Eviews应用时间序列分析实验手册范本
Eviews实验报告3
居民消费物价指数、消费者信心指数的相关数据，利用EVIEWS软件，将这几个指标数据进行相关分析。
特别在这里说明的是，因为同时参与了学校的本科生科研赞助---关于CCI （消费者信心指数）的一个项目，因此本人接下来的几个实验都将以CCI及相
关影响指标为数据目标，研究CCI与其他因素间的关系。本实验，则首先进行
相关指标的稳定性检验。
【实验过程】（实验步骤、记录、数据、分析）
本实验首先将通过多种方法对我国CCI序列进行平稳性分析：
首先导入数据到eviews中,建立序列取名为CCI：
然后我们首先通过折线图来直接观察其走势，如下图：
从下图我们容易看到：CCI曲线基本是围绕100的轴线上下波动的，但是相比于白噪声序列，其波动幅度明显较大。可以看到08年11月以前，其波动一直是在轴线以下，而在08年11月以后，数据都明显高于100。
联系当时的实事背景，我们不难解释这一点：2008年11月，正是国家公布四万亿投资的时候，而这之前，由于全球金融危机以及股市大跌的影响，我国居民的消费者信心指数都是较低的；国家的四万亿政策犹如一剂强心剂，立刻使得CCI有了直线的上升，一下子提高了消费者的信心。
为了判别序列是否稳定，我们绘制CCI序列的自相关图，如下：
由每个Q统计量的伴随概率可以知道：都是拒绝原假设的，即存在某个K，使得滞后K期的自相关系数显著非零，即拒绝原数列是白噪声序列。
随后对其进行ADF检验：
我们首先对序列本身进行单位根检验,分别采用带常数项，线性趋势，和无等三种情况进行检验。可以从下图看到检验结果对应的p值均显著大于0.05,因此接受原假设,存在单位跟,即CCI序列本身是不平稳的.
Eviews时间序列分析实例.
Eviews时间序列分析实例
时间序列是市场预测中经常涉及的一类数据形式，本书第七章对它进行了比较详细的介绍。通过第七章的学习，读者了解了什么是时间序列，并接触到有关时间序列分析方法的原理和一些分析实例。本节的主要内容是说明如何使用Eviews软件进行分析。
一、指数平滑法实例
所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规律，但确实存在某种前后关联的时间序列的短期预测。由于其他很多分析方法都不具有这种特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。
（－）一次指数平滑
一次指数平滑又称单指数平滑。它最突出的优点是方法非常简单，甚至只要样本末期的平滑值，就可以得到预测结果。
一次指数平滑的特点是：能够跟踪数据变化。这一特点所有指数都具有。预测过程中添加最新的样本数据后，新数据应取代老数据的地位，老数据会逐渐居于次要的地位，直至被淘汰。这样，预测值总是反映最新的数据结构。
一次指数平滑有局限性。第一，预测值不能反映趋势变动、季节波动等有规律的变动；第二，这种方法多适用于短期预测，而不适合作中长期的预测；第三，由于预测值是历史数据的均值，因此与实际序列的变化相比有滞后现象。
指数平滑预测是否理想，很大程度上取决于平滑系数。Eviews提供两种确定指数平滑系数的方法：自动给定和人工确定。选择自动给定，系统将按照预测误差平方和最小原则自动确定系数。如果系数接近1，说明该序列近似纯随机序列，这时最新的观测值就是最理想的预测值。
出于预测的考虑，有时系统给定的系数不是很理想，用户需要自己指定平滑系数值。平滑系数取什么值比较合适呢？一般来说，如果序列变化比较平缓，平滑系数值应该比较小，比如小于0.l；如果序列变化比较剧烈，平滑系数值可以取得大一些，如0.3～0.5。若平滑系数值大于0.5才能跟上序列的变化，表明序列有很强的趋势，不能采用一次指数平滑进行预测。
Eviews应用时间序列分析实验手册
应用时间序列分析
实验手册
目录
目录 (2)
第二章时间序列的预处理 (3)
一、平稳性检验 (3)
二、纯随机性检验 (9)
第三章平稳时间序列建模实验教程 (10)
一、模型识别 (10)
二、模型参数估计（如何判断拟合的模型以及结果写法） (14)
