时间序列分析.docVIP

PAGE 课 程 设 计 报 告 课程名称 时间序列分析 专 业 统 计 学 班 级 统计学0901 学 号 200910020112 姓 名 郭 家 君 指导教师 戴 婷 2012年 12 月 17 日  湖南工程学院 课 程 设 计 任 务 书 课程名称 时间序列分析 课 题 裂纹扩散资料分析 专业班级 统计学0901 学生姓名 郭 家 君 学 号 200910020112 指导老师 戴 婷 审 批 任务书下达日期 2012 年 12 月 17 日 任务完成日期 2012年 12 月 28日 目 录 一、前言……………………………………………………………………1 二、时间序列建模原理………………………………………………1 三、分析报告 ……………………………………………………………1 （一）、数据平稳化 ………………………………………………………1 （二）、模型的建立及求解………………………………………………5 （三）、模型分析 …………………………………………………………7 参考文献……………………………………………………………………7 四、总结……………………………………………………………………7 评分标准……………………………………………………………………9 附件 …………………………………………………………………………10 PAGE 1 一、前言 时间序列分析是一种根据动态数据揭示系统动态结构和规律的统计方法。其基本思想：根据系统的有限长度的运行记录（观察数据），建立能够比较精确地反映序列中所包含的动态依存关系的数学模型，并借以对系统的未来进行预报。 时间序列分析是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。时间序列是按时间顺序的一组数字序列。时间序列分析就是利用这组数列，应用数理统计方法加以处理，以预测未来事物的发展。时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法进行。本次要建模的数据是裂纹扩散资料。 二、时间序列建模原理 时间序列是指被观测到的依时间次序排列的数据序列。从经济到工程技术,从天文到地理和气象,几乎在各种领域中都会遇到时间序列。对时间序列进行统计分析,简称时间序列分析,这就是统计学中的一个重要的分支。人们通过分析实际的时间数据序列进行建立数学模型,用来预测序列的未来的发展情况。常用的随机时间序列分析方法分为平稳时间序列分析和非平稳时间序列分析两大类。平稳时间序列模型包括AR模型、MA模型、ARMA模型三类;非平稳时间序列模型主要包括ARIMA模型和季节模型(season-alAutoRegressiveIntegratedMovingAverage model,简称SARIMA))两类。以上五种模型中,AR(P)模型、MA(q)模型、ARMA(P,q)模型仅适用于平稳时间序列建模和预测;ARIMA模型适用于非平稳的时间序列建模和预测,而且可将AR(P)模型、MA(q)模型、ARMA(P,q)模型视为ARIMA模型的特例;SARIMA模型适用于具有季节性周期特征的时间序列分析与建模。1序列的平稳性平稳性是某些时间序列具有的一种统计特征。在时间序列分析中,其主要内容是关于平稳时间序列的统计分析。 三、分析报告 （一）、数据平稳化 将裂纹扩散资料的数据导入Eviews软件中，对此数据作折线图及自相关与偏自相关函数图，如下图 根据上述两幅图可以断定此数据为非平稳化数据，对此数据1阶差分进行平稳化处理，再作折线图如下图所示 根据上述折线图可以看出1阶差分后的数据基本趋于平稳化，图中48 49左右存在两个异常值，将这两个异常值用均值替代，再作折线图及自相关与偏自相关函数图，如下图所示 从上述折线图中可以看出，序列Y并没有表现出随时间变化的趋势，从自相关与偏自相关函数图也可以初步判定该序列是平稳的。在建立模型前，有必要对序列 Y进行单位根检验，如下图 从上述图中可以看出，ADF检验的t统计量为-8.438824，小于1%，5%，10%的t统计量临界值，而且T检验统计