确定性分析 课后练习

一、判断（5×2分=10分）

1．单利计算未考虑资金的时间价值。（）

2．采用快速折旧法计算的折旧总额大于采用平速折旧法计算的折旧总额。（）

3．项目的净现值率等于项目净现值与各年度投资总额之比。（）

4．净现值和净将来值作为项目评价判据是等价的。（）

5．对常规投资项目，若基准贴现率等于内部收益率，则动态投资回收期等于项目寿命。（）

二、选择（13×3分=39分）

1．在工程经济分析中经常采用的计息方法是（）。

A. 单利法

B. 复利法

C. 利息法

D. 本利法

2．采用投资收益率对技术方案进行经济评价时，若技术方案的投资收益率（）基准投资收益率。则方案在经济上是可取的。

A. 大于

B. 小于

C. 等于

D. 大于等于

3．净现值与（）的比值是净现值率。

A. 投资总额

B. 投资未来值

C. 投资年制

D. 投资现值

4．以下评价方法是静态评价方法的是（）。

A. 净现值法

B. 计算费用法

C. 内部收益率法

D. 年值法

5．当两个方案的收益无法具体核算时，可以用（）计算，并加以比较。

A. 净现值率法

B. 年费用比较法

C. 净现值法

D. 未来值法

6．差额投资内部收益率小于基准收益率，则说明（）。

A. 少投资的方案不可行

B. 多投资的方案不可行

C. 少投资的方案较优

D. 多投资的方案较优

7．对两个互斥方案进行比较可用的方法是（）。

A. 投资回收期法

B. 投资收益率法

C. 差额投资回收期法

D. 内部收益率法

8．当技术方案的投资不仅能获得基准收益率所预定的经济效益，还能超过基准收益率的现值收益，此时净现值（NPV）（）。

A. 小于零

B. 等于零

C. 大于等于零

D. 大于零

9．当项目投产后，每年净收益均等时，项目的投资回收期是用（）。

A. 投资总额与年净收益之比

B. 年净收益与投资总额之比

C. 投资总额与年净收益之差

D. 年净收益与投资总额之差

10．当折现率为16%时，某投资方案的净现值是338元，当折现率为18%时，净现值是-22元，则其财务内部收益率为（）。

A.15.88%

B.17.88%

C.18.14%

D.16.12%

11．若某项目的动态投资回收期刚好等于项目计算期,则必然有( )

A.动态投资回收期大于基准投资回收期

B.动态投资回收期小于基准投资回收期

C.内部收益率等于基准收益率

D.内部收益率大于基准收益率

12．下列指标中，考虑了资金时间价值的指标有( )

A.资金筹集率

B.投资收益率

C. 投资收益率

D.内部收益率

则该项目的静态投资回收期和动态投资回收期分别为( )

A.5.53年、6.13年

B.5.33年、6.13年

C.5.53年、6.23年

D.5.33年、6.23年

三、简答（2×5分=10分）

1．在对互斥方案进行选择时，是否可以用内部收益率法代替投资增额收益率法？为什么？

2．对企业而言，快速折旧有哪些优缺点？

四、计算（共41分）

1．某项目投产后第一年达到设计产量的40%，第二年达到60%，第三年达到设计产量。正常生产年份的产品经营成本为9400万元，其中固定成本为2400万元。试估算投产期间各年的经营成本。（8分）

2．有A、B两个投资方案，方案A投资10000元，年收入5000元，年经营成本2200元，残值2000元，寿命5年；方案B投资15000元，年收入7000元，年经营成本4300元，无残值，寿命10年，若基准贴现率为8%，试用净现值法分析方案优劣。（10分）3．某固定资产原值50万元，折旧年限10年，残值5万元。利用双倍余额递减折旧法计算第5年的折旧额和第5年折旧后的残值。（12分）

4．有A、B、C、D四个方案，资料如下表。求：

(1)如果这四个项目是互斥的，基准收益率为15%，应选哪个方案?（5分）

(2)如果这四个项目是独立的，资金没有限制，基准贴现率为14.5％，应选哪些方案? （6分）

【SPSS看统计学】之时间序列预测Word版

时间序列预测技术 下面看看如何采用SPSS软件进行时间序列的预测 我们通过案例来说明： 假设我们拿到一个时间序列数据集：某男装生产线销售额。一个产品分类销售公司会根据过去 10 年的销售数据来预测其男装生产线的月销售情况。 现在我们得到了10年120个历史销售数据，理论上讲，历史数据越多预测越稳定，一般也要24个历史数据才行！ 大家看到，原则上讲数据中没有时间变量，实际上也不需要时间变量，但你必须知道时间的起点和时间间隔。

当我们现在预测方法创建模型时，记住：一定要先定义数据的时间序列和标记！ 这时候你要决定你的时间序列数据的开始时间，时间间隔，周期！在我们这个案例中，你要决定季度是否是你考虑周期性或季节性的影响因素，软件能够侦测到你的数据的季节性变化因子。

定义了时间序列的时间标记后，数据集自动生成四个新的变量：YEAR、QUARTER、MONTH和DATE（时间标签）。 接下来：为了帮我们找到适当的模型，最好先绘制时间序列。时间序列的可视化检查通常可以很好地指导并帮助我们进行选择。另外，我们需要弄清以下几点： ?此序列是否存在整体趋势？如果是，趋势是显示持续存在还是显示将随时间而消逝？ ?此序列是否显示季节变化？如果是，那么这种季节的波动是随时间而加剧还是持续稳定存在？