三、模型的显著性检验 (17)
四、模型优化 (18)
第四章非平稳时间序列的确定性分析 (19)
一、趋势分析 (19)
二、季节效应分析 (34)
三、综合分析 (38)
第五章非平稳序列的随机分析 (44)
一、差分法提取确定性信息 (44)
二、ARIMA模型 (57)
三、季节模型 (62)
第二章时间序列的预处理
一、平稳性检验
时序图检验和自相关图检验
（一）时序图检验
根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界、无明显趋势及周期特征
例2.1
检验1964年——1999年中国纱年产量序列的平稳性
1.在Eviews软件中打开案例数据
图1：打开外来数据
图2：打开数据文件夹中案例数据文件夹中数据
文件中序列的名称可以在打开的时候输入，或者在打开的数据中输入
图3：打开过程中给序列命名
图4：打开数据
2.绘制时序图
可以如下图所示选择序列然后点Quick选择Scatter或者XYline；绘制好后可以双击图片对其进行修饰，如颜色、线条、点等
图1：绘制散点图
图2：年份和产出的散点图
图3：年份和产出的散点图
（二）自相关图检验 例2.3
导入数据，方式同上；
在Quick 菜单下选择自相关图，对Qiwen 原列进行分析；
Eviews数据统计与分析教程8章 时间序列模型-协整理论[宝典](共26张PPT)
](https://img.taocdn.com/s3/m/a63e21020a4e767f5acfa1c7aa00b52acfc79cd6.png)
EViews统计分析基础教程
五、协整和误差修正模型 1、协整
EG两步 检验法（EViews操作）：
第二步：用最小二乘法对回归模型进行估计。 ˆ 选择EViews主菜单栏中的“Quick”| “Estimte Eqution”选项，
在弹出的对话框中输入变量名，然后单击“OK”按钮。系统默认 下使用最小二乘法（OLS）进行估计。此时，回归模型估计后的 残差保存在默认序列对象resid中。
其中，参数c为常数；
EViews统计分析基础教程
四、时间序列模型的分类 2、移动平均（M）模型
趋势分解——HP（Hodrick – Prescott）滤波法 HP滤波取决于参数λ，当λ=0时，符合最小化的趋势序列为Yt序列； 五、协整和误差修正模型 四、时间序列模型的分类
第“2s三t d步i时ff：er第e间n三ce步序”表，示检列二验阶残{差x差分t序序}列的列的。平q稳阶性。移动平均（M，Moving verge）模型的表达式 为 沽笛须巴倪磋挪十巍狗厂杏酣友胡矩玫嘴狱几见叼篙肪叛候飘恫咆烘韵刚Eviews数据统计与分析教程8章 时间序列模型-协整理论
EViews统计分析基础教程
五、协整和误差修正模型 1、协整
EG两步 检验法：
第一步：检验非平稳的序列是否是同阶单整，如果是同阶单整再建立回
归方程，为
ˆ
yt=β0+β1x1t+β2x2t+…+βk x kt+μt
Eviews 实验操作手册(部分)
Eviews实验操作记录（慢慢整理）
相关系数检验：
W AGE ED SEX
W 1.000000 0.210152 0.495856 -0.260906
AGE 0.210152 1.000000 -0.038637 0.144689
ED 0.495856 -0.038637 1.000000 -0.084487
SEX -0.260906 0.144689 -0.084487 1.000000
①可以在命令窗口键入命令：cor x y z……，就会输出相关系数矩阵。
②假设你的样本数据序列：x1 x2
从主菜单选择Quick/Group Statistics/Correlations
之后会弹出个对话框，在对话框选择你的目标序列
x1 x2
说明：
序列相关好像只有正相关、负相关、完全相关、完全不相关、强相关、弱相关等概念。相关系数为1是完全正相关，－1是完全负相关，0是完全不相关。
