时间序列课程设计一.doc

课 程 设 计 报 告 课程名称 时间序列分析 专 业 统 计 学 班 级 学 号 姓 名 指导教师 2012年 12 月 17 日  课 程 设 计 任 务 书 课程名称 时间序列分析 课 题 销售额的领先指标分析 专业班级 学生姓名 学 号 指导老师 审 批 任务书下达日期 2011 年 12 月 17 日 任务完成日期 2011年 12 月 28日目录 一： 课程设计准备………………………………………………………2 安装Eviews6.0………………………………………………2 数据分析与输入………………………………………………2 二：平稳时间序列模型的建立………………………………………2 （1）数据的平稳性检查………………………………………………2 （2）对数据进行平稳化………………………………………………3 （3）零均值化数据……………………………………………………3 （4）数据基本处理与模型定阶……………………………………3 （5）模型求解估计及适应性检验…………………………………5 三：模型分析与总结……………………………………………………6 四：参考文献………………………………………………………………6 五：评分表……………………………………………………………………7 六：附录表……………………………………………………………………8 一： 课程设计准备 （1）安装Eviews6.0 1.准备Eviews6.0安装包，解压文件，注册，运行Eviews.exe，进入到Eviews6.0界面。 （2）数据分析与输入 1. 销售额的领先指标是指能够对趋势进行先瞻性预测的指标指标的变化反过来又影响的X的相关图如下 图二：x的相关图 根据以上两图和AC、PAC从中可以看出x不平稳。 （2）对数据进行平稳化 1.根据上边的结论x不是平稳序列，为了建立模型要对数据进行平稳化，对数据进行一阶差分，选择genr，在Enter equation输入genr y=d(x,1),确定得出序列y，做y的时间序列图。 图三：y的时间序列图 根据图三可以得出y是一个较平稳的时间序列 （3）零均值化数据 对y这个时间序列，计算样本均值，要y的每一个值减去y的均值m，得到一个新的平稳时间序列z，即：scalar m=@mean(y)，genr z=y-m。 （4）数据基本处理与模型定阶 1.做z的相关图 图四：z的相关图 2.选择模型与定阶，根据AIC准则来判断ARMA中p和q的大小从而确定模型， 偏相关系数Partial Correlation很快趋于0所以取p为1或2，自相关系数Autocorrelation前几期显著不为0，取q为1到4，计算AIC如下表 表一：ARMA与AIC表 ARMA(p,q) （1,1） （1,2） （1,3） （1,4） （2,1） （2,2） （2,3） （2,4） AIC 0.315 0.307 0.321 0.323 0.328 0.321 0.289 0.295 根据表格看, ARMA（p，q）取（1,1）时，AIC最小 同时,对ARMA（2，3）进行残差自相关函数与偏自相关函数分析，看是否满足白噪声过程，结果如图 图五：ARMA（2，3）相关图 由图五可知，残差对应的自相关函数与偏自相关函数均在置信区间内，故称该残差为白噪声过程，从而检验通过。 （5）模型求解估计及适应性检验 1.模型为 2.正态性检验 可以看出Jarque-Bera为0.168733值较小而Probability为0.919094较大，服通过正态性检验， 3.其acf，pacf ，Q统计量如下图 图六 四：模型分析与总结 本次课程设计是对销售额的领先指标数据这一时间序列进行分析，对数据进行平稳化，再进行零均值化，确定模型为ARMA（2,3