下载文档原格式
时间序列分析实验指导42-2-450100150200250统计与应用数学学院前言随着计算机技术的飞跃发展以及应用软件的普及，对高等院校的实验教学提出了越来越高的要求。
为实现教育思想与教学理念的不断更新，在教学中必须注重对大学生动手能力的培训和创新思维的培养，注重学生知识、能力、素质的综合协调发展。
为此，我们组织统计与应用数学学院的部分教师编写了系列实验教学指导书。
这套实验教学指导书具有以下特点：①理论与实践相结合，书中的大量经济案例紧密联系我国的经济发展实际，有利于提高学生分析问题解决问题的能力。
②理论教学与应用软件相结合，我们根据不同的课程分别介绍了SPSS、SAS、MATLAB、EVIEWS等软件的使用方法，有利于提高学生建立数学模型并能正确求解的能力。
这套实验教学指导书在编写的过程中始终得到财经大学教务处、实验室管理处以及统计与应用数学学院的关心、帮助和大力支持，对此我们表示衷心的感！限于我们的水平，欢迎各方面对教材存在的错误和不当之处予以批评指正。
统计与数学模型分析实验中心 2007年2月目录实验一 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。
时间序列分析实例研究报告实例研究背景：某大城市的人口数量变化首先，我们选取了某大城市的人口数量变化作为实例进行分析，以了解该城市的人口发展趋势和变化规律。
1. 数据收集和观察我们首先收集了过去十年该城市每年的人口数据，从2009年到2019年的数据。
通过观察这些数据，我们可以初步了解人口数量的增减情况。
2. 数据预处理在进行时间序列分析之前，需要对数据进行预处理。
首先，我们要检查数据是否存在异常值或缺失值，并进行处理。
其次，我们要对数据进行平滑处理，以减少异常波动对分析结果的影响。
常见的平滑方法有均值平滑和移动平均法。
3. 时间序列分解接下来，我们使用时间序列分解方法，将人口数据分解为趋势、季节和随机成分。
- 趋势分析：通过一系列统计方法，了解人口数量的长期变化趋势。
可以使用简单平均法或线性回归模型等方法。
- 季节分析：通过统计周期性规律，了解人口数量的季节性变化。
可以使用季节指数法或移动平均法等方法。
- 随机分析：通过统计残差项，了解人口数量的随机波动情况。
可以使用ARIMA模型等方法。
4. 模型拟合和预测在分析了趋势、季节和随机成分之后，我们可以选择适当的模型进行拟合和预测。
- 趋势预测：可以根据趋势分析的结果选择合适的趋势预测模型，如线性趋势模型、指数平滑模型等。
- 季节预测：可以根据季节性分析的结果选择合适的季节预测模型，如季节指数法、季节ARIMA模型等。
- 随机预测：可以使用时间序列模型进行随机成分的预测，如ARIMA模型等。
5. 模型评估和调整在完成模型拟合和预测后，我们需要对模型进行评估和调整，以提高模型的准确性和可靠性。
常见的评估指标有均方误差、平均绝对误差等。
如果模型评估结果不理想，需要调整模型参数或选择其他模型进行尝试。
6. 结果分析和讨论最后，我们对时间序列分析的结果进行分析和讨论。
通过对人口数量的趋势、季节和随机成分的分析，我们可以对该城市的人口发展趋势和变化规律进行深入理解。
《时间序列分析》课程实验报告一、上机练习（P124）1.拟合线性趋势程序：data xiti1;input x@@;t=_n_;cards;;proc gplot data=xiti1;plot x*t;symbol c=red v=star i=join;run;proc autoreg data=xiti1;model x=t;output predicted=xhat out=out;run;proc gplot data=out;plot x*t=1 xhat*t=2/overlay;symbol2c=green v=star i=join;run;运行结果：分析：上图为该序列的时序图，可以看出其具有明显的线性递增趋势，故使用线性模型进行拟合：x t=a+bt+I t,t=1,2,3,…,12分析：上图为拟合模型的参数估计值，其中a=,b=，它们的检验P值均小于，即小于显著性水平，拒绝原假设，故其参数均显著。