个人感觉0.5左右的相关关系（趋势）就比较弱了。eviews提供的相关计算是指序列之间的线性相关关系。如果序列之间不存在线性相关，也有可能存在其他类型的相关关系，如对数相关、指数相关等等。通常显著性是和建设检验关联的。统计假设检验也称为显著性检验，即指样本统计量和假设的总体参数之间的显著性差异。显著性是对差异的程度而言的，程度不同说明引起变动的原因也有不同：一类是条件差异，一类是随机差异。显著性差异就是实际样本统计量的取值和假设的总体参数的差异超过了通常的偶然因素的作用范围，说明还有系统性的因素发生作用，因而就可以否定某种条件不起作用的假设。假设检验时提出的假设称为原假设或无效假设，就是假定样本统计量与总体参数的差异都是由随机因素引起，不存在条件变动因素。
时间序列分析实验指导
时间序列分析
实验指导
4
2
-2
-4
50100150200250
实验一 EVIEWS的基本操作
【实验目的】熟悉Eviews的操作：菜单方式，命令方式；
练习并掌握与时间序列分析相关的函数操作。
【实验内容】
一、EViews软件的常用菜单方式和命令方式；
二、各种常用差分函数表达式；
三、时间序列的自相关和偏自相关图与函数；
【实验步骤】
一、EViews软件的常用菜单方式和命令方式；
㈠创建工作文件
⒈菜单方式
启动EViews软件之后，进入EViews主窗口
在主菜单上依次点击File/New/Workfile，即选择新建对象的类型为工作文件，将弹出一个对话框，由用户选择数据的时间频率（frequency）、起始期和终止期。选择时间频率为Annual（年度），再分别点击起始期栏（Start date）和终止期栏（End date），输入相应的日期，然后点击OK按钮，将在EViews 软件的主显示窗口显示相应的工作文件窗口。
工作文件窗口是EViews的子窗口，工作文件一开始其中就包含了两个对象，一个是系数向量C（保存估计系数用），另一个是残差序列RESID（实际值与拟合值之差）。
⒉命令方式
在EViews软件的命令窗口中直接键入CREATE命令，也可以建立工作文件。命令格式为：CREATE 时间频率类型起始期终止期
则菜单方式过程可写为：CREATE A 1985 1998
㈡输入Y、X的数据
⒈DATA命令方式
在EViews软件的命令窗口键入DATA命令，命令格式为：
DATA <序列名1> <序列名2>…<序列名n>
实验一EVIEWS中时间的序列相关函数操作
实验一EVIEWS中时间的序列相关函数操作
1、单变量时间序列相关函数
（1）AutoReg（自回归）：自回归模型（也称为自动过程）是一种统计模型，可以用来研究一个变量与它自身以前的值之间的关系。它可以被用来描述任何由这种类型的非平稳的随机过程生成的数据。
（2）CrossCorr（互相关）：互相关函数是对两个时间序列之间的相关性进行评估的方式。它采用两个时间序列中的观测，计算它们之间的相关性，并返回一个相关系数值，表明它们之间的相关关系。
（4）MA：移动平均函数是一种从一组数据中提取出其基本趋势的有效方法。它通过计算一组数据的平均值来应用，然后根据当前值来计算其他值。在EViews中，移动平均函数可以使用MA函数来计算。
2、多变量时间序列相关函数
（1）VAR：VAR是短期预测的一种重要方法。它的主要思想是，未来的值可以由当前的值以及过去的值来预测。它可以用来检测多个变量之间的相关性，反应不同变量间的影响关系。在EViews中，可以使用VAR函数来计算多变量时间序列之间的相关性。
时序分析实验报告
时间序列分析实验报告
1、实验内容
1.1问题描述
用Eviews软件确定该序列的平稳性，根据数据的性质特征对其进行分析并适当模型拟合该序列的发展，最后利用所选取的拟合模型预测1939-1945年英国绵羊的数量。
2、判别原数据的平稳性
2.1．画时序图
在Eviews中建立workfile为1867-1938年的年度数据，通过file→ import 把数据导入Eviews中。变量名命名为x。在workfile中打开数据x,点击series：x窗口中的view→graph→line，则会出x的现时序图1。
时序图1
从时序图1中可以看出数据为非平稳的，且大致呈现下降趋势。因此为
经一步说明该数据的平稳性，做相关分析。
