能源效率的时间序列.docVIP

2.2中国能源效率的时间序列分析 2:21时间序列分析 时间序列分析 (TimeSerieSanalysiS)是一种动态数据处理的统计方法(易 丹辉， 1990)11011。该方法基于随机过程理论和数理统计学方法，研究随机数据 序列所遵从的统计规律，以用于解决实际问题。它包括一般统计分析(如自相关 分析，谱分析等)，统计模型的建立与推断，以及关于时间序列的最优预测、控 制与滤波等内容。它的基本原理:一是承认事物发展的延续性。应用过去数据，就 能推测事物的发展趋势。二是考虑到事物发展的随机性。任何事物发展都可能受偶 然因素影响。时间序列的分析方法一般有描述性时间序列和统计时序分析。时间序 列分析常用的软件有:s一plus、Matlab、Gauss、TSp、Eviews和SAS。本文将选 择SAS软件来分析我国能源效率时间序列。 2.2.2中国能源效率的时间序列分析 1)样本来源及统计分析工具 本文用能源强度(EI)来表示能源效率，即能源消费总量与同期GDP的比。能 源强度越小说明单位GDP的能耗越小，能源效率越高。样本区间为1978一2006年， 数据由历年《中国统计年鉴》和《中国能源统计年鉴》的数据整理得出的。 本文统计分析工具为SAsg.0统计软件。 2)描述性时序分析 我们先对我国能源强度进行描述行时序分析，以直观的分析能源强度的总体走 势，为下面的分析奠定基础。图2一1表示1978一2006年我国能源强度的变化趋势(能 源强度曲线的横坐标为年份，纵坐标为每万元GDP消耗能源吨数)。 从图中我们可以看出能源强度随着时间呈现出持续下降的趋势，单位GDP的能 耗逐渐降低，表明我国的能源效率在不断的提高。能源强度下降趋势为先急速下降， 然后大概到1995年前后下降的趋势变得比较缓慢，到2003年左右能源强度略有上 升。 3)统计性时序分析 (1)序列预处理 在对能源强度进行时间序列建立模型之前我们需要对时间序列进行预处理，主 要对其平稳性和纯随机性进行检验，以选择适当的时间序列模型对其进行分析。 ①平稳性检验 从图1可以看出能源强度时间序列是一个非平稳时间序列，序列具有长期趋势。 为了稳妥起见，我们给出能源强度时间序列的自相关图，如表2一2所示。 表1中的序列自相关图，横轴表示自相关系数，纵轴表示延迟时期数，用水平方 向的垂线表示自相关系数的大小。在图中我们发现序列的自相关系数衰减到零的速度相当缓慢，在很长的延迟期里，自相关系数始终为正，这是具有单调趋势的非平 稳序列所具有的特点，和图1显示的时序图的显著的单调递增性是一致的。 ②纯随机性检验 如果一个时间序列的序列值彼此之间没有任何相关性，那就意味着该序列是一 个没有记忆的序列，过去的行为对未来的发展没有丝毫的影响，这种序列我们称之 为纯随机序列(或白噪声序列)，从统计分析的角度而言，纯随机序列是没有任何分 析的价值的，因此我们要对能源强度进行时间序列分析之前就有要对其进行纯随机 性检验。我们用LB统计量来进行纯随机性检验。得到的检验结果如表2一2所示。 由于P值显著的小于显著性水平 (0.05)，所以拒绝纯随机性的原假设，我们可 以认为该序列不是纯随机序列，其变动是有统计规律可循的，有研究的价值。 (2)序列差分 由于前面分析我们知道能源强度时间序列是一个不平稳的非白噪声序列，要对 其进行序列分析则要先对其进行d阶差分得到平稳的序列。 我们先对其进行一阶差分，得到差分后的序列时序图如图2一2 所示。 图2显示的能源强度一阶差分图还不是平稳时间序列，为此我们对其进行二阶 差分，得到如图2一3所示的二阶差分图。 时序图显示出二阶差分序列在均值为0附近比较稳定的波动。为了进一步确定 其平稳性，考察二阶差分后的自相关图，如表2一3所示。 表3二阶差分序列自相关图显示出延迟二阶后其相关系数在2标准差范围之内 波动，该序列具有很强的短期相关性，所以可以初步认为二阶差分后序列平稳，结 果与图2一3一样。 下面我们对平稳的二阶差分序列进行纯随机性检验。检验结果如表2一4所示。 在检验的显著性水平区位0.05的条件下，由于延迟6阶和12阶的犷检验统计 量的P值都小于0.05，所以该差分序列不能视为纯随机性序列，即差分后序列还蕴 含着不能忽视的相关信息可供提取。 综合上述分析，能源强度的二阶差分序列是一个二阶差分平稳非白噪声时间序 列，可以对其进行时间序列分析，建立时间序列模型。 (3)ARIMA模型 ①模型定阶 ARIMA模型有三种模型形式，分别为AR(p)、MA(q)和ARMA(p，q)。 我们根据自相关系数和偏相关系数的性质，选择阶数适当的模型进行检验。模型定 阶的基本原则如表2一5所示。 下面给出能源强度二阶差分序列偏相关系数如表2一6所示。结合表3的自相关系 数的性质，我们可以给模型