下载文档原格式
《时间序列分析》课程教学大纲Time Series Analysis课程代码：课程性质：专业基础理论课/必修适用专业：统计开课学期：6总学时数：56 总学分数：3.5编写年月：2007.5 修订年月：2007.7执笔：涂钰青一、课程的性质和目的本课程是经济学中较新的、较重要的分支，主要对依时间次序观测的数据进行统计分析。
近几年随着计算机的普及发展，时间序列分析在许多领域都得到较好的应用，特别是在金融领域的应用也日益突出。
学好时间序列分析已成为对金融工程专业学生的基本要求，同时也为他们今后的工作打好基础。
通过该门课程的学习，要求学生能较深刻地理解时间序列的基本理论、思想和方法，掌握时间序列分析中水平指标和速度指标的计算，并根据时间序列用最小平方法配合趋势方程用以预测未来。
并能应用于解决实践中遇到的问题，从而提高学生的数理金融素质，加强学生开展数学科研工作和解决实际问题金融的能力，掌握用时间序列模型进行基本实证分析的方法。
二、课程教学内容及学时分配本课程主干内容包括：时间序列概述、时间序列的水平分析、时间序列的速度分析、时间序列的长期趋势分析和季节变动与循环变动的测定。
第一章时间序列概述(8学时)本章内容：时间序列的概念及构成，时间序列的种类（绝对数时间序列、相对数时间序列、平均数时间序列），时间序列的编制原则（时间长短要统一、总体范围要一致、指标的经济内容应统一、各指标的计算方法、计算价格、计量单位都应统一）本章要求1. 了解时间序列的概念及构成；2. 了解绝对数时间序列、相对数时间序列和平均数时间序列；3. 了解时间序列的编制原则。
第二章时间序列的水平分析(12学时)本章内容：发展水平，平均发展水平的概念，序时平均数的计算（根据绝对数时间序列计算、根据相对数时间序列计算、根据平均数时间序列计算），增减量（逐期增减量、累计增减量）平均增减量（水平法、累计法）本章要求1. 了解时间序列的发展水平；2. 了解时间序列平均发展水平的概念；3. 理解序时平均数的计算，掌握根据绝对数时间序列计算、根据相对数时间序列计算和根据平均数时间序列计算；4. 理解逐期增减量和累计增减量；5. 理解平均增减量的水平法和累计法。
《时间序列分析》课程教学大纲一、课程基本信息二、课程教学目标本课程的目的是使学生掌握时间序列分析的基本理论和方法，让学生借助计算机的存储功能和计算功能来抽象掉其深奥的数学理论和复杂的运算，通过建模练习来掌握时间序列分析的基本思路和方法。
第一，通过这门课程的学习，培养学生对分析方法的理解，使学生初步掌握分析随机数据序列的基本思路和方法。
第二，通过这门课程的学习，使得学生能够运用时间序列分析知识和理论去分析、解决实际问题。
第三，通过这门课程的学习，提高学生利用时间序列的基本思想来处理实际问题，为后续学习打下方法论基础。
三、教学学时分配《时间序列分析》课程理论教学学时分配表《时间序列分析》课程实验内容设置与教学要求一览表四、教学内容和教学要求第一章时间序列分析简介（学时4）（一）教学要求通过本章内容的学习，了解时间序列的定义，理解时间序列的常用分析方法，掌握随机过程、平稳随机过程、非平稳随机过程、自相关基本概念。
（二）教学重点与难点教学重点：时间序列的相关概念。
教学难点：随机过程、系统自相关性。
（三）教学内容第一节引言第二节时间序列的定义（拟采用慕课或翻转课堂）第三节时间序列分析方法1．描述性时序分析2．统计时序分析第四节时间序列分析软件第五节上机指导1．创建时间序列数据集2．时间序列数据集的处理本章习题要点：1、基本概念和特征；2、软件基本操作。
第二章时间序列的预处理（学时6）（拟采用慕课或翻转课堂）（一）教学要求通过本章内容的学习，了解平稳时间序列的定义，理解平稳性和随机性检验的原理，掌握平稳性和随机性检验的方法。
（二）教学重点与难点教学重点：平稳时间序列的定义及统计性质。
教学难点：时间序列的相关统计量。