2.2.自相关分析
继续在该时序图窗口中点击view→correlogram，在弹出的correlogram Specification 的对话框中的lags to include中输入12，点击OK。则x的自相关图2如下。
自相关图2
从自相关图的autocorrelation的一栏可以看出自相大部分都关超出了（至少第三个自相关值要落入两倍的标准差中则为平稳的）两倍的标准差。则可以进一步认为该数据为非平稳的。为作出最终的判断，对数进行单位根检验。
2.3.单位根检验
同样在自相关图2的窗口中点击view→unit root test在弹出的unit root test 的对话空中的automatic selection的下拉框中选择Schwarz Info,并在Include in test equation中选择intercept点击ok则有如下结果输出单位根表3。
应用时间序列分析eviews实验手册(1)
应用时间序列分析
实验手册
目录
目录.................................. 错误!未定义书签。第一章 Eviews的基本操作................. 错误!未定义书签。第二章时间序列的预处理.................. 错误!未定义书签。
一、平稳性检验 ....................... 错误!未定义书签。
二、纯随机性检验 ..................... 错误!未定义书签。第三章平稳时间序列建模实验教程.......... 错误!未定义书签。
一、模型识别 ......................... 错误!未定义书签。
二、模型参数估计 ..................... 错误!未定义书签。
三、模型的显著性检验.................. 错误!未定义书签。
四、模型优化 ......................... 错误!未定义书签。第四章非平稳时间序列的确定性分析........ 错误!未定义书签。
一、趋势分析 ......................... 错误!未定义书签。
二、季节效应分析 ..................... 错误!未定义书签。
三、综合分析 ......................... 错误!未定义书签。第五章非平稳序列的随机分析.............. 错误!未定义书签。
一、差分法提取确定性信息.............. 错误!未定义书签。
二、ARIMA模型........................ 错误!未定义书签。
时间序列实验报告
第三章平稳时间序列分析
选择合适的模型拟合1950-2008年我国邮路及农村投递线路每年新增里程数序列，见表1：
表1 1950-2008年我国邮路及农村投递线路每年新增里程数序列
单位：万公里
一、时间序列预处理
（一）时间序列平稳性检验
1.时序图检验
（1）工作文件的创建。打开EViews6.0软件，在主菜单中选择File/New/Workfile, 在弹出的对话框中，在Workfile structure type中选择Dated-regular frequency（时间序列数据），在Date specification下的Frequency中选择Annual(年度数)，在Start date中输入“1950”（表示起始年份为1950年），在End date中输入“2008”（表示样本数据的结束年份为2008年），然后单击“OK”，完成工作文件的创建。
（2）样本数据的录入。选择菜单中的Quick/Empty group(Edit Series)命令，在弹出的Group对话框中，直接将数据录入，并分别命名为year（表示年份），X（表示新增里程数）。
（3）时序图。选择菜单中的Quick/graph…，在弹出的Series List中输入“year x”,然后单击“确定”，在Graph Options中的Specifi中选择“XYLine”,然后按“确定”，出现时序图，如图1所示：
图1 我国邮路及农村投递线路每年新增里程数序列时序图
