下载文档原格式
eviews时间序列一阶自相关检验命令在EViews中，我们可以使用AR（p）模型来进行时间序列的一阶自相关检验。
AR（p）模型表示自回归模型，其中p表示阶数。
一阶自相关检验是用来确定时间序列数据是否存在自相关性。
自相关是指序列中一个值与其在时间上前一时刻的值之间的相关性。
在时间序列分析中，我们希望序列的值是彼此相互独立的，因此自相关性可能会影响我们对序列的分析和预测。
在EViews中，可以通过以下步骤来进行一阶自相关检验：1.打开EViews软件并导入时间序列数据。
2.在EViews主菜单中选择“Quick/Estimate Equation”（快速估计方程）。
3.在“Equation Specification”（方程规范）对话框中，输入要估计的模型。
例如，如果要进行一阶自相关检验，则可以输入模型“y c ar(1)”。
- “y”表示被解释变量。
- “c”表示常数项。
- “ar(1)”表示自回归项，其中1表示阶数。
4.单击“OK”按钮以估计模型。
5.将结果显示为估计方程的系数，t统计量，R-squared（R平方值）等。
在估计方程后，EViews将为我们提供一阶自相关检验的结果。
重要的统计值包括Jarque-Bera（JB）统计量、ARCH LM检验、DW统计量等。
- Jarque-Bera（JB）统计量是用来检验数据是否服从正态分布。
如果JB统计量的p值小于0.05，则我们可以拒绝原假设，即数据不服从正态分布。
- ARCH LM检验旨在检验序列中是否存在异方差性。
如果ARCH LM 统计量的p值小于0.05，则我们可以拒绝原假设，即序列中存在异方差性。
- Durbin-Watson（DW）统计量是用来检验序列的自相关性。
DW统计量的值介于0和4之间，如果DW值接近于2，则表示序列不存在一阶自相关。
除了上述统计量之外，EViews还提供了其他有关模型估计的信息，包括系数的标准误差、置信区间、F统计量和R平方等。
1.打开EVIEWS新建一个工作文件，步骤如下：
出现如下对话框，选择数据频率为季度，开始日期为1989年1季度，结束日期为2004年4季度，即为工作文件的范围区间。
点击ok生成工作文件
2.若要改变工作文件的范围区间，双击Range,出现如下对话框
3.利用命令series 生成时间序列gdp
点击Edit+/-改变数据的编辑状态，打开EXCEL文件将数据复制粘贴到数据区域，查看数据序列的折线图，步骤如下：
结果：
从图中可看出时间序列有明显的季节波动。
4.对gdp序列进行描述统计分析：
5.对原GDP数据进行季节调整，调整后时间序列存为GDP_SA
6.做出折线图：
由图知序列受季节影响程度变小。
7.进行单位根检验，结果如下：
计算自相关函数和偏相关函数如下：
9.利用方程建立ARMA(3,3)模型
10.建立组，包括gdp gdp_sa dgdp
建组后展示如下：
11.将建组后的收据以EXCEL格式输出：
点击ok即可。
如何用eviews分析时间序列课程时间序列分析是一种常用的数据分析方法，通过对一系列时间上连续测量的数据进行观察、描述和分析，可以发现其中的规律和趋势，从而预测未来的发展走势。
Eviews是一种专业的时间序列分析软件，具有强大的数据处理和统计分析功能。
本文将介绍如何使用Eviews进行时间序列分析。
首先，打开Eviews软件，并导入需要分析的时间序列数据。
在Eviews的工作区中，选择“File”菜单下的“Open”选项，然后选择需要导入的数据文件，点击“Open”按钮导入数据。
导入数据后，可以在Eviews的对象浏览器中看到导入的数据对象。
接下来，对时间序列数据进行初步的观察和描述分析。
在对象浏览器中，选择需要分析的数据对象，右键点击并选择“Open as Group”选项，将数据对象打开为一个分析组。
然后，在Eviews的对象浏览器中，选择分析组，在右侧窗口中可以看到该组中包含的所有时间序列数据。
可以通过列出每个时间序列的统计概要、绘制时间序列图、查看自相关和偏自相关等方式对数据进行初步的观察和描述分析。
接下来，进行时间序列模型的构建和估计。
在Eviews的操作菜单中，选择“Quick”菜单下的“Estimate Equation”选项，打开方程估计窗口。
在方程估计窗口中，选择需要构建的时间序列模型类型，如AR、MA、ARMA等。
然后，在“Dependent Variable”栏目中选择需要分析的时间序列数据，将其作为因变量。
在“Independent Variables”栏目中选择需要作为自变量的时间序列数据，可以根据需求选择多个自变量。
点击“OK”按钮，Eviews将根据所选择的时间序列模型类型和数据进行模型的估计。
估计完成后，可以查看估计结果。
在方程估计窗口中，可以看到估计结果的统计指标、系数估计值、显著性水平等信息。
可以根据需要查看和分析各个系数的显著性水平、置信区间等信息，判断模型的有效性和可靠性。
实验一EVIEWS中时间的序列相关函数操作
1、单变量时间序列相关函数
