原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
时
间
序
列
期
末
论
文
安徽财经大学
姓名：鲍志祥 班级：093?财管二班 学号：20093069073
企业商品价格总指数的时间序列分析
摘要
利用?Eviews?软件判断企业商品价格总指数序列为非平稳序列且为非白噪声序列，对非
平稳序列进行一阶差分后得到平稳序列，分析运用一阶自回归?AR(1)模型拟合时间序列，
由于总指数序列值之间密切的相关关系，且历史数据对未来的发展有一定影响，利用
Forecast?命令预测未来?4?个月的企业商品价格总指数。
1
2
3
4
5
6
7
8
9
10
11
12
2007
104.6
104.5
104.2
104.6
105.1
105.4
106.1
106.5
106.2
106.5
107.4
107.6
2008
108.36
109.2
110.2
110.3
109.63
109.5
109.4
108.2
107
104
99.6
96.9
2009
95.8
94
93.4
92.9
92.4
92
92
92.9
94.1
96.3
100.4
103.36
2010
104.5
105.7
105.6
106.6
107.1
106.6
105.9
106
106.1
107.8
108.6
107.9
2011
108
108.7
109.3
108.5
108.8
109.5
109.7
108.9
关键词：Eviews；平稳序列；AR(p)模型；一阶差分
理论准备：?拿到一个观察值序列之后,首先要判断它的平稳性.通过平稳性检验,序列可分为
平稳序列和非平稳序列两大类.
对于平稳序列,由于它不具有二阶矩形平稳的性质,所以对它的统计分析要周折一些,通
常要进行进一步的检验、变换或处理之后，才能确定适当的拟和模型。
如果序列平稳，建模比较容易，但并不是所有的平稳序列都值得建模。只有那些序列
值之间具有密切的相关关系，历史数据对未来的发展有一定影响的序列，才值得我们花时
间去挖掘历史数据中的有效信息，用于预测序列未来的发展。
如果序列值彼此之间没有任何相关性，那就意味着该序列是一个没有任何记忆的序列，
过去的行为对将来的发展没有丝毫影响，这种序列我们称之为纯随机序列。从统计分析的
角度而言，纯随机序列是没有任何分析价值的序列。
如果序列?xt?是均值非平稳的，对其进行?d?次差分后，变成了平稳的序列?Δdxt，这个
差分后的平稳序列的适应性模型为?ARMA(p,q) ，此时就称对原始序列?xt?建立了
ARIMA(p,d,q)模型。
问题：判断企业商品价格总指数序列的平稳性与纯随机性，处理数据并利用拟合模型，预
测未来?4?个月的企业商品价格总指数。
表?1?企业商品价格总指数数据（来源：东方财富网）（1）判断企业商品价格总指数的平稳性与纯随机性：图?1
表?1?企业商品价格总指数数据（来源：东方财富网）
（1）判断企业商品价格总指数的平稳性与纯随机性：
由图?1?我们可以看出序列在上下波动比较大，大致判断不具有平稳性。
图?2?序列{xi}的自相关图
由图?2?可知，自相关图呈正弦波指数衰减，为不平稳时间序列。前几期的?LB?统计量?P?值
比
较小接近于判断该序列为非白噪声时间序列。
（2）对原始数据进行一阶差分，并对序列{d(x)}进行单位根检验：
由单位根检验结果知，T?统计量的值比?3?种置信水平的临界值都要小，所以拒绝原假设，
不存在单位根，一阶差分后序列为平稳序列。
图?3?差分后数据{d(x)}的时序图
图?4?差分后数据{d(x)}的自相关图
（3）对平稳且非白噪声序列{d(x)}，观察序列的相关系数图?4?选择适当模型拟合该序列的
发展趋势。由相关图可以看出，序列{d(x)}的偏自相关函数具有一阶滞后截尾，自相关函
数具有拖尾性，所以首先选择?AR(1)模型利用最小二乘法进行模拟。
图?5?拟合?AR(1)模型结果
从模型的拟合结果可以看出，AR(1)的参数估计没有通过显著性检验，常数?C?的系数不显
著，所以需去掉常数?C?后重新建立模型。
图?5?改进的拟合?AR(1)模型结果
此时模型的特征值在单位圆内，所以模型是平稳的。模型参数的估计值通过了?t?检验，且
DW?值接近于?2，模型是显著的。
（4）模型的检验：
对模型的残差序列进行白噪声检验：
图?6?残差序列的自相关图
有图?6?知，P?值都比较大，故模型的残差序列为白噪声。综合，AR(1)模型是显著有效的。
拟合的模型方程为：?dx?t??
1
1???0.76203B
??t
对序列{d(x)}进行预测（蓝线代表预测值，红线代表置信区间的值）：
图?7?差分序列{d(x)}?预测值与预测区间
?（5）利用?AR?1?拟合模型，预测未来?4?个月的企业商品价格总指数（
文档评论（0）