从图1中可以看出，该序列始终在一个常数值附近随机波动，而且波动的范围有界，因而可以初步认定序列是平稳的。为了进一步确认序列的平稳性，还需要分析其自相关图。
数模之Eviews教程+时间序列+ARIMA模型
• 给出一个随机时间序列，首先可通过该序列 的时间路径图来粗略地判断它是否是平稳的。
• 一个平稳的时间序列在图形上往往表现出一 种围绕其均值不断波动的过程。 • 而非平稳序列则往往表现出在不同的时间段 具有不同的均值（如持续上升或持续下降）。
Xt
Xt
t (a) (b) 图 9.1 平稳时间序列与非平稳时间序列图
且样本自相关系数迅速下降到0，随后在0附近 波动且逐渐收敛于0。
0.6 0.4 0.2
1.2
0.8
0.4 0.0 0.0 -0.2 -0.4 -0.6 2 4 6 8 10 12 14 16 18 -0.4
-0.8 2 4 6 8 10 12 14 16 18
RANDOM1
RANDO M1AC
（ a）
2 2 P ( ( X X ) / n) Q ( X X ) / n i (2) i 依概率收敛： lim n
第（1）条是OLS估计的需要 第（2）条是为了满足统计推断中大样本下的 “一致性”特性： ˆ) P lim (
n
注意：在双变量模型中：
xi u i xi u i / n ˆ 2 2 x x i i /n
rk
-0.031 0.157 0.264 -0.191 -0.616 -0.229 -0.385 -0.181 -0.521 -0.364 -0.136 -0.451 -0.828 -0.884 -0.406 -0.162 -0.377 -0.236 0.000
在Eviews中对时间序列进行预测的详细步骤
在Eviews中对时间序列进行预测的详细步骤
一、输入数据
1.1打开Eviews6.0，按照如图所示打开工作表创建框。
1.2在右上角的data specification框中输入起止年份（start data和end data）
1.3输入数据：在输入框中输入data gdp（本文采用的数据为1990—2012年的GDP值）。当然，data后面可以输入任何你想要定义的“英文名字”
输入data gdp后注意按回车键，弹出表格窗口后在其中输入数据（也可复制进去数据：ctrl+v键）
二、平稳性检验
2.1在打开的数据窗口中点击View→Correlogram（1）在弹出的窗口中直接点OK即可↓
2.2自相关图和偏相关图进行分析：
最简单粗暴的方法就是看最右边的Prob值（即P值），当这列数据有多数都大于0.05（置信水平）时为白噪声序列=序列是平稳的。本文中GDP数据P值均小于
0.05，则为非白噪声。需对序列进行差分。
三、取一阶差分
3.1在输入框中输入第二列代码，这代表将数据gdp进行一阶差分，一阶差分后的值命名为dgdp.按回车键
3.2在dgdp数据的窗口中重复2.1的操作，对序列的平稳性进行检验得到结果如下：
惨！还是非白噪声，只能进行二阶差分了！
四、取二阶差分
4.1如第三列代码所示（记得不能重复命名）
4.2对新的序列dgdp2进行平稳性检验，步骤同上，结果如下：
MY GOD! 看见了木有，这回是白噪声了，P值多数都大于0.05！
五、用最小二乘法对模型进行估计：输入ls dgdp2 c ar（2）（探索性建模）
ARMA模型的eviews的建立 时间序列分析实验指导(word文档良心出品)
时间序列分析
实验指导
4
2
-2
-4
50100150200250
统计与应用数学学院
前言
随着计算机技术的飞跃发展以及应用软件的普及，对高等院校的实验教学提出了越来越高的要求。为实现教育思想与教学理念的不断更新，在教学中必须注重对大学生动手能力的培训和创新思维的培养，注重学生知识、能力、素质的综合协调发展。为此，我们组织统计与应用数学学院的部分教师编写了系列实验教学指导书。
这套实验教学指导书具有以下特点：
①理论与实践相结合，书中的大量经济案例紧密联系我国的经济发展实际，有利于提高学生分析问题解决问题的能力。