从而所拟合模型为：x t=+.分析：上图中绿色的线段为线性趋势拟合线，可以看出其与原数据基本吻合。
2.拟合非线性趋势程序：data xiti2;input x@@;t=_n_;cards;;proc gplot data=xiti2;plot x*t;symbol c=red v=star i=none;run;proc nlin method=gauss;model x=a*b**t;parameters a= b=;=b**t;=a*t*b**(t-1);output predicted=xh out=out;run;proc gplot data=out;plot x*t=1 xh*t=2/overlay;symbol2c=green v=none i=join;run;运行结果：分析：上图为该时间序列的时序图，可以很明显的看出其基本是呈指数函数趋势慢慢递增的，故我们可以选择指数型模型进行非线性拟合：x t=ab t+I t,t=1,2,3,…,12分析：由上图可得该拟合模型为：x t=*+I t分析：图中的红色星号为原序列值，绿色的曲线为拟合后的拟合曲线，可以看出原序列值与拟合值基本上是重合的，故该拟合效果是很好的。
引言概述：
时间序列分析是一种用于研究时间数据的统计方法，主要关注数据随时间的变化趋势、季节性和周期性等特征。
时间序列分析应用广泛，可以用于金融预测、经济分析、气象预测等领域。
本实验报告旨在介绍时间序列分析的基本概念和方法，并通过实例分析来展示其应用。
正文内容：
1.时间序列分析基本概念
1.1时间序列的定义
1.2时间序列的模式
1.3时间序列分析的目的
2.时间序列分析方法
2.1随机游走模型
2.2移动平均模型
2.3自回归移动平均模型
2.4季节性模型
2.5ARCH和GARCH模型
3.时间序列数据预处理
3.1数据平稳性检验
3.2数据平滑
3.3缺失值填补
3.4离群值检测
3.5数据变换
4.时间序列模型建立与评估
4.1模型的选择
4.2参数估计
4.3拟合优度检验
4.4模型诊断
4.5预测准确性评估
5.实例分析：某公司销售数据时间序列分析
5.1数据收集与预处理
5.2模型建立与评估
5.3预测分析与结果解释
5.4预测精度评估
5.5结果讨论与进一步改进方向
总结：
时间序列分析是一种重要的统计方法，可用于预测和分析时间相关的数据。
本报告介绍了时间序列分析的基本概念和方法，并通
过实例分析展示了其应用过程。
通过时间序列分析，可以更好地理解数据的趋势和周期性，并进行准确的预测。
时间序列分析也面临着多样的挑战，如数据质量问题和模型选择困难等。
因此，在实际应用中，需要综合考虑多种因素，灵活运用合适的方法和技巧，以提高预测准确性和分析可靠性。
时间序列分析报告时间序列分析报告一、引言时间序列分析是一种通过统计方法对按照时间顺序排列的数据进行分析和预测的方法。
时间序列数据广泛应用于金融、经济、气象、股票市场等领域。
本报告将以某公司销售数据为例，使用时间序列分析方法分析其销售趋势并进行未来销售预测。
二、数据收集和预处理数据集包含了某公司从2010年1月到2020年12月的销售数据。
首先，我们对数据进行预处理，包括消除季节性波动、删除离群值、平滑处理等。
在这一步骤中，我们使用了平均绝对偏差（MAD）和离散度指数（DPI）等统计量来评估数据的质量，并对异常数据进行剔除。
经过预处理后的数据可以更好地反映销售的趋势和周期性变化。
三、趋势分析为了分析销售的趋势，我们采用了两种常用的方法：移动平均法和线性趋势法。
移动平均法通过计算相邻时间段内销售数据的平均值，来平滑数据并识别出趋势。
线性趋势法采用最小二乘法来拟合数据，并通过拟合曲线来描述趋势的变化。
移动平均法的结果显示，销售数据整体呈现出增长趋势。
然而，使用线性趋势法的拟合曲线更能准确地描述趋势的变化情况。