这时候我们就可以看到时间序列图了！ 我们看到：此序列显示整体上升趋势，即序列值随时间而增加。上升趋势似乎将持续，即为线性趋势。此序列还有一个明显的季节特征，即年度高点在十二月。季节变化显示随上升序列而增长的趋势，表明是乘法季节模型而不是加法季节模型。 此时，我们对时间序列的特征有了大致的了解，便可以开始尝试构建预测模型。时间序列预测模型的建立是一个不断尝试和选择的过程。 了三大类预测方法：1-专家建模器，2-指数平滑法，3-ARIMA

统计基础知识第五章时间序列分析习题及答案

第五章时间序列分析 一、单项选择题 1.构成时间数列的两个基本要素是( C )（2012年1月） A.主词和宾词 B.变量和次数 C.现象所属的时间及其统计指标数值 D.时间和次数 2．某地区历年出生人口数是一个( B )（2011年10月） A．时期数列 B.时点数列 C.分配数列 D.平均数数列 3.某商场销售洗衣机，2008年共销售6000台，年底库存50台，这两个指标是( C ) （2010年10） A.时期指标 B.时点指标 C.前者是时期指标，后者是时点指标 D.前者是时点指标，后者是时期指标 4.累计增长量( A ) （2010年10） A.等于逐期增长量之和 B.等于逐期增长量之积 C.等于逐期增长量之差 D.与逐期增长量没有关系 5.某企业银行存款余额4月初为80万元，5月初为150万元，6月初为210万元，7月初为160万元，则该企业第二季度的平均存款余额为（ C ）（2009年10） 万元万元万元万元 6.下列指标中属于时点指标的是( A ) （2009年10） A.商品库存量 B.商品销售量 C.平均每人销售额 D.商品销售额 7.时间数列中，各项指标数值可以相加的是( A ) （2009年10） A.时期数列 B.相对数时间数列 C.平均数时间数列 D.时点数列 8.时期数列中各项指标数值（ A ）（2009年1月） A.可以相加 B.不可以相加 C.绝大部分可以相加 D.绝大部分不可以相加 10.某校学生人数2005年比2004年增长了8%，2006年比2005年增长了15%，2007年比2006年增长了18%，则2004-2007年学生人数共增长了（ D ）（2008年10月） ％+15％+18％％×15％×18％ C.（108％+115％+118％）-1 ％×115％×118％-1 二、多项选择题 1.将不同时期的发展水平加以平均而得到的平均数称为( ABD )（2012年1月） A.序时平均数 B.动态平均数 C.静态平均数 D.平均发展水平 E.一般平均数2．定基发展速度和环比发展速度的关系是( BD )（2011年10月） A．相邻两个环比发展速度之商等于相应的定基发展速度 B.环比发展速度的连乘积等于定基发展速度

SAS学习系列38.时间序列分析报告Ⅱ—非平稳时间序列地确定性分析报告

38. 非平稳时间序列的确定性分析 实际中大多数时间序列是非平稳的，对非平稳时间序列的分析方法主要有两类：确定性分析和随机性分析。 确定性分析——提取非平稳时间序列明显的规律性（长期趋势、季节性变化、周期性），目的是：①克服其它因素影响，单纯测度出单一确定因素对序列的影响；②推断各种确定性因素彼此之间相互作用关系及它们对序列的综合影响。 随机性分析——分析非平稳时间序列由随机因素导致的随机波动性。 （一）趋势分析 有的时间序列具有明显的长期趋势，趋势分析就是要找出并利用这种趋势对序列发展做出合理预测。 1. 趋势拟合法 即把时间作为自变量，相应的序列观察值作为因变量，建立序列值随时间变化的回归模型。分为线性拟合和非线性拟合。 2. 平滑法 利用修匀技术，消弱短期随机波动对序列的影响，使序列平滑化，从而显示出长期趋势变化的规律。 （1）移动平均、加权移动平均 已知序列值x1, …, x t-1, 预测x t的值为

12?t t t n t x x x x n ---+++=L 称为n 期移动平均值，n 的选取带有一定的经验性，n 过长或过短，各有利弊，也可以根据均方误差来选取。 一般最新数据更能反映序列变化的趋势。因此，要突出新数据的作用，可采用加权移动平均法： 1122?t t n t n tw x x x x n ωωω---+++=L 其中，1 11n i i n ω==∑. （2）二次移动平均 对应线性趋势，移动平均拟合值有滞后性，可以采用二次移动平均加以改进：对移动平均值再做一次移动平均。 （3）指数平滑法 指数平滑法是一种对过去观察值加权平均的特殊形式，观测值时间越远，其权数呈指数下降。一次指数平滑法可用于对时间序列进行修匀，以消除随机波动。预测公式为： 1??(1)t t t s x s αα-=+- 其中α∈(0, 1)为平滑常数，?t s 为第t 期平滑预测值，初始预测值0?s （通常取最初几个实测数据的均值）。 一般来说，时间序列有较大的随机波动时，宜选择较大的α值，以便能较快跟上近期的变化；也可以利用预测误差选择。 （4）二次、三次指数平滑法 即对一次指数平滑后的序列再做一次指数平滑，但不是直接将二

