛
《应用时间序列分析》 实训(实践) 报告 实训名称时间序列预处理 一、实训目的 目的：熟悉平稳性检验方法和纯随机性检验方法的相关理论和软件实现的过程，并对结果给出解释，加深对理论的理解，提高动手能力。 任务：Eviews软件的常用菜单方式和命令方式操作；时间序列的自相关函数计算；序列的初步分析，并序列进行平稳性和纯随性进行检验，并写出实训报告。 二、实训要求 1、掌握Eviews软件的工作文件建立方法； 2、对时间序列进行初步分析，总结特征； 3、学会用Eviews软件计算时间序列分析相关函数的； 4、对序列进行平稳性和纯随性检验； 5、在上完机后要写出实验报告。 三、实训内容 1、熟悉Eviews软件的菜单操作和命令操作，包括工作文件的建立、数据的输入 与编辑、新序列的产生、在工作文件窗口中删除、更名变量、序列的各种观察(线图、各种统计量)以及时间序列的差分运算和相关函数的计算。本部分主要由教师来演示介绍。 2、初步对序列进行观察，对序列进行观察分析，求出序列的自相关函数和Q-统 计量，并对序列进行平稳性检验和纯随机性检验。 四、实训分析与总结 第一题 根据Eviews分析所得时间序列图如图1所示：
图1：系列样本序列时序图 该时序图显示系列样本有明显的递增趋势，所以它一定不是平稳序列。 Autocorrelation Partial Correlation AC PAC Q-Stat Prob . |****** | . |****** | 1 0.729 0.729 12.293 0.000 . |**** | . | . | 2 0.511 -0.042 18.682 0.000 . |*** | . | . | 3 0.342 -0.033 21.712 0.000 . |**. | . | . | 4 0.215 -0.025 22.983 0.000 . |* . | . | . | 5 0.124 -0.016 23.435 0.000 . | . | . | . | 6 0.063 -0.008 23.560 0.001 . | . | . | . | 7 0.026 -0.002 23.584 0.001 . | . | . | . | 8 0.008 0.003 23.586 0.003 . | . | . | . | 9 0.001 0.005 23.586 0.005 . | . | . | . | 10 0.000 0.003 23.586 0.009 . | . | . | . | 11 0.000 -0.001 23.586 0.015 . | . | . | . | 12 0.000 -0.001 23.586 0.023 图2：系列样本序列自相关图 从图中我们发现序列的自相关系数递减到零的速度相当缓慢，在很长的延迟 时期里，自相关系数一直为正。这是具有单调趋势的非平稳序列的一种典型的自 相关图形式。这和该序列时序图显示的显著的单调递增性是一致的。 第二题 根据Eviews分析所得时间序列图如图3所示：
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
诚实考试吾心不虚 ，公平竞争方显实力， 考试失败尚有机会 ，考试舞弊前功尽弃。 上海财经大学《时间序列分析》课程考试卷 课程代码 课程序号 20 —20 学年第一学期 姓名 学号 班级 一、 单项选择题（每小题4分，共计20分） 1. t X 的d 阶差分为 （a ）=d t t t k X X X -?- （b ）11=d d d t t t k X X X ---??-? （c ）111=d d d t t t X X X ---??-? （d ）11-12=d d d t t t X X X ---??-? 2. 记B 是延迟算子，则下列错误的是 （a ）01B = （b ）()1=t t t B c X c BX c X -??=? （c ）()11=t t t t B X Y X Y --±± （d ）()=1d d t t d t X X B X -?-=- 3. 关于差分方程1244t t t X X X --=-，其通解形式为 （a ）1222t t c c + （b ）()122t c c t + （c ）()122t c c - （d ）2t c ? 4. 下列哪些不是MA 模型的统计性质 （a ）()t E X μ= （b ）()()22111q t Var X θθσ=+++L （c ）()(),,0t t t E X E με?≠≠ （d ）1,,0q θθ≠K ……………………………………………………………装 订 线 …………………………………………………
5.上面左图为自相关系数，右图为偏自相关系数，由此给出初步的模型识别 （a）MA（1）（b）ARMA（1, 1） （c）AR（2）（d）ARMA（2, 1） 二、填空题（每小题2分，共计20分） 1.在下列表中填上选择的的模型类别 2.时间序列模型建立后，将要对模型进行显著性检验，那么检验的对象为___________， 检验的假设是___________。 3.时间序列模型参数的显著性检验的目的是____________________。 4.根据下表，利用AIC和BIC准则评判两个模型的相对优劣，你认为______模型优于______ 模型。 5.时间序列预处理常进行两种检验，即为_______检验和_______检验。 三、（10分）设{} t ε为正态白噪声序列，()()2 t t 0, E Var εεσ ==，时间序列} { t X来自 11 0.8 t t t t X Xεε -- =+- 问模型是否平稳为什么 得 分 得 分