时间序列实验解读.doc

学生学号 0121315940324 实验课成绩 学 生 实 验 报 告 书 实验课程名称 应用时间序列分析 开 课 学 院 理学院 指导教师姓名 桂预风 学 生 姓 名 魏丽 学生专业班级 金融sy1301 2015 -- 2016 学年 第 2 学期 实验一： 实验项目名称 平稳序列建模 实验成绩 实 验 者 魏丽 专业班级 金融sy1301 实验日期 2016年4月5日 一、目的 时间序列经过预处理后为平稳非白噪声序列，继续views软件利用ARMA模型对该序列建模，建模步骤并且利用拟合模型对序列的将来走势进行预测。 、实验原理 ARMA模型定阶原则：AR自相关，偏自相关图，模型自相关图截尾，拖尾，,q）模型均拖尾。 2.、、和最小二乘3.模型显著性检验即对残差序列的白噪声检验，检验统计量 三实验步骤 一.模型识别 1）选择1950-2008年我国新增作为实验序列，在做出时序图，如图-1 图1- 1 由时序图可以看出，序列均值，，建立模型 检验 logram，检验序列是否白噪声，自相关偏自相图模型形式 图1- 2 由上图可知，对应的均为序列相关的假设，即序列不是白噪声，同时自相关图拖尾，偏自相关图截尾，，可建立模型。 与参数估计输入 ”，-1 图2- 1 各项系数t统计量对应的都小于说明%的显著水平下系数假设，说明系数均显著，模型为： 检验 Residual diagnostics，对残差序列进行白噪声检验，判断序列是否正确结果如图-1 图3- 1 从上图看出，对应的接受序列不具有相关性的假设，即残差序列是噪声序列说明模型拟合效果较好。 用该模型对数据进行预测，得到预测图4-1 图4-1 5.实验结论上述实验过程及分析可知，该序列可用模型进行拟合，且拟合效果。为）模型二 .模型识别 选择美国科罗拉多州某个加油站连续的作为实验序列，在做出时序图，如图-1 图1- 1 由时序图可以看出，序列均值，，建立模型 检验 logram，检验序列是否白噪声，自相关偏自相图模型形式 图1- 2 由上图可知，对应的均序列相关的假设，即序列不是白噪声，同时自相关图1截尾，偏自相关图，，可建立模型。与参数估计输c MA(1)，-1 图2- 1 各项系数t统计量对应的都小于说明%的显著水平下系数假设，说明系数均显著，模型为： 检验 Residual diagnostics，对残差序列进行白噪声检验，判断序列是否正确结果如图-1 图3- 1 从上图看出，对应的接受序列不具有相关性的假设，即残差序列是噪声序列说明模型拟合效果较好。实验结论 上述实验过程及分析可知，该序列可用模型进行拟合，且拟合效果。为）模型.模型识别 选择1880-1985年全球气表平均温度并对其进行一阶差分，在做出时序图，如图-1 图1- 1 由时序图可以看出，序列均值，，建立模型 检验 logram，检验序列是否白噪声，自相关偏自相图模型形式 图1- 2 由上图可知，对应的均序列相关的假设，即序列不是白噪声，同时自相关图偏自相关图，，可建立,1）模型。与参数估计输DIF c AR(1)MA(1)，-1 图2- 1 各项系数t统计量对应的都小于说明%的显著水平下系数假设，说明系数均显著，模型为： 检验 Residual diagnostics，对残差序列进行白噪声检验，判断序列是否正确结果如图-1 图3- 1 从上图看出，对应的接受序列不具有相关性的假设，即残差序列是噪声序列说明模型拟合效果较好。实验结论 上述实验过程及分析可知，该序列可用模型进行拟合，且拟合效果。拟合为）模型.模型识别 选择等时间间隔连续某次化学反应的过程数据作为时间序列，在做出时序图，如图-1 图1- 1 由时序图可以看出，序列均值，，建立模型 检验 logram，检验序列是否白噪声，自相关偏自相图模型形式 图1- 2 由上图可知，对应的均序列相关的假设，即序列不是白噪声，同时自相关图截尾，偏自相关图截尾，可先建立。与参数估计输YIELD c MA(1)MA(2)，-1 图2- 1 各项系数t统计量对应的都小于说明%的显著水平下系数假设，说明系数均显著，模型为： 检验 Residual diagnostics，对残差序列进行白噪声检验，判断序列是否正确结果如图-1 图3- 1 从上图看出，对应的接受序列不具有相关性的假设，即残差序列是噪声序列说明模型拟合效果较好。 因为偏自相关图截尾，因此也可建立，如图-1 图4- 1 各项系数t统计量对应的都小于说明%的显著水平下系数假设，说明系数均显著模型的7.731868，综合无法判断优劣，综合极大似然估计值、误差值，模型优于模型，因此，更能