时间序列分析报告word版

第2章 时间序列的预处理 拿到一个观察值序列之后，首先要对它的平稳性和纯随机性进行检验，这两个重要的检验称为序列的预处理。根据检验的结果可以将序列分为不同的类型，对不同类型的序列我们会采用不同的分析方法。 2.1 平稳性检验 2.1.1 特征统计量 平稳性是某些时间序列具有的一种统计特征。要描述清楚这个特征，我们必须借助如下统计工具。 一、概率分布 数理统计的基础知识告诉我们分布函数或密度函数能够完整地描述一个随 机变量的统计特征。同样，一个随机 变量族的统计特性也完全由它们的联 合分布函数或联合密度函数决定。 对于时间序列{t X ，t ∈T }，这样来定义它的概率分布： 任取正整数m ，任取m t t t ，， ，?21∈T ，则m 维随机向量（m t t t X X X ，，，?21）’的联合概率分布记为），，，（m t t t x x x F m ??21,,,21，由这些有限维分布函数构成的全体。 {），，，（m t t t x x x F m ??21,,,21，?m ∈正整数，?m t t t ，，，?21∈T } 就称为序列{t X }的概率分布族。 概率分布族是极其重要的统计特征描述工具，因为序列的所有统计性质理论上都可以通过 概率分布推测出来，但是概率分布族的重要 性也就停留在这样的理论意义上。在实际应 用中，要得到序列的联合概率分布几乎是不 可能的，而且联合概率分布通常涉及非常复 杂的数学运算，这些原因使我们很少直接使 用联合概率分布进行时间序列分析。 二、特征统计量 一个更简单、更实用的描述时间序列统计特征的方法是研究该序列的低阶矩，特别是均值、方差、自协方差和自相关系数，它们也被称为特征统计量。 尽管这些特征统计量不能描述随机序列全部的统计性质，但由于它们概率意义明显，易于计算，而且往往能代表随机 序列的主要概率特征，所以我们对时间序列进行分析，主要就是通过分析这些统计量的统计特性，推断出随机序列的性质。 1.均值 对时间序列{t X ，t ∈T }而言，任意时刻的序列值t X 都是一个随机变量，都有它自己的概率分布，不妨记为)(x F t 。只要满足条件 ∞

(完整word版)时间序列分析考试卷及答案

1 页（共 4 页） 考核课程 时间序列分析（B 卷） 考核方式 闭卷 考核时间 120 分钟 注：B 为延迟算子，使得1-=t t Y BY ；?为差分算子，1--=?t t t Y Y Y 。 一、单项选择题（每小题3 分，共24 分。） 1. 若零均值平稳序列{}t X ，其样本ACF 和样本PACF 都呈现拖尾性，则对{}t X 可能建立（ B ）模型。 A. MA(2) B.ARMA(1,1) C.AR(2) D.MA(1) 2.下图是某时间序列的样本偏自相关函数图，则恰当的模型是（ B ）。 A. )1(MA B.)1(AR C.)1,1(ARMA D.)2(MA 3. 考虑MA(2)模型212.09.0--+-=t t t t e e e Y ，则其MA 特征方程的根是（ C ）。 （A ）5.0,4.021==λλ （B ）5.0,4.021-=-=λλ （C ）5.2221==λλ， （D ） 5.2221=-=λλ， 4. 设有模型112111)1(----=++-t t t t t e e X X X θφφ，其中11<φ，则该模型属于（ B ）。 A.ARMA(2,1) B.ARIMA(1,1,1) C.ARIMA(0,1,1) D.ARIMA(1,2,1) 5. AR(2)模型t t t t e Y Y Y +-=--215.04.0，其中64.0)(=t e Var ，则=)(t t e Y E （ B ）。 A.0 B.64.0 C. 1 6.0 D. 2.0 6.对于一阶滑动平均模型MA(1): 15.0--=t t t e e Y ，则其一阶自相关函数为( C )。 A.5.0- B. 25.0 C. 4.0- D. 8.0 7. 若零均值平稳序列{}t X ?，其样本ACF 呈现二阶截尾性，其样本PACF 呈现拖尾性，则可初步认为对{}t X 应该建立（ B ）模型。 A. MA(2) B.)2,1(IMA C.)1,2(ARI D.ARIMA(2,1,2) 8. 记?为差分算子，则下列不正确的是（ C ）。 A. 12-?-?=?t t t Y Y Y B. 212 2--+-=?t t t t Y Y Y Y C. k t t t k Y Y Y --=? D. t t t t Y X Y X ?+?=+?） ( 二、填空题（每题3分，共24分）； 1. 若{}t Y 满足： 1312112---Θ-Θ--=??t t t t t e e e e Y θθ， 则该模型为一个季节周期为=s __12____的乘法季节s ARIMA )1,1_,0(_)1_,1_,0(?模型。

第 2 章 确定性时间序列模型—经典方法

第2章确定性时间序列模型—经典方法 2.1 时间序列的分解 确定性时间序列分析认为时间序列数据去掉随机干扰因素后，剩余部分可以视为确定性的时间函数，即时间序列Y可以表示为下面四种要素的函数 Y= f(T，C，S，e) 其中，趋势项T是时间t的单调函数，它反映了时间序列Y的长期发展趋势； 循环项C是时间t的长周期函数，它反映了时间序列Y在长期变化过程中的周期性，例如股价的技术分析中的三波动法； 季节项S是时间t的短周期函数，反映了时间序列Y长期变化过程中的短期波动性； 随机项e是时间序列Y中不可预测的偶发因素对时间序列变化的干扰。 为了简化分析，这里合并趋势项和循环项，统称为时间序列Y的趋势循环项。这样Y= f(T，S，e) 在实际应用中，函数f的形式常常为 加法模型Y= T+S+e，时间序列是趋势项、季节项和随机项的合成 乘法模型Y= T×S×e，时间序列是趋势项、季节项和随机项的乘积 社会消费品零售总额原序列社会消费品零售总额的自然对数序列及其趋势周期因素 没有统一的标准，常用的方法是 图示法：如果数据偏离趋势项的大小不随时间的变化而改变，用加法模型；否则，如果数据偏离趋势项的大小随时间的变化而增加，用乘法模型。实际上，加法模型使用的较为广 泛。