②理论教学与应用软件相结合，我们根据不同的课程分别介绍了SPSS、SAS、MATLAB、EVIEWS等软件的使用方法，有利于提高学生建立数学模型并能正确求解的能力。
这套实验教学指导书在编写的过程中始终得到安徽财经大学教务处、实验室管理处以及统计与应用数学学院的关心、帮助和大力支持，对此我们表示衷心的感谢！
限于我们的水平，欢迎各方面对教材存在的错误和不当之处予以批评指正。
统计与数学模型分析实验中心 2007年2月
目录
实验一 EVIEWS中时间序列相关函数操作···························- 1 - 实验二确定性时间序列建模方法 ····································- 8 - 实验三时间序列随机性和平稳性检验 ···························· - 18 - 实验四时间序列季节性、可逆性检验 ···························· - 21 - 实验五 ARMA模型的建立、识别、检验···························· - 27 - 实验六 ARMA模型的诊断性检验····································· - 30 - 实验七 ARMA模型的预测·············································· - 31 - 实验八复习ARMA建模过程·········································· - 33 - 实验九时间序列非平稳性检验 ····································· - 35 -
《应用时间序列分析》实验手册
应用时间序列分析
实验手册
ﻬ
目录
目录
第二章时间序列的预处理
一、平稳性检验
二、纯随机性检验
第三章平稳时间序列建模实验教程
一、模型识别
二、模型参数估计(如何判断拟合的模型以及结果写法)
三、模型的显著性检验
四、模型优化
第四章非平稳时间序列的确定性分析
一、趋势分析
二、季节效应分析
三、综合分析
第五章非平稳序列的随机分析
一、差分法提取确定性信息
二、AＲIMA模型
三、季节模型
时间序列分析应用实例(使用Eviews软件实现)
时间序列分析应⽤实例（使⽤Eviews软件实现）
引⾔
某公司的苹果来货量数据是以时间先后为顺序记录的⼀组数据，从计量经济学的⾓度来分类就是⼀组时间序列数据。为了提⾼苹果来货量预测的准确度以及预测结果的可信度，下⾯运⽤Eviews软件包（即Econometrics Views 计量经济学软件包）并结合计量经济学的理论知识，选取2017年1⽉⾄2019年4⽉的苹果来货量⽉度数据（事前对原始数据进⾏处理，把数值单位从吨转换为万吨）为样本数据，⽤⼀个时间序列模型来拟合上述样本数据，然后利⽤建⽴好的模型预测苹果未来⼏个⽉的来货量情况，并对预测结果进⾏分析。
1 平稳性检验
1.1 初步检验
设来货量时间序列为Qt，⾸先观察Qt的折线图，如图1所⽰：
图1 Qt的折线图
从图1可知，苹果来货量的⽉度数据总体呈下降趋势，并存在季节性因素，进⽽通过序列原⽔平的⾃相关系数图进⼀步探讨序列的平稳性，结果如图2所⽰：
图2 Qt的⾃相关系数图
从图2可以看到，所有的⾃相关系数（Autocorrelation）均落在2倍标准差之内（垂⽴的两道虚线表⽰2倍标准差），初步判定序列Qt是平稳的。下⾯运⽤ADF单位根检验法证明序列的平稳性。
1.2 ADF单位根检验
假设序列Qt的特征⽅程存在多个特征根，那么序列平稳的条件为所有特征根λi的绝对值均⼩于1，即所有特征根都在单位圆内。构造该ADF 检验的原假设H0：存在i，使得λi＞1，备择假设H1：λ1, λ2, … , λp＜1，运⽤Eviews软件对序列Qt的原⽔平进⾏带常数项（Intercept）的ADF检验，采⽤SC准则⾃动选择滞后阶数，检验结果如图3所⽰：
应用时间序列eviews实验报告
应用时间序列eviews实验报告
时间序列分析是数据分析领域中一个重要的分析方法，主要用于研究某个变量随时间
变化的趋势或周期性波动模式，具有非常广泛的应用领域，如经济学、金融学、社会学、