根据线性趋势法的拟合结果，我们可以看到销售呈现出逐年递增的趋势。
四、季节性分析为了识别销售数据中的季节性变化，我们使用了季节性指数和自相关函数等工具。
季节性指数是用来衡量在某个时间段内销售数据相对于全年平均值的波动程度。
自相关函数可以用来分析销售数据在不同时间段之间的相关性。
根据季节性指数的计算结果，我们可以看到销售数据在年底有一个明显的增长期。
此外，自相关函数显示了销售数据在每年的同一时间段之间存在一定的相关性。
这些结果都表明销售数据具有明显的季节性变化。
五、预测模型为了进行未来销售预测，我们使用了时间序列分析中的ARIMA模型。
ARIMA模型可以用来描述时间序列数据的自相关性、趋势性和季节性变化，并生成未来的预测结果。
根据ARIMA模型的拟合结果，我们可以得到未来几个月的销售预测值。
预测结果显示销售数据将继续呈现增长趋势，并在每年的年底出现高峰。
时间序列分析——最经典的【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）时域分析⽅法原理：事件的发展通常都具有⼀定的惯性，这种惯性⽤统计的语⾔来描述就是序列值之间存在着⼀定的相关关系，这种相关关系通常具有某种统计规律。
时间序列分析实验报告一、实验目的时间序列分析是一种用于处理和分析随时间变化的数据的统计方法。
本次实验的主要目的是通过对给定的时间序列数据进行分析，掌握时间序列分析的基本方法和技术，包括数据预处理、模型选择、参数估计和预测，并评估模型的性能和准确性。
二、实验数据本次实验使用了一组某商品的月销售量数据，数据涵盖了过去两年的时间范围，共 24 个观测值。
数据的具体形式为一个时间序列，其中每个观测值表示该商品在相应月份的销售量。
三、实验方法1、数据预处理首先，对数据进行了可视化，绘制了时间序列图，以便直观地观察数据的趋势、季节性和随机性。
然后，对数据进行了平稳性检验。
采用了 ADF（Augmented DickeyFuller）检验来判断数据是否平稳。
如果数据不平稳，则需要进行差分处理，使其达到平稳状态。
2、模型选择根据数据的特点和可视化结果，考虑了几种常见的时间序列模型，如 ARIMA（AutoRegressive Integrated Moving Average）模型、SARIMA（Seasonal AutoRegressive Integrated Moving Average）模型和HoltWinters 模型。
通过对不同模型的参数进行估计，并比较它们在训练数据上的拟合效果和预测误差，选择了最适合的模型。
3、参数估计对于选定的模型，使用最大似然估计或最小二乘法等方法来估计模型的参数。
通过对参数的估计值进行分析，判断模型的合理性和稳定性。
4、预测使用估计得到的模型参数，对未来一段时间内的销售量进行预测。
为了评估预测的准确性，采用了均方根误差（RMSE）、平均绝对误差（MAE）等指标来衡量预测值与实际值之间的差异。
四、实验过程1、数据可视化通过绘制时间序列图，发现数据呈现出明显的季节性和上升趋势。
同时，数据的波动范围也较大，存在一定的随机性。
2、平稳性检验对原始数据进行 ADF 检验，结果表明数据是非平稳的。
时间序列分析课程报告概述时间序列分析是一种广泛应用于经济学、金融学、天气预报、工业生产等领域的方法，用于研究时间序列数据的规律性和预测未来趋势。
本报告将介绍时间序列分析的基本概念、常用方法以及实际应用。
时间序列数据的特点时间序列数据是按照时间顺序排列的一系列观测值的集合。
与传统的数据分析不同，时间序列数据具有以下几个特点：1.时间相关性：时间序列数据中的观测值之间存在时间上的相关性，前一时刻的观测值可能对后一时刻的观测值产生影响。
2.季节性：某些时间序列数据可能在特定的季节或时间周期内呈现出重复的模式或规律。
3.非平稳性：时间序列数据在统计意义上可能不满足平稳性假设，即均值和方差可能随时间变化。
时间序列分析的步骤时间序列分析通常包括以下几个步骤：1.数据收集和整理：获取时间序列数据，并进行清洗和整理，确保数据的准确性和完整性。
