时间序列分析课程设计一、课程目标知识目标：1. 让学生理解时间序列分析的基本概念，掌握时间序列数据的结构特征和常见的时间序列模型。
2. 使学生掌握时间序列平稳性检验和自相关函数、偏自相关函数的绘制与分析方法。
3. 帮助学生了解时间序列预测的常用算法，如ARIMA模型、指数平滑等，并掌握其应用场景。
技能目标：1. 培养学生运用时间序列分析方法处理实际问题的能力，学会运用统计软件进行时间序列数据的分析、建模和预测。
2. 提高学生运用所学知识解决实际问题时的时间序列模型选择和参数估计能力。
情感态度价值观目标：1. 培养学生对时间序列分析的兴趣，激发学生主动探索和研究的精神。
2. 引导学生认识到时间序列分析在实际问题中的应用价值，提高学生的数据分析和解决实际问题的能力。
3. 培养学生的团队合作意识，提高学生在团队中沟通、协作的能力。
课程性质分析：本课程为数据分析方向的专业课程，旨在帮助学生掌握时间序列分析的基本理论和方法，培养学生运用时间序列分析解决实际问题的能力。
学生特点分析：学生为高年级本科生，已具备一定的数学基础和统计分析能力，对时间序列分析有一定的了解，但尚需深化理论知识，提高实际操作能力。
教学要求：1. 结合实际案例，注重理论与实践相结合，提高学生的实际操作能力。
2. 采取启发式教学，引导学生主动参与课堂讨论，培养学生的创新思维。
3. 强化课堂互动，关注学生的个体差异，提高教学效果。
二、教学内容1. 时间序列分析基本概念：时间序列的定义、时间序列数据的组成、时间序列的分类及性质。
教材章节：第一章 时间序列分析概述2. 时间序列数据的预处理：数据清洗、数据变换、平稳性检验。
教材章节：第二章 时间序列数据的预处理3. 时间序列模型：自回归模型（AR）、移动平均模型（MA）、自回归移动平均模型（ARMA）、自回归积分滑动平均模型（ARIMA）。
教材章节：第三章 时间序列模型4. 时间序列预测方法：指数平滑法、季节性模型、周期性模型。
实验报告----平稳时间序列模型的建立08经济统计I60814030王思瑶一．实验目的从观察到的化工生产过程产量的70个数据样本出发，通过对模型的识别、模型的定价、模型的参数估计等步骤建立起适合序列的模型。
以下是化工生产过程的产量数据：obs BF obs BF1 47 36582 64 37453 23 38544 71 39365 38 40546 64 41487 55 42558 41 43459 59 445710 48 455011 71 466212 35 474413 57 486414 40 494315 58 505216 44 513817 80 525918 55 535519 37 544120 74 555321 51 564922 57 573423 50 583524 60 595425 45 604526 57 616827 50 623828 45 635029 25 646030 59 653931 50 665932 71 674033 56 685734 74 695435 50 7023可以明显看出序列均值显著非零，所以用样本均值作为其估计对序列进行零均值化。
obs BF 零均值化后的数据Y obs BF零均值化后的数据Y1 47 -4.12857 3658 6.871432 64 12.87143 3745-6.128573 23 -28.12857 3854 2.871434 71 19.87143 3936-15.128575 38 -13.12857 4054 2.871436 64 12.87143 4148-3.128577 55 3.87143 4255 3.871438 41 -10.12857 4345-6.128579 59 7.87143 4457 5.8714310 48 -3.12857 4550-1.1285711 71 19.87143 466210.8714312 35 -16.12857 4744-7.1285713 57 5.87143 486412.8714314 40 -11.12857 4943-8.1285715 58 6.87143 50520.8714316 44 -7.12857 5138-13.1285717 80 28.87143 52597.8714318 55 3.87143 5355 3.8714319 37 -14.12857 5441-10.1285720 74 22.87143 5553 1.8714321 51 -0.12857 5649-2.1285722 57 5.87143 5734-17.1285723 50 -1.12857 5835-16.1285724 60 8.87143 5954 2.8714325 45 -6.12857 6045-6.1285726 57 5.87143 616816.8714327 50 -1.12857 6238-13.1285728 45 -6.12857 6350-1.1285729 25 -26.12857 64608.8714330 59 7.87143 6539-12.1285731 50 -1.12857 66597.8714332 71 19.87143 6740-11.1285733 56 4.87143 6857 5.8714334 74 22.87143 6954 2.8714335 50 -1.12857 7023-28.12857二．实验步骤1.