2.2 时间序列的平滑方法——剔除随机项 本节讨论不存在趋势项和季节因素的时间序列如何剔除随机项。 2.2.1 简单滑动平均法 1. M -期简单滑动平均 M -期简单滑动平均：使用最近M 个数的平均值做为平滑值，即，对于时间序列{t A } 11 t t t M t A A A A M ??++++= " 预测：1t t F A += 2. 平滑期数M 的选择 选择的准则： （1）平均误差最小 选择使得()()1T t t t M ME A F T M =+=??∑最小的平滑期数M （2）误差平方和最小 选择使得() 2 1T t t t M SSE A F =+=?∑最小的平滑期数M （3）误差标准差最小 选择使得 RSE = 最小的平滑期数M （4）平均绝对误差和最小 选择使得1 T t t t MAD A F T == ?∑最小的平滑期数M 3. 简单滑动平均的缺陷 (1) 不能处理存在趋势因素和季节因素的时间序列 (2) 平滑期数M 的选择缺乏科学性 4. 简单滑动平均的应用 股价的技术分析方法 5. 加权滑动平均 1211t t t M t M A w A w A w A ??+=+++" 其中，121M w w w +++="，01t w <<. 2.2.2 指数平滑法 1. 简单指数平滑计算公式 简单指数平滑是加权滑动平均法在M=∞时的推广，即令

多元时间序列建模分析(DOC)

应用时间序列分析实验报告

实验过程记录（含程序、数据记录及分析和实验结果等）：时序图如下： 单位根检验输出结果如下： 序列x的单位根检验结果： 序列y的单位根检验结果： 序列y和序列x之间的相关图如下：

残差序列自相关图： 自相关图显示。延迟6阶之后自相关系数都在2倍标准差范围之内，可以认为残差序列平稳。 对残差序列进行2阶自相关单位根检验，检验结果显示残差序列显著平稳，如下图：残差序列单位根检验结果： 残差序列平稳，说明序列Y与序列X之间具有协整关系，我可以大胆的在这两个

序列之间建立回归模型而不必担心虚假回归问题。 考察残差序列白噪声检验结果，如下图： 残差序列白噪声检验结果： 输出结果显示，延迟各阶LB 统计量的P 值都大于显著水平0.05，可以认为残差序列为白噪声检验结果，结束分析。 出口序列拟合的模型为：lnx t ~ARIMA(1,1,0),具体口径为： 1 ln 0.1468910.38845t t x B ε?=+- 进口序列拟合的模型为 lny t ~ARIMA(1,1,0) ，具体口径为： 1 ln 0.1467210.36364 t t y ε?=+- lny t 和lnx t 具有协整关系。 协整模型为： 1ln 0.99179ln 0.69938t t t t y x εε-=+- 误差修正模型为： 1ln 0.9786ln 0.22395t t t y x ECM -?=?- SAS 程序如下： data example6_4; input x y@@; t=_n_; cards ; 1950 20.0 21.3 1951 24.2 35.3 1952 27.1 37.5 1953 34.8 46.1 1954 40.0 44.7 1955 48.7 61.1 1956 55.7 53.0 1957 54.5 50.0 1958 67.0 61.7 1959 78.1 71.2 1960 63.3 65.1 1961 47.7 43.0 1962 47.1 33.8 1963 50.0 35.7 1964 55.4 42.1 1965 63.1 55.3 1966 66.0 61.1

(完整word版)时间序列分析考试卷及答案 (2)

考核课程 时间序列分析（B 卷） 考核方式 闭卷 考核时间 120 分钟 注：B 为延迟算子，使得1-=t t Y BY ；?为差分算子，。 一、单项选择题（每小题3 分，共24 分。） 1. 若零均值平稳序列{}t X ，其样本ACF 和样本PACF 都呈现拖尾性，则对{}t X 可能建立（ B ）模型。 A. MA(2) B.ARMA(1,1) C.AR(2) D.MA(1) 2.下图是某时间序列的样本偏自相关函数图，则恰当的模型是（ B ）。 A. )1(MA B.)1(AR C.)1,1(ARMA D.)2(MA 3. 考虑MA(2)模型212.09.0--+-=t t t t e e e Y ，则其MA 特征方程的根是（ C ）。 （A ）5.0,4.021==λλ （B ）5.0,4.021-=-=λλ （C ）5.2221==λλ， （D ） 5.2221=-=λλ， 4. 设有模型112111)1(----=++-t t t t t e e X X X θφφ，其中11<φ，则该模型属于（ B ）。 A.ARMA(2,1) B.ARIMA(1,1,1) C.ARIMA(0,1,1) D.ARIMA(1,2,1) 5. AR(2)模型t t t t e Y Y Y +-=--215.04.0，其中64.0)(=t e Var ，则=)(t t e Y E （ B ）。 A.0 B.64.0 C. 1 6.0 D. 2.0 6.对于一阶滑动平均模型MA(1): 15.0--=t t t e e Y ，则其一阶自相关函数为( C )。 A.5.0- B. 25.0 C. 4.0- D. 8.0 7. 若零均值平稳序列{}t X ?，其样本ACF 呈现二阶截尾性，其样本PACF 呈现拖尾性，则可初步认为对{}t X 应该建立（ B ）模型。 A. MA(2) B.)2,1(IMA C.)1,2(ARI D.ARIMA(2,1,2) 8. 记?为差分算子，则下列不正确的是（ C ）。 A. 12-?-?=?t t t Y Y Y B. 212 2--+-=?t t t t Y Y Y Y C. k t t t k Y Y Y --=? D. t t t t Y X Y X ?+?=+?） ( 二、填空题（每题3分，共24分）；