（三）教学内容第一节平稳性检验1．特征统计量2．平稳时间序列的定义3．平稳时间序列的统计性质4．平稳时间序列的意义5．平稳性的检验第二节纯随机性检验1．纯随机序列的定义2．白噪声序列的性质3．纯随机性的检验第二节上机指导1．绘制时序图2．平稳性与纯随机性检验本章习题要点：1、绘制给定时间序列的相关图；2、计算给定时间序列的相关统计量；3、检验序列的平稳性及纯随机性。
《时间序列分析》课程教学大纲课程编号：33330775课程名称：时间序列分析课程基本情况：1．学分：3 学时：51学时（课内学时：45 课内实验：6）2．课程性质：专业必修课3．适用专业：统计学适用对象：本科4.先修课程：概率论、数理统计、随机过程5．首选教材：王燕：《应用时间序列分析》，中国人民大学出版社，2008出版。
备选教材：王振龙等编著：《时间序列分析》，中国统计出版社，2000年。
6．考核形式：闭卷考试7．教学环境：多媒体教室及实验室一、教学目的与要求本课程是数理统计学的一个重要分支，先期需完成的课程有概率论、随机过程。
通过本课程的学习，使学生掌握时间序列数据的分析方法，包括时间序列简介、平稳时间序列分析、时间序列分解、非平稳序列的随机分析、多元时间序列分析。
利用Eviews软件进行本课程的实验教学。
二、教学内容及学时分配课程内容及学时分配表三、教学内容安排第一章时间序列分析简介【教学目的】1、了解时间序列的定义及常用分析方法；2、掌握时间序列的几个基本概念：随机过程、平稳随机过程、非平稳随机过程、自相关、记忆性。
【教学重点】时间序列的相关概念。
【教学难点】随机过程、系统自相关性。
【教学方法】课堂讲授【教学内容】第一节时间序列的定义第二节时间序列分析方法第三节时间序列分析软件EVIEWS简介第二章时间序列的预处理【教学目的】1、掌握平稳性检验的原理和方法；2、掌握纯随机性检验的原理和方法。
【教学重点】平稳时间序列的定义及统计性质。
【教学难点】时间序列的相关统计量。
【教学方法】课堂讲授【教学内容】第一节平稳性检验一、特征统计量二、平稳时间序列的定义三、平稳时间序列的统计性质四、平稳时间序列的意义五、平稳时间序列的检验第二节纯随机性检验一、纯随机序列的定义二、白噪声序列的定义三、纯随机性检验第三章平稳时间序列序列分析【教学目的】1、理解ARMA模型的定义及性质。
2、掌握平稳序列建模方法。
3、掌握平稳时间序列的预测【教学重点】平稳时间序列建模【教学难点】模型识别，参数估计，序列预测【教学方法】课堂讲授与上机实验【教学内容】第一节方法性工具一、差分运算二、延迟算子三、线性差分方程第二节 ARMA模型的性质一、AR模型二、MA模型三、ARMA模型第三节平稳序列建模一、建模步骤二、样本自相关系数与偏相关系数三、模型识别四、参数估计五、模型检验六、模型优化第四节序列预测一、线性预测函数二、预测方差最小原则三、线性最小方差预测的性质四、修正预测第四章非平稳序列的确定性分析【教学目的】1、理解时间序列的分解原理。
第一章习题答案略第二章习题答案2.1答案：（1）不平稳，有典型线性趋势（2）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答案：（1）不平稳（2）延迟1-24阶自相关系数（3）自相关图呈现典型的长期趋势与周期并存的特征2.3答案：（1）1-24阶自相关系数（2）平稳序列（3）非白噪声序列2.4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（2）差分后序列为平稳非白噪声序列2.7答案（1）时序图和自相关图显示该序列有趋势特征，所以图识别为非平稳序列。