2.可视化和描述统计：通过绘制时间序列图、计算统计指标如均值、方差等来对数据进行初步分析，了解数据的基本特征。
3.模型拟合和参数估计：根据数据的特点选择合适的时间序列模型，并通过最大似然估计等方法估计模型的参数。
4.模型诊断和验证：检验拟合的模型是否满足假设条件，包括残差分析、模型诊断图、假设检验等。
5.预测和评估：使用拟合的模型进行未来趋势的预测，并对预测结果进行评估和调整。
常用的时间序列分析方法时间序列分析涉及许多方法和模型，常见的方法包括：•平稳性检验：通过对时间序列数据进行单位根检验，判断其是否满足平稳性假设。
•自相关函数(ACF)和偏自相关函数(PACF)：用于探索时间序列数据的自相关性和偏相关性，帮助确定合适的AR、MA模型阶数。
•自回归移动平均模型(ARMA)：是一种结合了自回归和移动平均的线性模型，用于拟合时间序列数据。
•季节性自回归移动平均模型(SARMA)：是ARMA模型在具有季节性的时间序列数据上的拓展，用于处理季节性数据。
•自回归积分移动平均模型(ARIMA)：是ARMA模型在经过差分处理后的数据上的拓展，用于处理非平稳时间序列数据。
时间序列分析报告时间序列分析报告一、引言时间序列分析是一种统计学方法，通过对时间序列数据的观察、建模和预测，来揭示变量之间的关系、趋势和周期性。
时间序列分析被广泛用于经济学、金融学、气象学等领域。
本文将对某个具体时间序列数据进行分析，包括数据的描述、图形展示、模型建立和预测等方面。
二、数据描述本文所选取的时间序列数据是某地区每月的气温数据，记录了该地气温的变化情况。
该数据集包括了从2010年到2020年的一百二十个月的数据，每个月有一个温度值。
数据集中温度的单位为摄氏度。
三、图形展示为了更直观地观察数据的变化情况，我们首先绘制了折线图。
如图1所示，横轴表示时间，纵轴表示温度。
通过折线图可以观察到温度的整体趋势以及可能存在的季节性变化。
图1 某地区每月气温折线图四、模型建立基于对数据的观察和图形展示，我们可以初步判断该时间序列具有一定的季节性和趋势性。
因此，在模型建立的过程中我们分别考虑了季节分解和趋势分析。
4.1 季节分解季节分解是将时间序列数据按照不同的季节进行分组，然后对每个季节的数据进行分析。
我们针对该时间序列数据进行了季节性分解，并得到了趋势项、季节项和随机项。
如图2所示，横轴表示时间，纵轴表示温度。
蓝色曲线表示原始数据，红色曲线表示趋势项，绿色曲线表示季节项，黄色曲线表示随机项。
通过季节分解我们可以更好地观察到温度变化的规律。
图2 季节分解图4.2 趋势分析针对该时间序列数据的趋势性，我们进行了线性趋势分析。
通过线性趋势分析，我们可以得到一个线性回归方程，来刻画温度随时间变化的趋势。
具体来说，我们计算了温度数据的时间趋势，以及趋势的显著性。
根据计算结果，可以得出温度随时间的变化呈现出显著的线性趋势。
五、预测在模型建立的基础上，我们根据过去的数据对未来的温度进行了预测。
具体来说，我们采用了滑动平均法和指数平滑法两种方法进行预测。
通过比较两种方法的预测结果，可以得出未来的温度可能处于一个稳定的状态，并且具有一定的季节性变化。
【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？标准文案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标准文案∙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∙原理：事件的发展通常都具有一定的惯性，这种惯性用统计的语言来描述就是序列值之间存在着一定的相关关系，这种相关关系通常具有某种统计规律。