时间序列分析——最经典的

【时间简“识”】 说明：本文摘自于经管之家(原人大经济论坛) 作者：胖胖小龟宝。原版请到经管之家(原人大经济论坛) 查看。 1.带你看看时间序列的简史 现在前面的话—— 时间序列作为一门统计学，经济学相结合的学科，在我们论坛，特别是五区计量经济学中是热门讨论话题。本月楼主推出新的系列专题——时间简“识”，旨在对时间序列方面进行知识扫盲（扫盲，仅仅扫盲而已……），同时也想借此吸引一些专业人士能够协助讨论和帮助大家解疑答惑。 在统计学的必修课里，时间序列估计是遭吐槽的重点科目了，其理论性强，虽然应用领域十分广泛，但往往在实际操作中会遇到很多“令人发指”的问题。所以本帖就从基础开始，为大家絮叨絮叨那些关于“时间”的故事！

Long long ago，有多long？估计大概7000年前吧，古埃及人把尼罗河涨落的情况逐天记录下来，这一记录也就被我们称作所谓的时间序列。记录这个河流涨落有什么意义？当时的人们并不是随手一记，而是对这个时间序列进行了长期的观察。结果，他们发现尼罗河的涨落非常有规律。掌握了尼罗河泛滥的规律，这帮助了古埃及对农耕和居所有了规划，使农业迅速发展，从而创建了埃及灿烂的史前文明。 好~~从上面那个故事我们看到了 1、时间序列的定义——按照时间的顺序把随机事件变化发展的过程记录下来就构成了一个时间序列。 2、时间序列分析的定义——对时间序列进行观察、研究，找寻它变化发展的规律，预测它将来的走势就是时间序列分析。 既然有了序列，那怎么拿来分析呢？ 时间序列分析方法分为描述性时序分析和统计时序分析。 1、描述性时序分析——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 描述性时序分析方法具有操作简单、直观有效的特点，它通常是人们进行统计时序分析的第一步。

第五章 时间序列的模型识别

第五章时间序列的模型识别 前面四章我们讨论了时间序列的平稳性问题、可逆性问题，关于线性平稳时间序列模型，引入了自相关系数和偏自相关系数，由此得到ARMA(p, q)统计特性。从本章开始，我们将运用数据开始进行时间序列的建模工作，其工作流程如下： 图5.1 建立时间序列模型流程图 在ARMA(p,q)的建模过程中，对于阶数(p,q)的确定，是建模中比较重要的步骤，也是比较困难的。需要说明的是，模型的识别和估计过程必然会交叉，所以，我们可以先估计一个比我们希望找到的阶数更高的模型，然后决定哪些方面可能被简化。在这里我们使用估计过程去完成一部分模型识别，但是这样得到的模型识别必然是不精确的，而且在模型识别阶段对于有关问题没有精确的公式可以利用，初步识别可以我们提供有关模型类型的试探性的考虑。 对于线性平稳时间序列模型来说，模型的识别问题就是确定ARMA(p,q)过程的阶数，从而判定模型的具体类别，为我们下一步进行模型的参数估计做准备。所采用的基本方法主要是依据样本的自相关系数（ACF）和偏自相关系数（PACF）初步判定其阶数，如果利用这种方法无法明确判定模型的类别，就需要借助诸如AIC、BIC 等信息准则。我们分别给出几种定阶方法，它们分别是（1）利用时间序列的相关特性，这是识别模型的基本理论依据。如果样本的自相关系数（ACF）在滞后q+1阶时突然截断，即在q处截尾，那么我们可以判定该序列为MA(q)序列。同样的道理，如果样本的偏自相关系数（PACF）在p处截尾，那么我们可以判定该序列为AR(p)序列。如果ACF和PACF 都不截尾，只是按指数衰减为零，则应判定该序列为ARMA(p,q)序列，此时阶次尚需作进一步的判断；（2）利用数理统计方法检验高阶模型新增加的参数是否近似为零，根据模型参数的置信区间是否含零来确定模型阶次，检验模型残差的相关特性等；（3）利用信息准则，确定一个与模型阶数有关

