时间序列分析课程设计(最终版).pdfVIP

《时间序列分析》

课程设计报告

学院

专业

姓名

学号

评语：

分数

二○一二年十一月

目录

1.平稳序列分析（选用数据：国内工业同比增长率）3

1.1序列分析

1.2附录（程序代码）

2.非平稳序列分析I（选用数据：国家财政预算支出）8

2.1使用ARIMA进行拟合

2.2使用残差自回归进行拟合11

2.3附录（程序代码）

3.非平稳序列分析II（选用数据：美国月度进出口额）13

3.1序列分析

3.2附录（程序代码）

2/18

一、平稳序列分析（选用数据：国内工业同比增长率，2005年01月-2012年5月）

绘制时序图

rate

22

21

20

19

18

17

16

15

14

13

12

11

10

9

8

7

6

5

01JAN0501JUL0501JAN0601JUL0601JAN0701JUL0701JAN0801JUL0801JAN0901JUL0901JAN1001JUL1001JAN1101JUL1101JAN1201JUL12

time

图1-1国内工业月度同比增长率序列时序图

通过序列的时序图，可以直观的看出2005年1月至今这段时间国内工业月度同比增长率没有明显

的趋势以及周期性，波动稳定，可以初步判定为平稳序列。下面进一步考察序列的自相关图。

图1-2国内工业月度同比增长率序列的样本自相关图

样本自相关图显示延迟4阶之后，自相关系数都落入2倍标准误差以内，具有短期相关性。可以

认为该序列平稳。下面对序列进行白噪声检验。

3/18

图1-3国内工业月度同比增长率序列白噪声检验结果

根据这个检验结果，在各阶延迟下LB检验统计量的P值非常小（0.0001），因此拒绝序列纯随

机性的原假设。认为该序列为非白噪声，于是我们将使用ARMA模型对该序列进行拟合。

图1-4国内工业月度同比增长率序列的样本偏自相关图

样本偏自相关图显示偏自相关系数2阶截尾，而图1-2认为该序列自相关系数拖尾。综合这两点性质，为拟合

模型定阶为MA(2)。

图1-5ESTIMATE命令输出的未知参数估计结果

估计结果看出，参数均通过检验显著有效，而拟合模型的AIC值=425.9722,、SBC值=433.4381。

4/18

图1-6模型MA(2)残差自相关检验结果

由于延迟各阶的LB统计量的Ｐ值均显著大于0.05，所以该拟合模型显著成立。为得到更好的拟合模型，考虑

用MINIC选项，以获得一定范围内的最优模型定阶。

图1-7最小信息量结果

最后一条信息显示，BIC信息量相对最小的是ARMA(1,0)模型，即AR(1)模型。对AR(1)模型进行参数估计以

及残差自相关性检验。

图1-8ESTI