Eviews应用时间序列分析实验手册 下载本文

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。

图1:建立月度数据新工作表

图2:新工作表中添加数据

图3:五年的月度气温数据

图4:进行季节调整(移动平均法)

图5:移动平均季节加法

图6:12个月的加法调整因子

图7:打开三个序列(季节调整序列、原序列、调整后序列) 图8:三个序列(季节调整序列、原序列、调整后序列)取值

图9:三个序列(季节调整序列、原序列、调整后序列)曲线图

另外季节调整还可以用X11,X12等方法进行调整。

三、综合分析

前面两部分介绍了单独测度长期趋势和季节效应的分析方法,这里介绍既有长期趋势又有季节效应的复杂序列的分析方法。

附录对1993——2000年中国社会消费品零售总额序列进行确定性分析

图1:绘制1993——2000年中国社会消费品零售总额时序图 可以看出序列中既有长期趋势又有季节波动 图2:进行季节调整 图3:12个月的季节因子 图4:经季节调整后的序列SSA

图5:对经季节调整后序列进行趋势拟合 图6:趋势拟合序列SSAF与序列SSA的时序图 图7:扩展时间区间后预测长期趋势值SSAF 图8:经季节调整预测2001年12个月的零售总额值 图9:预测2001年12个月的零售总额值 图10:预测序列与原序列的时序图

第五章非平稳序列的随机分析

非平稳序列的确定性分析原理简单操作方便易于解释,但是只提取确定性信息,对随机信息浪费严重;且各因素之间确切的作用关系没有明确有效的判断方法。随机分析方法的发展弥补了这些不足,为人们提供更加丰富、更加精确的时序分析工具。

对非平稳时间序列的分析,要先提取确定性信息再研究随机信息。

一、差分法提取确定性信息

确定性信息的提取方法有第四章学习的趋势拟合、指数平滑、季节指数、季节多元回归等,本章主要介绍差分法提取确定性信息。

差分实质:自回归

差分方式:对线性趋势序列进行1阶差分、对曲线趋势序列进行低阶差分、对固定

周期序列进行周期差分

附录线性趋势:对产出序列进行一阶差分

详细分析过程如下: 图1:导入数据

图2:绘制线性图,观察序列的特征 观察发现序列具有较明显的线性趋势 图3:进行一阶差分运算 图4:一阶差分运算公式 图5:一阶差分序列 图6:一阶差分曲线图

观察一阶差分序列均值方差稳定,进一步进行平稳性分析。 图7:绘制一阶差分序列的相关图

图8:自相关图均不显着,Q统计量不显着

因此,差分后序列问白噪声序列,一阶差分将序列的信息提取充分。

附录曲线序列:北京市民用车拥有量序列差分分析 图1:导入数据

图2:绘制原序列曲线图

可以看出,1950年到1999年北京市居民民用车拥有量序列具有曲线趋势,现用低阶差分法提取确定性信息。

图3:绘制一阶差分序列的曲线图 图4:一阶差分序列曲线图

可以看出一阶差分序列仍然具有趋势,继续进行差分分析;二阶差分的命令的D(QC,2),低阶差分的命令为D(QC,K)。 图5:对原序列进行二阶差分 图6:二阶差分序列曲线图

从二阶差分序列曲线图可以看出二阶差分序列中没有中长期趋势,二阶差分提取了长期趋势。

图7:自相关分析

图8:对序列的二阶差分序列进行自相关分析

图9:二阶差分序列相关图

可以看出二阶差分序列具有短期相关性的特征,无确定性信息,为平稳序列。

附录固定周期序列:奶牛月产奶量序列差分分析

图1:导入数据(月度数据) 图2:绘制序列曲线图

可以看出本序列既有长期趋势又有周期性因素,因此我们首先进行一阶差分提取趋势特征,再进行12步周期差分提取周期信息。 图3:一阶差分序列曲线图

可以看出序列不再具有趋势特征,一阶差分提取了线性趋势

图4:对序列进行一阶差分

图5:对一阶差分序列进行12步周期差分

图6:绘制周期差分后序列

上述操作也可以用D(OP,1,12)命令来实现,即一阶——12步差分,因此直接绘制序列D(OP,1,12)的时序图结果如图6。 图7:周期差分后序列的相关图

可以看出序列自相关系数12阶显着,说明还是有一定的周期性 图8:对上面的序列再进行12步差分,绘制曲线图 图9:序列的相关图

可以看出12阶相关系数仍然显着,且相关系数比D12D1序列的相关系数还大,因此我们就进行到上一步骤即可。

差分的方式小结

对线性趋势的序列,一阶差分即可提取确定性信息,命令为D(X);

对曲线趋势的序列,低阶差分即可提取序列的确定性信息,命令为D(X,a);

对具有周期性特点的序列,k步差分即可提取序列的周期性信息,命令为D(X,0,k)。 对既有长期趋势又有周期性波动的序列,可以采用低阶——k步差分的操作提取确定性信息,操作方法为D(X,a,k)。

非平稳序列如果经过差分变成平稳序列,则我们称这类序列为差分平稳序列,差分平稳序列可以使用ARIMA模型进行拟合。

二、ARIMA模型

差分平稳序列在经过差分后变成平稳时间序列,之后的分析可以用ARMA模型进行,差分过程加上ARMA模型对差分平稳序列进行的分析称为ARIMA模型。

获 得 观 察 值 序 列 分 平稳性 检验 N 差分 运算 Y 白噪声 检验 N 拟合 ARMA 模型

Y 析 结 束 附录分析1952-1988年中国农业实际国民收入指数序列

先观测序列的时序图,可知序列具有线性长期趋势,需要进行1阶差分。 图1:1952-1988年中国农业实际国民收入指数时序图 再观测差分序列的时序图