应用时间序列分析 第5章

佛山科学技术学院 应用时间序列分析实验报告 实验名称第五章非平稳序列的随机分析 一、上机练习 通过第4章我们学习了非平稳序列的确定性因素分解方法，但随着研究方法的深入和研究领域的拓宽，我们发现确定性因素分解方法不能很充分的提取确定性信息以及无法提供明确有效的方法判断各因素之间确切的作用关系。第5章所介绍的随机性分析方法弥补了确定性因素分解方法的不足，为我们提供了更加丰富、更加精确的时序分析工具。 5.8.1 拟合ARIMA模型 【程序】 data example5_1; input x@@; difx=dif(x); t=_n_; cards; 1.05 -0.84 -1.42 0.20 2.81 6.72 5.40 4.38 5.52 4.46 2.89 -0.43 -4.86 -8.54 -11.54 -1 6.22 -19.41 -21.61 -22.51 -23.51 -24.49 -25.54 -24.06 -23.44 -23.41 -24.17 -21.58 -19.00 -14.14 -12.69 -9.48 -10.29 -9.88 -8.33 -4.67 -2.97 -2.91 -1.86 -1.91 -0.80 ; proc gplot; plot x*t difx*t; symbol v=star c=black i=join; proc arima; identify var=x(1); estimate p=1; estimate p=1 noint; forecast lead=5id=t out=out; proc gplot data=out; plot x*t=1 forecast*t=2 l95*t=3 u95*t=3/overlay; symbol1c=black i=none v=star; symbol2c=red i=join v=none; symbol3c=green I=join v=none;

时间序列分析课程设计(最终版)

《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--------------------------------------------------------------3 1.2 附录（程序代码）------------------------------------------------------7 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-------------------------------------------------8 2.2 使用残差自回归进行拟合---------------------------------------------11 2.3 附录（程序代码）-----------------------------------------------------12 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--------------------------------------------------------------13 3.2附录（程序代码）------------------------------------------------------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 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 认为该序列平稳。下面对序列进行白噪声检验。

时间序列分析作业.doc

时间序列分析作业 1、数据收集 通过长江证券金长江网上交易软件收集中信证券(600030)股价数据（2010-7-1~2011-5-9，共200组），保存文件，命名为“股价数据”。 2、工作表建立 打开eviews，点击file下拉菜单中的new项选择workfile项，弹出窗口如下： （1）、在datespecification中选择integer date。 （2）、在start和end中分别输入“1”“200” （3）、在wf项后面的框中输入工作表名称hr，点击ok。 窗口如下： 3、数据导入 在hr工作文件的菜单选项中选择pro，在弹出的下拉菜单中选择import，然后再下拉二级菜单中选择read text-lotus-excell，找到数据，双击弹出如下对话框：

默认date order，选择右边upper-left data cell下面的空格填写，输入excel中第一个有效数据单元格地址B6，在names for series or number if named in file 中输入序列名称，不妨设为s，点击ok，导入数据。 4、平稳性检验 点击s序列，选择菜单view/correlogram，弹出correlogram specification对话框，如下图，在对话框中默认level，lags to include 改为20（200/10），可得下图：

序列的自相关系数没有很快的趋近0，说明原序列是非平稳的序列。 5、对原序列做对数差分处理 A、在主窗口输入smpl 2 200，对样本数据进行选取， B、在主命令窗口输入series is=log(s)-log(s(-1)) 可以得到新的序列is 对is序列做同上的平稳性检验可以得到如下图：

时间序列分析案例

《时间序列分析》案例案例名 称：时间序列分析在经济预测中的应用内容要 求：确定性与随机性时间序列之比较设计作 者：许启发，王艳明 设计时 间：2003年8月

案例四：时间序列分析在经济预测中的应用 一、案例简介 为了配合《统计学》课程时间序列分析部分的课堂教学，提高学生运用统计分析方法解决实际问题的能力，我们组织了一次案例教学，其内容是：对烟台市的未来经济发展状况作一预测分析，数据取烟台市1949—1998年国内生产总值（GDP）的年度数据，并以此为依据建立预测模型，对1999年和2000年的国内生产总值作出预测并检验其预测效果。国内生产总值是指一个国家或地区所有常住单位在一定时期内生产活动的最终成果，是反映国民经济活动最重要的经济指标之一，科学地预测该指标，对制定经济发展目标以及与之相配套的方针政策具有重要的理论与实际意义。在组织实施时，我们首先将数据资料印发给学生，并讲清本案例的教学目的与要求，明确案例所涉及的教学内容；然后给学生一段时间，由学生根据资料，运用不同的方法进行预测分析，并确定具体的讨论日期；在课堂讨论时让学生自由发言，阐述自己的观点；最后，由主持教师作点评发言，取得了良好的教学效果。 经济预测是研究客观经济过程未来一定时期的发展变化趋势，其目的在于通过对客观经济现象历史规律的探讨和现状的研究，求得对未来经济活动的了解，以确定社会经济活动的发展水平，为决策提供依据。 时间序列分析预测法，首先将预测目标的历史数据按照时间的先后顺序排列，然后分析它随时间的变化趋势及自身的统计规律，外推得到预测目标的未来取值。它与回归分析预测法的最大区别在于：该方法可以根据单个变量的取值对其自身的变动进行预测，无须添加任何的辅助信息。 本案例的最大特色在于：它汇集了统计学原理中的时间序列分析这一章节的所有知识点，通过本案例的教学，可以把不同的时间序列分析方法进行综合的比较，便于学生更好地掌握本章的内容。 二、案例的目的与要求 （一）教学目的 1．通过本案例的教学，使学生认识到时间序列分析方法在实际工作中应用的必要性和可能性； 2．本案例将时间序列分析中的水平指标、速度指标、长期趋势的测定等内容有机的结合在一起，以巩固学生所学的课本知识，深化学生对课本知识的理解； 3．本案例是对烟台市的国内生产总值数据进行预测，通过对实证结果的比较和分析，使学生认识到对同一问题的解决，可以采取不同的方法，根据约束条件，从中选择一种合适的预测方法； 4．通过本案例的教学，让学生掌握EXCEL软件在时间序列分析中的应用，对统计、计量分析软件SPSS或Eviews等有一个初步的了解； 5．通过本案例的教学，有助于提高学生运用所学知识和方法分析解决问题的能力、合作共事的能力和沟通交流的能力。 （二）教学要求 1．学生必须具备相应的时间序列分析的基本理论知识； 2．学生必须熟悉相应的预测方法和具备一定的数据处理能力； 3．学生以主角身份积极地参与到案例分析中来，主动地分析和解决案例中的问题； 4．在提出解决问题的方案之前，学生可以根据提供的样本数据，自己选择不同的统计分析方法，对这一案例进行预测，比较不同预测方法的异同，提出若干可供选择的方案；