∙目的：寻找出序列值之间相关关系的统计规律，并拟合出适当的数学模型来描述这种规律，进而利用这个拟合模型预测序列未来的走势∙特点：理论基础扎实，操作步骤规范，分析结果易于解释，是时间序列分析的主流方法楼主，说了半天，你终于到正题了，时域分析才是我们经常接触的，你赶紧说说怎么做吧？★时域分析方法的分析步骤：∙考察观察值序列的特征∙根据序列的特征选择适当的拟合模型∙根据序列的观察数据确定模型的口径∙检验模型，优化模型∙利用拟合好的模型来推断序列其它的统计性质或预测序列将来的发展时域分析方法的发展过程∙基础阶段——标准文案G.U.Yule：1927年，AR模型G.T.Walker：1931年，MA模型，ARMA模型∙核心阶段——G.E.P.Box和G.M.Jenkins1970年，出版《Time Series Analysis Forecasting and Control》提出ARIMA模型（Box—Jenkins 模型）Box—Jenkins模型实际上是主要运用于单变量、同方差场合的线性模型∙完善阶段——异方差场合：Robert F.Engle，1982年，ARCH模型Bollerslov，1985年GARCH模型多变量场合：C.Granger ，1987年，提出了协整（co- integration）理论非线性场合：汤家豪等，1980年，门限自回归模型用哪些软件可以做时间序列分析呢？S-plus，Matlab，Gauss，TSP，Eviews 和SAS上述软件楼主觉得Eviews是基础版，Gauss是小众版，Matlab&S-pluss是正常小青年~~SAS，万能的软件BOSS啊~~~下一辑——时间序列的预处理！敬请关注！标准文案【时间简“识”】2.那些必不可少的预处理 - 计量经济学与统计软件 - 经管之家(原人大经济论坛) 2012-7-27本帖最后由经管之家(原人大经济论坛)胖胖小龟宝于 2014-12-12 09:12 编辑上一辑预告说啦~~本期的主题是时间序列的预处理~~序列在建模前到底要做哪些预处理呢？首先，大伙都知道的平稳性检验是必须的！说到平稳，其实有两种平稳——宽平稳、严平稳严平稳相较于宽平稳来说，条件更多更严格，而我们时常运用的时间序列，大多宽平稳就够了~~什么是严平稳：标准文案是在固定时间和位置的概率分布与所有时间和位置的概率分布相同的随机过程。
这样，数学期望和方差这些参数也不随时间和位置变化。
（比如白噪声）什么是宽平稳：宽平稳是使用序列的特征统计量来定义的一种平稳性。
它认为序列的统计性质主要由它的低阶矩决定，所以只要保证序列低阶矩平稳（二阶），就能保证序列的主要性质近似稳定。
两者关系：一般关系：严平稳条件比宽平稳条件苛刻，通常情况下，严平稳（低阶矩存在）能推出宽平稳成立，而宽平稳序列不能反推严平稳成立。
特例：标准文案不存在低阶矩的严平稳序列不满足宽平稳条件，例如服从柯西分布的严平稳序列就不是宽平稳序列。
当序列服从多元正态分布时，宽平稳可以推出严平稳。
如何判断序列是平稳的？咱们这次先从图形法上看（通常越是简单的方法，往往越能看到问题，图形给出的第一感觉也许就是真相哦~~~~）时序图，例如(eviews画滴)：标准文案分析：什么样的图不平稳，先说下什么是平稳，平稳就是围绕着一个常数上下波动。
看看上面这个图，很明显的增长趋势，不平稳。
我们还可以根据自相关和偏相关系数来查看：标准文案还以上面的序列为例：用eviews得到自相关和偏相关图，Q统计量和伴随概率。
分析：平稳的序列的自相关图和偏相关图不是拖尾就是截尾。
截尾就是在某阶之后，系数都为 0 ，怎么理解呢，看上面偏相关的图，当阶数为 1 的时候，系数值还是很大， 0.914. 二阶长的时候突然就变成了 0.050. 后面的值都很小，认为是趋于 0 ，这种状况就是截尾。
再就是拖尾，拖尾就是有一个衰减的趋势，但是不都为 0 。
自相关图既不是拖尾也不是截尾。
以上的图的自相关是一个三角对称的形式，这种趋势是单调趋势的典型图形。
标准文案下面是通过自相关的其他功能如果自相关是拖尾，偏相关截尾，则用 AR 算法如果自相关截尾，偏相关拖尾，则用 MA 算法如果自相关和偏相关都是拖尾，则用 ARMA 算法， ARIMA 是 ARMA 算法的扩展版，用法类似。