（2）单位根检验显示带漂移项0阶延迟的P值小于0.05，所以基于adf检验可以认为该序列平稳（3）如果使用adf检验结果，认为该序列平稳，则白噪声检验显示该序列为非白噪声序列如果使用图识别认为该序列非平稳，那么一阶差分后序列为平稳非白噪声序列2.8答案（1）时序图和自相关图都显示典型的趋势序列特征（2）单位根检验显示该序列可以认为是平稳序列（带漂移项一阶滞后P值小于0.05）（3）一阶差分后序列平稳第三章习题答案 3.10101()0110.7t E x φφ===--（） 221112() 1.96110.7t Var x φ===--（） 22213=0.70.49ρφ==（）12122221110.490.7=0110.71ρρρφρρ-==-（4） 3.21111222211212(2)7=0.515111=0.30.515AR φφφρφφφρφρφφφ⎧⎧⎧=⎪=⎪⎪⎪--⇒⇒⎨⎨⎨⎪⎪⎪=+=+⎩⎩⎪⎩模型有：,2115φ=3.312012(1)(10.5)(10.3)0.80.15()01t t t t t tt B B x x x x E x εεφφφ----=⇔=-+==--,22121212()(1)(1)(1)10.15=(10.15)(10.80.15)(10.80.15)1.98t Var x φφφφφφ-=+--+-+--+++=（）1122112312210.83=0.70110.150.80.70.150.410.80.410.150.70.22φρφρφρφρφρφρ==-+=+=⨯-==+=⨯-⨯=（） 1112223340.70.15=0φρφφφ====-（）3.41211110011AR c c c c c ⎧<-<<⎧⎪⇒⇒-<<⎨⎨<±<⎪⎩⎩（） （）模型的平稳条件是 1121,21,2k k k c c k ρρρρ--⎧=⎪-⎨⎪=+≥⎩（） 3.5证明:该序列的特征方程为：320c c λλλ--+=，解该特征方程得三个特征根：11λ=，2λ=3λ=无论c 取什么值，该方程都有一个特征根在单位圆上，所以该序列一定是非平稳序列。
我们发现，输出响应与前表中的情况一样。
这就是说，作褶积运算时固定或移动那一个数组是没有关系的。
一旦设计好滤波算子，就不难把它应用于输入时间序列。
下面对时间域中滤波器的设计和应用给予全面的概括：左边流程图描述的带通滤波器在时间域中的应用与在频率域中的应用产生的结果相同。
在实践中，时间域运算比较方便，因为仅包含滤波因子这类的短数组的褶积比做傅氏变换容易。
这些滤波过程蕴含着时间序列分析中的一个非常重要的概念。
滤波过程可以看成是滤波器振幅谱与输入的时间序列的振幅谱相乘；或是滤波因子与输入时间序列的褶积运算。
所以：时间域的褶积相当于频率域的乘积；同样，频率域的褶积相当于时间域的乘积。
由多次覆盖给出的地震数据具有重复性，这是CMP道集固有的特点，为了提高信噪比，我们很需要这种重复性。
在CMP道集中记录道都是“相似的”，它们都包含着共同的地下信息。
我们只是说它们是相似的，但不是相同的，实际上也不可能完全相同。
因为与每个CMP记录道有关的射线路径是不同的，并存在着静态时移。
两道记录何以能相类似呢？我们试举一个简单的例子：子波1：(2，1，－1，0，0)子波2：(0，0，2，1，－1)这两个子波的形状相同，但第2个子波相对于第1个子波时移了两个样点。
我们应该能够确定一个时间延迟，在这个延迟上，它们有最大的相似。
让我们将子波1和子波2的逆形式作褶积。
这个过程就是所谓的互相关，这是两个时间序列相似程度的一个量度，时间序列与其自身作互相关称之为自相关，即2 1 -1 0 0 输出延迟0 0 2 1 –1 -2 -40 0 2 1 –1 1 -30 0 2 1 –1 6 -20 0 2 1 –1 1 -10 0 2 1 –1 -2 00 0 2 1 –1 0 10 0 2 1 –1 0 20 0 2 1 –1 0 30 0 2 1 –1 0 4延迟-2时出现相关极大值。
这表明如果把子波2沿时间轴向回移动2个样点，那么这两个子波具有最大的相似性。
