第四章非平稳时间的序列地确定性分析报告材料实验的报告材料材料.docVIP

实用标准文案 精彩文档 第四章 非平稳时间序列建模实验报告 下表为1993-2000年中国社会消费品零售总额的数据。 表4-1 1993-2000年全国社会消费品零售总额 单位（亿元） 1993 1994 1995 1996 1997 1998 1999 2000 1月 977.5 1192.2 1602.2 1909.1 2288.5 2549.5 2662.1 2774.7 2月 892.5 1162.7 1491.5 1911.2 2213.5 2306.4 2538.4 2805.0 3月 942.3 1167.5 1533.3 1860.1 2130.9 2279.7 2403.1 2627.0 4月 941.3 1170.4 1548.7 1854.8 2100.5 2252.7 2356.8 2572.0 5月 962.2 1213.7 1585.4 1898.3 2108.2 2265.2 2364.0 2637.0 6月 1005.7 1281.1 1639.7 1966.0 2164.7 2326.0 2428.8 2645.0 7月 963.8 1251.5 1623.6 1888.7 2102.5 2286.1 2380.3 2597.0 8月 959.8 1286.0 1637.1 1916.4 2104.4 2314.6 2410.9 2636.0 9月 1023.3 1396.2 1756.0 2083.5 2239.6 2443.1 2604.3 2854.0 10月 1051.1 1444.1 1818.0 2148.3 2348.0 2536.0 2743.9 3029.0 11月 1102.0 1553.8 1935.2 2290.1 2454.9 2652.2 2781.5 3108.0 12月 1415.5 1932.2 2389.5 2848.6 2881.7 3131.4 3405.7 3680.0 资料来源：国家统计局网站 根据以上数据，下面用Eviewis6.0对1980-2012年我国社会消费零售品总额的月度数据进行确定性分析，并对2001年月度数据进行预测。 绘制时序图 图4-1 1993-2000年中国社会消费品零售总额时序图 从时序图可以看出序列中既有长期趋势又有季节波动，故以下对其进行季节调整。 2.季节调整 在数据窗口中选择“Proc/Seasonal Adjustment/Moving Average Methods”,出现季节调整对话框，选择Ratio to moving Average选项，季节因子命名为sa，如图4-3所示。 图4-2 季节调整操作 图4-3 季节调整方法选择对话框 12个月的季节调整因子如下图所示： 图4-4 12个月的季节调整因子 经季节调整后的序列SSA时序图如下： 图4-5 经季节调整后的序列SSA 3.趋势拟合 在命令栏中输入：LS SSA C @TREND,对经季节调整后序列进行趋势拟合。结果如下图所示： 图4-6 经季节调整后序列进行趋势拟合 4.长期趋势预测 将样本期改为1993.1至2001.12，在命令栏中输入LS SSA C @TREND，在结果窗口中点Forecast,得到以下扩展时间区间后的长期趋势值SSAF预测值。 图4-7 扩展时间区间后预测长期趋势值SSAF 将趋势拟合序列SSAF与序列SSA进行比较，如下： 图4-8 趋势拟合序列SSAF与序列SSA的时序图 5.对长期趋势预测进行季节调整 在主窗口选择“Quick/Generate Series”,设定sf=ssaf*sa。 图4-9 经季节调整预测2001年12个月的零售总额值 经季节调整后2001年12个月的零售总额预测值如下图所示： 图4-10 2001年12个月零售总额预测值 经季节调整后的1993年至2001年个月度零售总额预测值如下图所示： 图4-11 预测序列趋势图 经原序列S与预测序列SF进行比较，可见经过长期趋势和季节调