实验五非平稳序列的确定性分析.doc

实验五 非平稳序列的确定性分析 【实验目的】 对非平稳时间序列的确定性分析 【实验内容】 1．趋势分析； 2．季节效应分析； 3．综合分析； 4. X-12过程。 【实验指导】 一、ARMA模型分解 二、确定性因素分解 传统的因素分解 长期趋势 循环波动 季节性变化 随机波动 现在的因素分解 长期趋势波动 季节性变化 随机波动 （一）趋势分析 有些时间序列具有非常显著的趋势，我们分析的目的就是要找到序列中的这种趋势，并利用这种趋势对序列的发展作出合理的预测 方法： 1.趋势拟合法 趋势拟合法就是把时间作为自变量，相应的序列观察值作为因变量，建立序列值随时间变化的回归模型的方法。 （1）线性拟合 例1:拟合澳大利亚政府1981——1990年每季度的消费支出序列，数据见下表。 8444 9215 8879 8990 8115 9457 8590 9294 8997 9574 9051 9724 9120 10143 9746 10074 9578 10817 10116 10779 9901 11266 10686 10961 10121 11333 10677 11325 10698 11624 11052 11393 10609 12077 11376 11777 11225 12231 11884 12109 长期趋势呈现出非常的线性递增趋势，于是考虑使用线性模型 拟合该序列的发展。 使用最小二乘法得到未知参数的估计值为：. 对拟合模型进行检验，检验结果显示方程显著成立，且参数非常显著。拟合效果图如下： （2）非线性拟合 使用场合：长期趋势呈现出非线形特征 参数估计指导思想：能转换成线性模型的都转换成线性模型，用线性最小二乘法进行参数估计；实在不能转换成线性的，就用迭代法进行参数估计 例2:对上海证券交易所1991年1月-2001年10月每月末上证指数序列进行模型拟合数据见下表。（附录1.9） 130.44 133.47 120.19 113.94 114.83 137.56 143.8 178.43 180.92 218.6 259.6 292.75 313.24 364.66 381.24 445.38 1234.71 1191.19 1052.07 823.27 702.32 507.25 724.6 780.39 1198.48 1339.88 925.91 1358.78 935.48 1007.05 881.07 895.68 890.27 814.82 984.93 833.8 770.25 770.98 704.46 592.56 556.26 469.29 333.92 785.33 791.15 654.98 683.59 647.87 562.59 549.26 646.92 579.93 700.51 630.58 695.55 723.87 722.43 717.32 641.13 555.29 537.34 552.93 556.39 681.16 643.65 804.25 822.48 809.94 875.52 976.71 1032.95 917.02 964.74 1040.27 1234.62 1393.75 1285.18 1250.27 1189.76 1221.06 1097.38 1180.39 1139.63 1194.1 1222.91 1206.53 1243.01 1343.44 1411.2 1339.2 1316.91 1150.22 1242.09 1217.31 1247.42 1146.7 1134.67 1090.09 1158.05 1120.92 1279.32 1689.42 1601.45 1627.12 1570.7 1504.56 1434.97 1366.58 1535 1714.58 1800.22 1836.32 1894.55 1928.11 2023.54 2021.2 1910.16 1961.29 2070.61 2073.48 2065.61 1959.18 2112.78 2119.18 2213.18 2218.03 1920.32 1834.14 1764.87 1689.17 行数据 时序图显示该序列有显著的曲线递增趋势。尝试使用二次型模型 拟合该序列的发展。 先做变换：把的值赋给，原模型变为线性模型 利用线性最小二乘法得到线性模型中未知参数的估计值： 检验方程。发现该方程显著（P值小于0.0001），但是参数不显著（P值为0.4505）。 除去不显著的自变量，拟合新的线性模型：。 求得该模型的未知参数的最小二乘估计值为：