（1）AutoReg（自回归）：自回归模型（也称为自动过程）是一种统计模型，可以用来研究一个变量与它自身以前的值之间的关系。
它可以被用来描述任何由这种类型的非平稳的随机过程生成的数据。
（2）CrossCorr（互相关）：互相关函数是对两个时间序列之间的相关性进行评估的方式。
它采用两个时间序列中的观测，计算它们之间的相关性，并返回一个相关系数值，表明它们之间的相关关系。
（4）MA：移动平均函数是一种从一组数据中提取出其基本趋势的有效方法。
它通过计算一组数据的平均值来应用，然后根据当前值来计算其他值。
在EViews中，移动平均函数可以使用MA函数来计算。
2、多变量时间序列相关函数
（1）VAR：VAR是短期预测的一种重要方法。
它的主要思想是，未来的值可以由当前的值以及过去的值来预测。
它可以用来检测多个变量之间的相关性，反应不同变量间的影响关系。
在EViews中，可以使用VAR函数来计算多变量时间序列之间的相关性。
实验一ARMA 模型建模一、实验目的学会检验序列平稳性、随机性。
学会分析时序图与自相关图。
学会利用最小二乘法等方法对ARMA 模型进行估计，以及掌握利用ARMA 模型进行预测的方法。
学会运用Eviews 软件进行ARMA 模型的识别、诊断、估计和预测和相关具体操作。
二、基本概念 1 平稳时间序列：定义：时间序列{zt}是平稳的。
如果{zt}有有穷的二阶中心矩，而且满足：（a ）ut= Ezt =c;（b ）r(t,s) = E[(zt-c)(zs-c)] = r(t-s,0) 则称{zt}是平稳的。
2 AR 模型：AR 模型也称为自回归模型。
它的预测方式是通过过去的观测值和现在的干扰值的线性组合预测。
具有如下结构的模型称为P 阶自回归模型，简记为AR(P)。
⎪⎪⎪⎪⎨⎧<∀=≠===≠+++++=---ts Ex t s E Var E x x x x t s s t t t p t p t p t t t ,0,0)(,)(，0)(0222110εεεσεεφεφφφφε3 MA 模型：MA 模型也称为滑动平均模型。
它的预测方式是通过过去的干扰值和现在的干扰值的线性组合预测。
具有如下结构的模型称为Q 阶移动平均回归模型，简记为MA(q)。
4 ARMA 模型：ARMA 模型：自回归模型和滑动平均模型的组合， 便构成了用于描述平稳随机过程的自回归滑动平均模型ARMA 。
具有如下结构的模型称为自回归移动平均回归模型，简记为ARMA(p,q)。
112220()0(),()0,t t t t q t q q t t t s x E Var E s t εμεθεθεθεθεεσεε---⎧=+----⎪≠⎨⎪===≠⎩，⎪⎪⎪⎪⎨⎧<∀=≠===≠≠---++++=----ts Ex t s E Var E x x x t s s t t t q p q t q t t p t p t t ,0,0)(,)(，0)(0，0211110εεεσεεθφεθεθεφφφε三、实验内容及要求 1 实验内容：（1）根据时序图判断序列的平稳性；（2）观察相关图，初步确定移动平均阶数q 和自回归阶数p ；2 实验要求：（1）深刻理解平稳性的要求以及ARMA 模型的建模思想；（2）如何通过观察自相关，偏自相关系数及其图形，利用最小二乘法，以及信息准则建立合适的ARMA 模型；如何利用ARMA 模型进行预测；（3）熟练掌握相关Eviews 操作，读懂模型参数估计结果。
应用时间序列分析实验手册AHA12GAGGAGAGGAFFFFAFAF目录目录 (2)第二章时间序列的预处理 (3)一、平稳性检验 (3)二、纯随机性检验 (9)第三章平稳时间序列建模实验教程 (10)一、模型识别 (10)二、模型参数估计（如何判断拟合的模型以及结果写法） (13)三、模型的显著性检验 (17)四、模型优化 (18)第四章非平稳时间序列的确定性分析 (19)一、趋势分析 (19)二、季节效应分析 (34)三、综合分析 (38)第五章非平稳序列的随机分析 (44)一、差分法提取确定性信息 (44)AHA12GAGGAGAGGAFFFFAFAF二、ARIMA模型 (58)三、季节模型 (62)AHA12GAGGAGAGGAFFFFAFAF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2.1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AHA12GAGGAGAGGAFFFFAFAF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AHA12GAGGAGAGGAFFFFAFAF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AHA12GAGGAGAGGAFFFFAFAFAHA12GAGGAGAGGAFFFFAFAFAHA12GAGGAGAGGAFFFFAFAF图1：绘制散点图图2：年份和产出的散点图 010020030040050060019601970198019902000YEAR O U T P U T图3：年份和产出的散点图（二）自相关图检验例2.3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。
