应用时间序列分析第四次-雷鹏程-统计二班-12071050204.doc

应用时间序列分析 实验报告 院 系 理学院 专 业 统计学 班 级 统计2班 学生姓名 雷鹏程 学 号 12071050204 2015年5月9日 星期六 一.实验目的： 利用x12季节调整，对中国1993年一月至2000年12月社会商品零售额月度资料进行季节调整。 二.实验器材 一台装有Eviews7.0软件的计算机 三.实验要求 1、观察数据特征； 2、对数据进行季节调整； 3、预测假定没有特殊事件发生社会商品零售额的可能值。 四.实验步骤 1.在Eviews中录入数据，点击File→New→ Workfile,建立一个季节数据录入表，在对话框选择“Monthly”,起始时间输入“1993-1”，结束时间输入“2000-1”，点击“OK”。如图1所示： 图1 季节数据表建立 2．将Excel中从1993-1到2000-12的数据导入Eviews中，如下图所示： 图2 数据导入表 3．在Eviews中选择“Quick→Graph”，画出1993年到2000年的社会商品零售总额的趋势图，如图所示 图3 1993-2000年月度社会商品零售总额趋势图 4．由于2000年1月到2000年12月的数据不具有代表性，所以在Eviews中仅利用1993年到1999年的月度进行季节调整，选择样本区间，在命令窗口输入：smpl 1993:01 1999:12。画出其趋势图，如下图4： 图4 1993-1999年月度社会商品零售总额趋势图图 5.然后在数据窗口中点击“Proc→Seasonal Adjustment→X12”,根据数据特征选择乘法模型、滤波方法采用默认方式，保留最终的季节调整数据、季节因子和长期趋势。图6表示长期趋势图X_TC,可以看出数据已经平滑了。 图6 1993-1999年长期趋势图 6.通过X_TC的图形，基本上可以认为长期趋势随着时间的变化是线性的，于是建立一个时间与X_TC的一元线性回归方程，预测如果没有突发情况下2000年月度社会商品总额的趋势值。方法如下： (1)打开样本区，在命令窗口输入：“smpl 1993：01 2000:12”; (2)在数据文件中建立一个新变量t,t是自然数，表示各个不同的时间； （3）控制样本区在1993年1月到1999年12月，在命令窗口输入:“smpl 1993：01 1999:12”; （4）在命令窗口输入 :“LS X_TC C T”，建立起回归方程，估计结果表如下图7所示： 图7 一元线性回归结果表 时间 实际值 趋势预测值 季节预测因子的预测值 假设舞突发情况下的消费总额预测值 1 2 3 4=2*3 2000年1 1251.5 3020.6681 1.042780455 3149.89 2000年2 1286 3040.56956 0.994043367 3022.46 2000年3 1396.2 3060.47102 0.955043421 2922.88 2000年4 1444.1 3080.37248 0.932081677 2871.16 2000年5 1553.8 3100.27394 0.933688849 2894.69 2000年6 1932.2 3120.1754 0.954830757 2979.24 2000年7 1251.5 3140.07686 02914.59 2000年8 1286 3159.97832 0.930055928 2938.96 2000年9 1396.2 3179.87978 0.982609812 3124.58 2000年10 1444.1 3199.78124 1.028287295 3290.29 2000年11 1553.8 3219.6827 1.056647009 3402.07 2000年12 1932.2 3239.58416 1.261171243 4085.67 7.由于2000年1月到12月没有季节因素，所以用1999年各月的季节指数平均值预测2000年1月到12月的季节指数，得到2000年1月到12月实际值与预测值表如下： 表1 2000年1月到12月实际值与预测值 8.画出经季节调整过后的社会商品零售总额的趋势图，并分别比较了在突发和没有突发情况下两种的差距，如下图所示： 图8 经季节调整过后的趋势图 图9 实际值与预测值的比较图 实验总结 通过此次上机实验，我的收获颇多，不仅让我真正认识到应用时间序列分 析的重要性，还知道样本自相关和偏相关函数是识别平稳时间序列模型的重要方法。由于样本自相关和偏相关函数是随机变量，因此判