应用时间序列分析实验报告.doc

. . 应用时间序列分析实验报告 　　　　　　 学院名称　 理学院 　　　　　专业班级　　 应用统计学14-2 　　　　　学生姓名　 张艳雪 　　　　　学 号 　 201411081051  齐鲁工业大学实验报告 成绩 课程名称 《应用时间序列分析实验》 指导教师 黄玉林 实验日期 2017.6.30 院（系） 理学院 专业班级 统计14-2 实验地点 机电楼C428 学生姓名 张艳雪 学号 201411081051 同组人 无 实验项目名称 ARIMA模型、确定性分析法,多元时间序列建模 一、 实验目的和要求 1.熟悉非平稳序列的确定性分析法：趋势分析、季节效应分析、综合分析 2.熟悉差分平稳序列的建模步骤。 3.掌握单位根检验、协整检验、动态回归模型的建立。 二、 实验原理 1. 序列的各种变化都归结于四大因素的综合影响：长期趋势（Trend）,循环波动（Circle）,季节性变化（Season）,机波动（Immediate）.常假设它们有如下的相互模型： 加法模型 乘法模型 混合模型 模型结构不唯一 2.非平稳序列如果能通过适当阶数的差分后实现平稳，就可以对差分后序列进行ARMA模型拟合了，所以ARIMA模型是差分运算与ARMA模型的组合 3.单位根检验： （1）DF检验；（2）ADF检验； (3)PP检验； 4.动态回归模型ARIMAX 如果两个非平稳序列之间具有协整关系，则先建立它们的回归模型，再对平稳的残差序列建立ARMA模型。 三、实验内容 1、P202页：第7 题（X11因素分解法） 2、P155页：第3题（乘积季节模型） 3、P240页：第4题 出口为，进口为，回答以下问题 （1）画出，的时序图，用单位根检验序列它们的平稳性； （2）对分别拟合模型（提示：建立ARIMA模型）； (3)考察的协整关系，建立的协整模型，同时建立误差修正模型。 四、实验过程 P202页：第7 题（X11因素分解法） 1.绘制序列时序图。（程序见附录） 由上图可得季节序列的振幅随序列水平的变化而变化，所以季节效应与趋势效应不独立，采用乘法模型: x 2.进入x-11季节调整模型 经过三个阶段共十步的重复迭代后，得到如下的拟合效果图： 显然，该地区奶牛的月度产奶量序列具有显著的季节变动特征。 P155页：第3题（乘积季节模型） 1.绘制序列时序图。 绘制时序图，如图1所示（程序见附录1）。 图1 美国月度事故死亡人数序列时序图 时序图显示该序列具有以年为周期的季节效应。 2.差分平稳化：对原序列作1阶12步差分，希望提取原序列季节效应，差分后序列时序图如图2所示。 图2 美国月度事故死亡人数1阶12步差分后序列时序图 时序图显示差分后序列类似平稳。 3.模型定阶：考察差分后序列自相关图，如图3，进一步确定平稳性判断，并估计拟合模型的阶数。 图3 美国月度事故死亡人数1阶12步差分后序列自相关图 自相关图显示延迟12阶自相关系数显著大于2倍标准差范围，这说明差分后序列中仍蕴含着非常显著的季节效应。延迟1阶的自相关系数也大于2倍的标准差，这说明差分后序列还具有短期相关性。 观察偏自相关图，如图4，得到的结论和上面的结论一致。 图4 美国月度事故死亡人数1阶12步差分后序列偏自相关图 图5 序列白噪声检验 图5显示，原序列延迟各阶LB统计量的P值小于显著性水平0.05，所以拒绝原假设，序列不通过白噪声检验。 根据差分后序列的自相关图和偏自相关图的性质，拟合乘积季节模型。 自相关图显示，12阶以内的自相关系数1阶截尾，偏自相关图显示，12阶以内的偏自相关系数1阶截尾，所以尝试使用ARMA(1，0)模型提取差分后序列的短期自相关信息。 再考虑季节自相关特征，这时考察延迟12阶、24阶等以周期长度为单位的自相关系数和偏自相关系数的特征。自相关图显示延迟12阶自相关系数显著非零，而偏自相关图显示延迟12阶偏自相关系数显著非零，这时用以12步为周期的模型提取差分后序列的季节自相关信息。 参数估计： 图6 拟合模型 综合前面的差分信息