1.打开eviews软件，点击file-new-workfile，见对话框又三块空白处，选择时间序列dated-regular frequency。
在date specification中选择monthly，start（起始时间）输入2005M11，end（终止时间）输入2008M6（eviews的时间序列没有间隔序列输入就将时间进行调整）。
右下角为工作间取名字tmd。
点击ok。
在所创建的workfile中点击object-new object，选择series，以及填写名字tmd，点击OK。
将数据填写入内就生成了以tmd为名的数据集2. 点击view-United root test，test type选择ADF检验，滞后阶数中lag length 选择SIC检验，点击ok得结果如下：一阶差分：点击GENR命令按钮，在输入框中输入bod1=D(bod)，得到一阶差分后的结果：再对一阶差分后的数据同样进行平稳性检验（单根值检验）ADF序列零均值化①在命令窗口输入如下命令（如下图所示）：Scalar m=@mean(tmd)其中：Scalar命令在Eviews中表示生成标量数据（均值只是一个数，而不是序列）。
在tmd窗口下选择菜单操作方式：单击Genr在对话框中输入BOD1=BOD-m得到零均值后的新序列tmd1与之前的数据完全不同。
3. 在工作区双击序列图标tmd1，再选用菜单操作方式：View—>Correlogram，在出现的对话框点击OK。
4.估计模型中的未知参数识别透明度这组时间序列适合的模型后，需要进一步的估计模型中的具体参数，下面就用eviews软件进行估计。
由前面的图形看出：自相关系数和偏相关系数具有相似的衰减特点：衰减快，偏相关图中，2阶以后函数值趋于0，呈截尾性选AR(2)；而在自相关图中，在4阶以后函数值趋于0，呈拖尾性，因此可将q取3故可选MA(3)模型。
利用菜单操作建立ARMA模型。
学习使用Eviews进行经济统计和时间序列分析第一章介绍EviewsEviews是经济学家和统计学家常用的一款软件，它提供了丰富的数据分析工具和计量经济模型。
在这一章节中，我们将介绍Eviews的简介和安装。
1.1 Eviews简介Eviews是美国IHS Markit公司开发的一款计量经济学软件，它具有直观的用户界面和强大的数据分析能力。
Eviews支持数据导入、数据整理、图表绘制、回归分析、时间序列分析等功能，广泛应用于经济学研究、金融分析和市场预测等领域。
1.2 Eviews安装要使用Eviews，我们需要先下载并安装软件。
Eviews提供了Windows和Mac版本的安装程序，用户可以根据自己的操作系统选择相应的版本。
安装完成后，我们可以打开Eviews并开始学习如何使用它进行经济统计和时间序列分析。
第二章数据导入和整理在使用Eviews进行经济统计和时间序列分析之前，我们首先需要将数据导入到软件中并进行整理。
本章节将介绍如何导入和整理数据。
2.1 导入数据Eviews支持多种数据格式的导入，包括Excel、CSV、文本文件等。
我们可以使用Eviews内置的导入工具，或者通过复制粘贴的方式将数据导入到软件中。
2.2 数据整理导入数据后，我们可能需要对数据进行整理，以便于后续的分析和建模。
在Eviews中，我们可以使用浏览对象窗口对数据进行编辑、删除、排序等操作。
此外，Eviews还提供了数据转换功能，例如对数据进行差分、平滑等处理。
第三章图表绘制图表是展示数据和分析结果的重要工具，在经济统计和时间序列分析中起着至关重要的作用。
本章节将介绍Eviews的图表绘制功能。
3.1 绘制时间序列图在Eviews中，我们可以轻松地绘制时间序列图来展示数据的趋势和变化。
通过选择合适的数据、设置坐标轴和图例，我们可以创建具有较好可读性和美观性的时间序列图。
3.2 绘制散点图和回归直线除了时间序列图，Eviews还支持绘制散点图和回归直线。
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。