模型识别零均值平稳序列的自相关函数与偏相关函数的统计特性如下：模型 AR(n) MA(m) ARMA(n,m)自相关函数拖尾截尾拖尾偏自相关函数截尾拖尾拖尾所以，作零均值化后数据的自相关函数与偏自相关函数图Date: 04/25/11 Time: 22:35Sample: 2001 2070Included observations: 70Autocorrelation Partial Correlation AC PAC Q-Stat Prob***| . | ***| . | 1 -0.382 -0.382 10.638 0.001. |** | . |** | 2 0.325 0.209 18.444 0.000**| . | . | . | 3 -0.193 -0.018 21.234 0.000. |*. | . | . | 4 0.090 -0.049 21.857 0.000.*| . | .*| . | 5 -0.162 -0.126 23.900 0.000. | . | .*| . | 6 0.014 -0.094 23.916 0.001. | . | . | . | 7 0.012 0.065 23.928 0.001.*| . | .*| . | 8 -0.085 -0.079 24.519 0.002. | . | . | . | 9 0.039 -0.051 24.644 0.003. | . | . |*. | 10 0.033 0.080 24.736 0.006. |*. | . |*. | 11 0.090 0.125 25.426 0.008.*| . | . | . | 12 -0.077 -0.054 25.942 0.011. | . | . | . | 13 0.063 -0.045 26.291 0.016. | . | . |*. | 14 0.051 0.134 26.524 0.022. | . | . |*. | 15 -0.006 0.079 26.528 0.033. |*. | . |*. | 16 0.126 0.145 28.016 0.031.*| . | . | . | 17 -0.090 -0.040 28.792 0.036. | . | .*| . | 18 0.017 -0.084 28.820 0.051.*| . | . | . | 19 -0.099 -0.017 29.795 0.054. | . | . | . | 20 0.006 -0.036 29.798 0.073. | . | . | . | 21 0.015 0.055 29.820 0.096. | . | . | . | 22 -0.037 -0.015 29.968 0.119. | . | . | . | 23 0.013 -0.051 29.985 0.150. | . | . | . | 24 0.010 0.010 29.997 0.185. | . | . | . | 25 0.015 -0.016 30.023 0.223. | . | . | . | 26 0.036 0.023 30.172 0.261. | . | . | . | 27 -0.016 -0.036 30.202 0.305. | . | . | . | 28 0.033 0.030 30.335 0.347. | . | . | . | 29 -0.057 -0.015 30.735 0.378. | . | . | . | 30 0.051 -0.003 31.064 0.412.*| . | . | . | 31 -0.070 -0.053 31.706 0.431. | . | . | . | 32 0.057 -0.003 32.141 0.460由上图可知Autocorrelation与Partial Correlation序列均有收敛到零的趋势，可以认为Y的自相关函数与偏自相关函数均是拖尾的，所以初步判断该序列适合ARMA模型。
第一章：绪论1.计量经济学的学科属性、计量经济学与经济学、数学、统计学的关系；2.计量经济研究的四个基本步骤（1）建立模型（依据经济理论建立模型,通过模型识别、格兰杰因果关系检验、协整关系检验建立模型）；（2）估计模型参数（满足基本假设采用最小二乘法，否则采用其他方法：加权最小二乘估计、模型变换、广义差分法等）；（3 ）模型检验:经济意义检验（普通模型、双对数模型、半对数模型中的经济意义解释，见例1、例2 ）,统计检验（T检验，拟合优度检验、F检验,联合检验等）；计量经济学检验（异方差、自相关、多重共线性、在时间序列模型中残差的白噪声检验等）；（4 ）模型应用。
例1:在模型中，y某类商品的消费支出，x收入，P商品价格，试对模型进行经济意义检验，并解释A"》的经济学含义。
In X = 0.213 +0.25 In 一0.31£其中参数卩'",都可以通过显著性检验。
经济意义检验可以通过（商品需求与收入正相关、与商品价格负相关\商品消费支出关于收入的弹性为0.25 （ 1心/畑）=0.251】心/仏））；价格增加一个单位，商品消费需求将减少31%。
例2 :硏究金融发展与贫富差距的关系，认为金融发展先使贫富差距加大（恶化）, 尔后会使贫富差距降＜氐（好转），成为倒U型。
贫富差距用GINI系数表示，金融发展用（贷款余额/存款总额）表示。
回归结果G/^VZ r =2.34 + 0.641；-1.29x；/模型参数都可以通过显著性检验。
在X的有意义的变化范围内,GINI系数的值总是大于1 ,细致分析后模型变的毫无意义；同样的模型还有：GINI系数的值总是为负= —13.34 + 7.12 兀一14.31#O3.计量经济学中的一些基本概念数据的三种类型：横截面数据、时间序列数据、面板数据；线性模型的概念；模型的解释变量与被解释变量，被解释变量为随机变量（如果—个变量为随机变量,并与随机扰动项相关，这个变量称为内生变量），被解释变量为内生变量,有些解释变量也为内生变量。
