《应用时间序列论文—利用Eviews分析CPI问题》-毕业设计（论文）.docVIP

应用时间序列论文 ——利用Eviews分析CPI问题 姓名： （青海民族大学 数学与统计学院） 摘要 CPI是居民消费价格指数（consumer price index）的简称。居民消费价格指数，是一个反映居民家庭一般所购买的消费商品和服务价格水平变动情况的宏观经济指标。它是度量一组代表性消费商品及服务项目的价格水平随时间而变动的相对数，是用来反映居民家庭购买消费商品及服务的价格水平的变动情况。本文以我国的居民消费价格指数作为研究对象，我们运用AR模型进行建模，并利用Eviews软件进行分析。 关键字 CPI Eviews软件 AR模型 一、引言 时间序列分析(Time series analysis)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。它包括一般统计分析(如自相关分析，谱分析等),统计模型的建立与推断，以及关于时间序列的最优预测、控制与滤波等内容。经典的统计分析都假定数据序列具有独立性，而时间序列分析则侧重研究数据序列的互相依赖关系。例如，记录了某地区第一个月，第二个月，……，第N个月的降雨量，利用时间序列分析方法，可以对未来各月的雨量进行预报。 随着计算机的相关软件的开发，数学知识不再是空谈理论，时间序列分析主要是建立在数理统计等知识之上，应用相关数理知识在相关方面的应用等。20世纪70年代以来，应用最广泛的时间序列模型是平稳自回归-滑动平均模型 (简称ARMA模型)。G.U.尤尔在1925～1930年间就提出了平稳自回归的概念。1943年,Η.Β.曼和Α.瓦尔德发表了关于这种模型的统计方法及其渐近性质的一些理论结果。一般ARMA模型的统计分析研究，则是20世纪60年代后才发展起来的。特别是关于p，q值的估计及其渐近理论，出现得更晚些。除ARMA模型之外,还有其他的模型分析的研究,其中以线性模型的研究较为成熟，而且都与ARMA模型分析有密切关系。时间序列分析中的最优预测、控制与滤波等方面的内容见平稳过程条。多维时间序列分析的研究有所进展，并应用到工业生产自动化及经济分析中。此外非线性模型统计分析及非参数统计分析等方面也逐渐引起人们的注意。 二、相关理论 1、时间序列发展背景? 早期的时间序列分析通常都是通过直观的数据比较或绘图观测,寻找序列中蕴含的发展规律,这种分析方法就称为描述性时序分析。古埃及人发现尼罗河泛滥的规律就是依靠这种分析方法。但随着研究领域的不断拓广,在很多研究领域中随机变量的发展通常会呈现出非常强的随机性,人们发现依靠单纯的描述性时序分析已不能准确地寻找出随机变量发展变化的规律,为了更准确地估计随机序列发展变化的规律,从20世纪20年代开始,学术界利用数理统计学原理分析时间序列,研究的重心从表面现象的总结转移到分析序列值内在的相关关系上,由此开辟了一门应用统计学科——时间序列分析。 时间序列分析方法最早起源于1927年数学家Yule提出建立自回归模型(AR模型)?来预测市场变化的规律。1931年,另一位数学家在AR模型的启发下,建立了移动平均模型(MA模型),初步奠定了时间序列分析方法的基础。20世纪60年代后,时间序列分析方法迈上了一个新的台阶,在工程领域方面的应用非常广泛。近几年,随着计算机技术和信号处理技术的迅速发展,时间序列分析理论和方法更趋完善。 2、时间序列的分类 （1）时间序列数据按照时间t属性数据进行分类,可以分为连续的和离散的,平稳的和非平稳的,确定的和随机的。 连续的:水文站的河流水位或海平面、气象台站的气温记录等,时间在某个实数集合上的取值,数据是由记录仪连续记录的; 离散的:每月、每季或每年的经济指标发布等,数据是某个时间观察点的记录; 平稳的:数据围绕某一常数值波动无明显增减变化;非平稳的:数据具有某种周期性或循环变动的特点; 确定的:可以进行准确的预测; 随机的:由于大量随机性因素干扰引起起伏波动,只能通过对历史数据的分析来预测未来的值的可能性,属不规则运动。 （2）时间序列根据所研究的不同依据可分为如下几类： 按所研究的对象的多少可分为：一元时间序列和多元时间序列。 按时间的连续性可分为：离散型时间序列和连续型时间序列。 按序列的统计特性可分为：平稳时间序列和非平稳时间序列。 按序列的分布规律可分为：高斯型时间序列和非高斯型时间序列。 3、时间序列预处理的意义 一方面能够使序列的特征体现的更加明显，利于分析模型的选择；另一方面也使数据满足于模型的要求，从而当时间序列数据很大的时候起到显著改善计算精度的作用。 4、非平稳时间序列平稳化的处理 时间序列往往具有明显的长期趋势和不规则变动叠加于随机波动之上，因此，大部分时间序列都是非平稳的时间序列，只有通过各种数据处理方法将数据的非