一定有同学要问了：楼主检测出来不是平稳的怎么办啊？（楼主：当然要把它整平稳啦~~）如果遇到数据检测出来不平稳，可以考虑使用差分这个最常用的办法（当然，还有好多种其他方法处理）还是上面那个序列，两种方法都证明他是不靠谱的，不平稳的。
确定不平稳后，依次进行1阶、2阶、3阶...差分，直到平稳位置。
先来个一阶差分：标准文案从图上看，一阶差分的效果不错，看着是平稳的。
在图形检验法中，我们能够较为直观的看到数据的一个大致变动趋势，如果它有周期或者上升等趋势，一般就不太平稳，需要做些处理，但图形始终是个主管判断为主的方法，这次，就来说说平稳检验的另一个方法：单位根检验（ADF检验）。
标准文案ADF检验简介：检查序列平稳性的标准方法是单位根检验。
有6种单位根检验方法：ADF检验、DFGLS检验、PP检验、KPSS检验、ERS检验和NP检验，本节将介绍DF检验、ADF检验。
ADF检验和PP检验方法出现的比较早，在实际应用中较为常见，但是，由于这2种方法均需要对被检验序列作可能包含常数项和趋势变量项的假设，因此，应用起来带有一定的不便；其它几种方法克服了前2种方法带来的不便，在剔除原序列趋势的基础上，构造统计量检验序列是否存在单位根，应用起来较为方便。
ADF检验是在Dickey-Fuller检验(DF检验)基础上发展而来的。
因为DF检验只有当序列为AR(1)时才有效。
如果序列存在高阶滞后相关，这就违背了扰动项是独立同分布的假设。
在这种情况下，可以使用增广的DF检验方法（augmented Dickey-Fuller test ）来检验含有高阶序列相关的序列的单位根。
检验步骤（一般进行ADF检验要分3步）： 1 对原始时间序列进行检验，此时第二项选level，第三项选None.如果没通过检验，说明原始时间序列不平稳； 2 对原始时间序列进行一阶差分后再检验，即第二项选1st difference，第三项选intercept,若仍然未通过检验，则需要进行二次差分变换； 3 二次差分序列的检验，即第二项选择2nd difference ，第四项选择Trend and intercept.一般到此时间序列就平稳了！ tips: 在进行ADF检验时，必须注意以下两个实际问题：（1）必须为回归定义合理的滞后阶数，通常采用AIC准则来确定给定时间序列模型的滞后阶数。
在实际应用中，还需要兼顾其他的因素，如系统的稳定性、模型的拟合优度等。
（2）可以选择常数和线性时间趋势，选择哪种形式很重要，因为检验显著性水平的 t 统计量在原假设下的渐近分布依赖于关于这些项的定义。
①若原序列中不存在单位根，则检验回归形式选择含有常数，意味着所检验的序列的均值不为0；若原序列中存在单位根，则检验回归形式选择含有常数，意味着所检验的序列具有线性趋势，一个简单易行的办法是画出检验序列的曲线图，通过图形观察原序列是否在一个偏离 0 的位置随机变动或具有一个线性趋势，进而决定是否在检验时添加常数项。
②若原序列中不存在单位根，则检验回归形式选择含有常数和趋势，意味着所检验的序列具有线性趋势；若原序列中存在单位根，则检验回归形式选择含有常数和趋势，意味着所检验的序列具有二次标准文案趋势。
同样，决定是否在检验中添加时间趋势项，也可以通过画出原序列的曲线图来观察。
如果图形中大致显示了被检验序列的波动趋势呈非线性变化，那么便可以添加时间趋势项。
本例所选择的基础数据是每日收盘价，上证指数日数据从 1990-12-19至2011-8-9，样本容量为5058，周数据从1990-12-21至2011-8-9，样本容量为1043，深证成指日数据从1991-4-3至 2011-8-9，样本容量为4998，周数据从1991-4-5至2011-8-9，样本容量为1070。
在证券市场的实证研究中，通常使用收益率即价格的变化而非价格本身，因为证券价格之间存在明显的序列相关性和趋势性，使得许多分析方法不能使用。
在本例中，所采用的数据为收盘价的对数收益序列。
在本例中，通过软件操作得到如下图：标准文案标准文案标准文案运用传统的ADF检验检验时间序列的平稳性，我们发现，上证、深证投资基金日、周收盘指数的对数收益率序列都是平稳的。
