时间序列分析论文.docxVIP

时 间 序 列 期 末 论 文 平顶山第二电厂电力生产率时间序列分析 摘要 利用 Eviews 软件判断该电厂电力生产率数据为平稳序列且为非白噪 声序列，通过对数据一系列处理，运用三阶自回归 AR（3）模型拟合 时间序列， 由于时间序列数据之间的相关关系， 且历史数据对未来的 发展有一定影响，并对未来的电力增长进行预测。 理论准备： 拿到一个观测值序列之后， 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。 如果序列值彼此之间没有任何向关性， 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 机序列式没有任何分析价值的序列。 如果序列平稳， 通过数据计算进行模型拟合， 并利用过去行为对 将来的发展预测， 这是我们所期望得到的结果。 可采用下面的流 程操作。 一、 本实验采用 2000-01~2004-11 月电力生产增长率数据做时 间序列分析模型，数据如下： 2000.1 5.4% 2001.9 8.8% 2003.5 13.4% 2000.2 15.3% 2001.10 8.5% 2003.6 13.1% 2000.3 7.1% 2001.11 7.4% 2003.7 15.2% 2000.4 6.9% 2001.12 9.6% 2003.8 15.5% 2000.5 12.8% 2002.1 15.4% 2003.9 15.5% 2000.6 12.5% 2002.2 -3.2% 2003.10 14.8% 2000.7 13.5% 2002.3 6.2% 2003.11 15.6% 2000.8 10.6% 2002.4 10.6% 2003.12 13.4% 2000.9 7.0% 2002.5 8.5% 2004.1 5.9% 2000.10 9.3% 2002.6 13.4% 2004.2 24.7% 2000.11 9.4% 2002.7 11.4% 2004.3 15.4% 2000.12 8.5% 2002.8 13.7% 2004.4 16.2% 2001.1 0.1% 2002.9 18.6% 2004.5 16.6% 2001.2 12.8% 2002.10 16.1% 2004.6 14.3% 2001.3 9.8% 2002.11 17.1% 2004.7 11.7% 2001.4 7.7% 2002.12 14.6% 2004.8 12.1% 2001.5 7.7% 2003.1 10.7% 2004.9 11.8% 2001.6 8.4% 2003.2 23.2% 2004.10 15.8% 2001.7 10.2% 2003.3 16.2% 2004.11 14.4% 2001.8 6.3% 2003.4 14.1% 首先对数据进行平稳性与纯随机性的检验与判别 （一） 平稳性的检验我们先采用图示法，时序图如下： X .25 .20 .15 .10 .05 .00 -.05 5 10 15 20 25 30 35 40 45 50 55 由图所示，该序列有很大的波动，周期性不明显。更重要的是该序列 的上升或下降趋势并不明显， 基本可以确认该序列是平稳的， 但直观 感受不能认定它就是平稳的，需进一步做检验。 样本自相关图如下 : 根据序列自相关图可以看出： 该序列具有短期相关性， 就是随着 延期数的增加， 平稳序列的自相关系数很快地接近于零， 自相关 图大部分都在 2 倍的标准差范围内。 所以确认该序列就是平稳序 列。 下面进行纯随机性检验：由自相关图可以知道，该序列延迟 16 期的自相关系是 0.285 0.318 0.418 0.288 0.346 0.282 0.212 0.276 0.211 0.185 0.102 0.087 0.164 0.137 0.063 0.019 延迟期的 Q 统计值和对应得 P值如图： 由于 Q 统计值都很大，而对应的 P 值都小 a，所以拒绝该序列是 白噪声的假设，故该序列是非纯随机序列。 二、 对模型的识别，我们做出自相关和偏子相关图。 由于该序列的自相关系数大部分落入 2 倍标准差范围内， 而且自 相关系数衰减为零的速度很慢， 所以表现出拖尾性， 而偏自相关 系数的三阶在二倍标准差范围外， 其他衰减为零的速度很快， 所 以表现出三阶截尾性，所以可断定该模型是 AR(3)模型，即三阶 自回归模型。 三、 我们采用最小二乘法进行参数估计： 从图中我们可以得出模型为： x 0.121490 0.426156 x t 3 t 四、 对模型进行检验（一）参数的显著性检验，如图 由于以上参数的 t 值显著大于 2，p 值小于 0.05，所以拒