EVIEWS时间序列实验指导(上机操作说明)时间序列分析实验指导42-2-450100150200250NRND数学与统计学院目录实验一 EVIEWS中时间序列相关函数操作···························- 1 - 实验二确定性时间序列建模方法 ····································- 8 - 实验三时间序列随机性和平稳性检验 ···························· - 18 - 实验四时间序列季节性、可逆性检验 ···························· - 21 - 实验五 ARMA模型的建立、识别、检验···························· - 27 - 实验六 ARMA模型的诊断性检验····································· - 30 - 实验七 ARMA模型的预测·············································· - 31 - 实验八复习ARMA建模过程·········································· - 34 - 实验九时间序列非平稳性检验 ····································· - 37 -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。
应用时间序列分析实验手册目录目录 (2)第二章时间序列的预处理 (3)一、平稳性检验 (3)二、纯随机性检验 (9)第三章平稳时间序列建模实验教程 (10)一、模型识别 (10)二、模型参数估计（如何判断拟合的模型以及结果写法） (14)三、模型的显著性检验 (17)四、模型优化 (18)第四章非平稳时间序列的确定性分析 (19)一、趋势分析 (19)二、季节效应分析 (34)三、综合分析 (38)第五章非平稳序列的随机分析 (44)一、差分法提取确定性信息 (44)二、ARIMA模型 (57)三、季节模型 (62)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2.1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2.3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%的显著性水平,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距项图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=-0.016384都大于EVIEWS给出的显著性水平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2.3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。
但序列由显著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著大于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 tP2q2t X t q 2t X tP2t 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，看参数显著性，该例中两个参数都显著。
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t B 703332.01132034.81tx AR ε-+=模型：三、模型的显著性检验检验内容：整个模型对信息的提取是否充分；参数的显著性检验，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 都没有显著异于零，Q 统计量的P 值都远远大于0.05，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，参数显著；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著的，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著，不符合精简原则，不必进行深入判断。
)(2)ˆln(2未知参数个数+=εσn AIC ))(ln()ˆln(2未知参数n n SBC +=εσ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，如显著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）进行线性回归分析可以看出回归参数显著，模型显著，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1991.1-2001.10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的系数不显著，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0.53，超过0.5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0.134，平均差为4.067708，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。
