季节效应分析(时间序列论文).pdfVIP

季节效应分析

一、数据来源：

P.122.例4.6，北京市1995——2000年月平均气温序列（附录

1.10）。

二、研究目的：

在日常生活中，我们可以见到许多有季节效应的时间序

列，比如：四季的气温，每个月的商品零售额，某自然景点每

季度的旅游人数等等。他们都会呈现出明显的季节变动规律。

所谓季节效应就是在不同的季节中数据会呈现很明显的差异。

在对北京市1995——2000年月平均气温序列的分析中，把每月

温度绘制成图，可以帮助我们更清楚地看到季节效应的存在。

三、理论背景：

假如没有季节效应的影响，北京市的气温应该始终在某个

均值附近随机波动，季节效应的存在，使得气温会在不同年份

的相同月份呈现出相似的性质，通过建模我们可以提取季节变

动和随机变动的信息，这个过程即是对有季节效应的建模过

程。

四、数据统计分析：

步骤一，初步了解数据信息，并作预处理：

1，将原始数据（附录1.10）导入Eviews6.0中，并删除序列

SERIES01,将序列SERIES02重命名为X。

2，点击Quick——Graph，在出现的对话框中输入X，点击确

定，得到时序图，如下：

由图可知，北京市1995——2000年每月的平均气温随着季

节的变动有着非常规律的变化。气温的波动主要受到两个因

素的影响：一个是季节效应，一个是随机波动。同时可以看

出气温在剔除季节效应后是一个稳定的序列，因此不用对随

机波动做差分处理。

3，了解该模型的平均值，进行零均值化处理。在Eviews中，

quick→seriesstatistics→histogramandstats得到该直方图

如下：

知该模型的均值为13.03333。对模型进行零均值化处理。在

命令窗口中写genry=x-13.03333。生成x零均值化处理后的

序列y。

步骤二，对零均值处理后的序列Y进行季节差分处理：

1，在命令窗口中输入genrz=y-y(-12)，按Enter键。

2，打开Z序列，点击View——Correlogram,出现对话框，在

Correlogramof下选level,在lagstoinclude下输入36，点击

OK，得到Z序列的自相关和偏自相关图，如下：

从自相关图和偏自相关图可以看出Z序列不是纯随机性序列

可以建模。Z序列可拟建立：SARIMA(1,0,0)x(0,1,1)12模型，

SARIMA(0,0,1)x(0,1,1)12模型，SARIMA（0,0,2）x(0,1,1)12模

型，SARIMA（1，0，1）x(0,1,1)12模型，SARIMA（1，0，

0）x(0,1,2)模型，SARIMA（0，0，1）x（0，1，2）模型，

1212

SARIMA（0，0，2）x（0，1，2）模型，SARIMA（1，0，

12

1）x（0，1，2）模型。

12

步骤三，初步建模：

1，建立SARIMA（1,0,0）x（0,1,1）模型：

12

点击Quick——estimateequation，在出现的对话框中输入z