eviews时间序列分析实验Word版

实验一ARMA模型建模 一、实验目的 学会检验序列平稳性、随机性。学会分析时序图与自相关图。学会利用最小二乘法等方法对ARMA模型进行估计，以及掌握利用ARMA模型进行预测的方法。学会运用Eviews软件进行ARMA模型的识别、诊断、估计和预测和相关具体操作。 二、基本概念 1平稳时间序列： 定义：时间序列｛zt｝是平稳的。如果｛zt｝有有穷的二阶中心矩，而且满足: (a) ut= Ezt =c; (b) r (t, s) = E[(zt~c) (zs-c)] = r (t~s, 0) 则称｛zt｝是平稳的。 2AR模型： AR模型也称为自回归模型。它的预测方式是通过过去的观测值和现在的F扰值的线性组合预测。具有如下结构的模型称为P阶自回归模型，简记为AR(P)。 氓=% +忖“ + @耳-2 +…+忙耳“ + S t 忙工0 = 0, Var｛s t) =(7；, E｛s z￡s) = 0, s H 上 Ex s s t = 0, Vs < t 3MA模型： MA模型也称为滑动平均模型。它的预测方式是通过过去的干扰值和现在的干扰值的线性组合预测。具有如下结构的模型称为Q阶移动平均回归模型，简记为MA (q) o 兀二“ +吕—叽-&耳2_???-恥r 七H0 E(￡)= 0, Var(￡t) =(j~,= 0,sH7 4ARMA模型: ARMA模型：自回归模型和滑动平均模型的组合，便构成了用于描述平稳随机过程的自回归滑动平均模型ARMA。具有如下结构的模型称为自回归移动平均回归模型，简记为ARMA(p,q)°

x< = 00 + 欣-1 + …++ 6 —一…一臥 7 0, H 0, Q H 0 E（s t） = 0, Var{s t） = crj, E（8t￡s） = 0, s H r E XS T = 0, Vs < t ?O' 三、实验内容及要求 1实验内容： （1）根据时序图判断序列的平稳性； （2）观察相关图，初步确定移动平均阶数q和自回归阶数P： 2实验要求： （1）深刻理解平稳性的要求以及ARMA模型的建模思想； （2）如何通过观察自相关，偏自相关系数及苴图形，利用最小二乘法，以及信息准则建立合适的ARMA模型；如何利用ARMA模型进行预测： （3）熟练掌握相关Eviews操作，读懂模型参数估il?结果。 四、实验指导 1数据录入 首先用命令series x = nrnd生成一个500个白噪声序列。然后利用excel生成一个平稳序 列如图1所示，其中设定方程为X(t) = -0?5*X(t-l)+0? 4*X(t-2)+￡ (t)o Series: Y Workfile: RAN::Untitled\ View Proc Object Properties Print Name Freeze Defeult v Sort Edi Last updated: 12/21/12-21:52 1 3.871776 2 2.721548 3 ?0.394538 4 1.771239 5 -0.557231 6 1.037903 7 0.139982 80.723313 9 1.959045 10 -0.098984 11 2.150510 1 2绘制序列时序图 双击打开series y ?选择View—Graph—Line & Symbol。得到的时序图如下所示:

时间序列分析第五章作业

时间序列分析第五章作业 班级：09数学与应用数学 学号： 姓名： 习题5.7 1、 根据数据，做出它的时序图及一阶差分后图形，再用ARIMA 模型模拟该序列的发展，得出 预测。根据输出的结果，我们知道此为白噪声，为非平稳序列，同时可以得出序列t x 模型 应该用随机游走模型(0，1，0)模型来模拟，模型为：，并可以预测到下一天 的收盘价为296.0898。 各代码： data example5_1; input x@@; difx=dif(x); t=_n_; cards ; 304 303 307 299 296 293 301 293 301 295 284 286 286 287 284 282 278 281 278 277 279 278 270 268 272 273 279 279 280 275 271 277 278 279 283 284 282 283 279 280 280 279 278 283 278 270 275 273 273 272 275 273 273 272 273 272 273 271 272 271 273 277 274 274 272 280 282 292 295 295 294 290 291 288 288 290 293 288 289 291 293 293 290 288 287 289 292 288 288 285 282 286 286 287 284 283 286 282 287 286 287 292 292 294 291 288 289 ; proc gplot ; plot x*t difx*t; symbol v =star c =black i =join; proc arima data =example5_1; identify Var =x(1) nlag =8 minic p = (0:5) q = (0:5); estimate p =0 q =0 noint; forecast lead =1 id =t out =results; run ; proc gplot data =results; plot x*t=1 forecast*t=2 l95*t=3 u95*t=3/overlay ; symbol1 c =black i =none v =star; symbol2 c =red i =join v =none; symbol3 c =green i =join v =none l =32; run ; 时序图：