学习使用Excel进行时间序列分析和预测建模时间序列分析和预测建模是一项重要的统计分析技术，在各个领域都得到了广泛应用。
本文将详细介绍如何使用Excel进行时间序列分析和预测建模。
第一章：时间序列分析基础时间序列是一系列按照时间顺序排列的数据点组成的序列。
时间序列分析的目标是找出数据中隐含的各种模式和趋势，并借此进行预测。
在Excel中，我们可以使用以下几种方法进行时间序列分析。
1.1 绘制时间序列图首先，我们需要将时间序列数据导入Excel，并将其按照时间顺序排列。
然后，选中数据并在插入菜单中选择“散点图”或“折线图”来绘制时间序列图。
通过观察时间序列图，我们可以初步了解数据的趋势和季节性变化。
1.2 计算平均值和标准差平均值和标准差是时间序列分析中常用的描述性统计量，可帮助我们了解数据的集中趋势和变异程度。
在Excel中，可以使用“AVERAGE”函数和“STDEV”函数来计算平均值和标准差。
第二章：时间序列分析方法在时间序列分析中，我们通常使用移动平均法和指数平滑法来找出数据中的趋势和季节性变化。
2.1 移动平均法移动平均法是一种简单的平滑方法，可以帮助我们过滤掉数据中的随机波动，突出数据的趋势。
在Excel中，可以使用“AVERAGE”函数和“OFFSET”函数来计算移动平均值，并将其绘制在时间序列图上。
2.2 指数平滑法指数平滑法通过对过去观察到的数据进行加权平均来预测未来的趋势。
在Excel中，可以使用“EXPONENTIAL”函数进行指数平滑，并将平滑后的趋势线与原始数据绘制在时间序列图上。
第三章：时间序列预测建模时间序列预测建模是基于历史数据来预测未来的趋势和模式。
在Excel中，我们可以使用线性回归模型和ARIMA模型进行时间序列预测建模。
3.1 线性回归模型线性回归模型通过拟合历史数据的线性趋势来进行未来的预测。
在Excel中，我们可以使用“TREND”函数来计算线性趋势，并将其绘制在时间序列图上。
【分享】应用时间序列分析课后答案在学习应用时间序列分析这门课程时，课后答案对于我们巩固知识、检验学习成果以及发现自身的不足之处都具有重要的意义。
下面，我将为大家分享一下这门课程的课后答案，并结合答案对一些重点和难点问题进行分析和讲解。
首先，让我们来看看第一章的课后答案。
第一章主要介绍了时间序列分析的基本概念和方法，包括时间序列的定义、分类以及平稳性的概念等。
在课后习题中，有这样一道题：“请解释什么是时间序列，并举例说明。
”答案是：“时间序列是按时间顺序排列的一组数据。
例如，某地区每天的气温记录、股票市场每天的收盘价、某工厂每月的产量等都是时间序列。
”通过这道题，我们可以更清晰地理解时间序列的概念，并且能够将其与实际生活中的例子相结合，加深对知识的理解。
另一道题是：“判断一个时间序列是否平稳的方法有哪些？”答案为：“常见的方法有观察序列的均值、方差是否随时间变化；自相关函数是否只与时间间隔有关，而与时间起点无关等。
”这道题帮助我们掌握了判断时间序列平稳性的关键要点。
第二章主要讲解了时间序列的模型，如 AR 模型、MA 模型和ARMA 模型等。
比如，有这样一道习题：“请简述 AR(1)模型的表达式和特点。
”答案是：“AR(1)模型的表达式为 Xt ＝φXt-1 ＋εt，其中φ 为自回归系数，εt 为白噪声。
其特点是当前值主要由前一期的值和随机扰动项决定。
”通过这个答案，我们能够明确 AR(1)模型的数学形式和基本特征。
还有一道题是：“比较 AR 模型和 MA 模型的异同。
”答案从模型的表达式、参数含义、适用情况等方面进行了详细的比较，让我们对这两种模型有了更全面的认识。
第三章涉及时间序列的预测方法。
像“简述时间序列预测的基本步骤”这道题，答案是：“首先对时间序列进行平稳性检验和预处理；然后选择合适的模型进行拟合；接着对模型进行参数估计和诊断检验；最后利用模型进行预测。
”这个答案为我们提供了一个清晰的预测流程框架。