时序第一次作业(确定性分析)汇总

针对1998-2012年中国汽车月度产量的确定性分析 ·声明：所有数据均来源于国家统计数据库：http://219.235.129.58/welcome.do 摘要：本次时间序列实验旨在针对1998-2012年15年间的中国汽车月度产量进行确定性分析，并采用乘法模型X=T·S·I。先剔除周期，后计算季节指数，再对原数据剔除季节因素，以进行长期趋势拟合同时进行分析与预测。 一．数据描述性统计及其预处理

1.1数据预处理 根据表1.1我们初步可以看出存在多处缺失点，对于缺失点我们采用SAS 中expand过程采用插值法将其补全，得到缺失部分的数据分别为如下： 表1-2 缺失值处理 打开Eviews建立工作文件后，在命令栏建立输入：series ww，打开工作文件中ww，右键序列表格，单击Edit模式，将原数据复制入内保存即可。 再将缺失处理后的完整数据绘制成时序图,View/Graph/选择line&symbol 点击确定即可，以下时序图为SAS proc Gplot命令下绘制： 图1-1 时序图 从图可以看出，该数据具有明显的上涨趋势，且以一年为周期体现出季节性。

1.2 描述性统计 通过View/Descriptive Statistics/Histogram&Stat得出直方图与描述性统计信息如下： 图1-2 描述性统计 从图中可以看出，序列共180个，序列均值为为70.16822，中位数为52.87118，最大值为207.1925.最小值为10.1，标准差为55.57278，峰度系数与偏度系数分别为0.891068，另外做QQ图如下： 图1-3 QQ图 结合相伴概率小于0.05与QQ图，我们有足够理由否定原假设（原假设

(完整word版)《时间序列》试卷

《时间序列分析》试卷 注意：请将答案直接写在试卷上 一、填空题（1分*20空=20分） 1. 德国药剂师、业余天文学家施瓦尔发现太阳黑子的活动具有 11年周期依靠的是 时序分析方法。 2. 时间序列预处理包括 和 。 3. 平稳时间序列有两种定义，根据限制条件的严格程度，分为 和 。使用序列的特征统计量来定义的平稳性属于 。 4. 统计时序分析方法分为 和 。 5. 为了判断一个平稳的序列中是否含有信息，即是否可以继续分析，需对该序 列进行 检验，该检验用到的统计量服从 分布；原假设和备择假设分别是 和 。 6. 图1为2000年1月——2007年12月中国社会消费品零售总额时间序列图， 据此判断，该序列{}t X 是否平稳（填“是”或 者“否”） ；要使其平稳化，应该对原序列进行 和 差分处理。用Eviews 软件对该序列做差分运算的表达式是 。 7. ARIMA 模型的实质 是和 的结合。 8. 差分运算的实质是使用的 方式提取确定性信息。 9. 用延迟算子表示中心化的AR(P)模型是 。 二、不定项选择题（下列每小题至少有一个答案是正确的，请将正确答 班级 姓名 学号 500 1000150020002500300035004000 93 94 95 96 97 98 99 00 图1

案代码填入相应括号内，2分*5题=10分） 1.下列属于白噪声序列{}t ε所满足的条件的是（ ） A. 任取T t ∈，有με=)(t E （μ为常数） B. 任取T t ∈，有0)(=t E ε C.)(0),(s t Cov s t ≠?=εε D. 2 )(εσε=t Var （2 εσ为常数） 2.使用n 期中心移动平均法对序列{}t x 进行平滑时，下列表达式正确的是（ ） A.n x x x x x n x n t n t t n t n t t ),(1 ~ 211211212 1-+--++----++++++=ΛΛ为奇数； B. n x x x x x n x n t n t t n t n t t ),(1 ~ 2 12122 +-++--++++++=ΛΛ为偶数； C. )(1 ~11+--+++= n t t t t x x x n x Λ； D. n x x x x x n x n t n t t n t n t t ),21 21(1~ 212 122+-++--++++++=ΛΛ为偶数。 3.关于延迟算子的性质，下列表示中正确的有 ( ) A.10=B B.n t t n x x B -= C.∑=-= -n i n i n n n B C B 0 ) 1()1( D.对任意两个序列{}t x 和{}t y ，有11)(--+=+t t t t y x y x B 4.下列选项不属于平稳时间序列的统计性质的是 ( ) A.均值为常数 B 均值为零 C.方差为常数 D.自协方差函数和自相关系数只依赖于时间的平移长度，而与时间的起止点无关。 5.ARMA 模型平稳性条件是（） A.0=Φt x B ）（的特征根都在单位圆内； B. 0=Φt x B ）（的根都在单位圆内； C.0=Θt B ε）（的特征根都在单位圆内； D. 0=Φ）（B 的根都在单位圆外。 三、判断并说明理由（10分） 1.模型的有效性检验是指检验模型能否能够有效地提取序列中的信息，即对残差进行平稳性检验。 2.ARIMA （p,d,q ）模型具有方差齐次性。 四、简答题：（第1小题15分，第2小题5分，本题共20分）