医学等领域。Eviews是一个经济学研究软件，具有强大的时间序列分析功能，可以用于时间序列的建模、预测等操作。本文将对Eviews在时间序列分析实验中的应用进行介绍和分析。
一、实验介绍
本次实验使用的数据为GDP数据，区间为1995-2019年，数据来源为国家统计局。实
验目的为使用Eviews进行时间序列分析，研究GDP的时间序列特征，建立合适的模型进行预测。在实验中，我们将使用Eviews进行ADF检验、白噪声检验、建立ARIMA模型等操作，以充分展示Eviews在时间序列分析中的应用。
二、实验步骤
1、数据导入
首先打开Eviews软件，新建一个工作文件，导入GDP数据(见下图)。
2、ADF检验
ADF检验是检验时间序列平稳性的常用方法，其原理是检验时间序列是否具有单位根。在Eviews中进行ADF检验的操作如下：
依次选择"View-Graph"-"Augmented Dickey-Fuller Test"菜单，弹出窗口后选择要分析的序列名称以及置信水平，单击"OK"按钮，即可看到ADF检验结果(见下图)。
由图可知，GDP序列的ADF检验结果为-3.0949，小于95%置信水平下的临界值-2.889，说明序列是平稳的。
3、白噪声检验
4、建立ARIMA模型
接下来我们将使用Eviews建立ARIMA模型，对GDP序列进行预测。首先，在Eviews
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
应用时间序列分析
实验手册
目录
目录 (2)
第二章时间序列的预处理 (3)
一、平稳性检验 (3)
二、纯随机性检验 (9)
第三章平稳时间序列建模实验教程 (10)
一、模型识别 (10)
二、模型参数估计（如何判断拟合的模型以及结果写法） (14)
三、模型的显著性检验 (17)
四、模型优化 (18)
第四章非平稳时间序列的确定性分析 (19)
一、趋势分析 (19)
二、季节效应分析 (34)
三、综合分析 (38)
第五章非平稳序列的随机分析 (44)
一、差分法提取确定性信息 (44)
二、ARIMA模型 (58)
三、季节模型 (64)
第二章时间序列的预处理
一、平稳性检验
时序图检验和自相关图检验
（一）时序图检验
根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界、无明显趋势及周期特征
例2.1
检验1964年——1999年中国纱年产量序列的平稳性
1.在Eviews软件中打开案例数据
图1：打开外来数据
图2：打开数据文件夹中案例数据文件夹中数据
文件中序列的名称可以在打开的时候输入，或者在打开的数据中输入
图3：打开过程中给序列命名
图4：打开数据
2.绘制时序图
可以如下图所示选择序列然后点Quick选择Scatter或者XYline；绘制好后可以双击图片对其进行修饰，如颜色、线条、点等
图1：绘制散点图
图2：年份和产出的散点图
U U O
600
500
400
300
200
100
1960
1970 1980 YEAR
图 3：年份和产出的散点图
1990 2000
（二）自相关图检验 例 2.3
导入数据，方式同上；
在 Quick 菜单下选择自相关图，对 Qiwen 原列进行分析；
可以看出自相关系数始终在零周围波动，判定该序列为平稳时间序列。
图 1：序列的相关分析
T P T
图2：输入序列名称
图2：选择相关分析的对象
图3：序列的相关分析结果:1.可以看出自相关系数始终在零周围波动，判定该序列为平稳时间序列2.看Q统计量的P值：该统计量的原假设为X的1期，2期……k期的自相关系数均等于 0，备择假设为自相关系数中至少有一个不等于0，因此如图知，该 P 值都>5%的显著性水平,所以接受原假设,即序列是纯随机序列,即白噪声序列(因为序列值之间彼此之间没有任何关联,所以说过去的行为对将来的发展没有丝毫影响,因此为纯随机序列,即白噪声序列.) 有的题目平稳性描述可以模仿书本33页最后一段.
（三）平稳性检验还可以用：
单位根检验：ADF,PP检验等；
非参数检验：游程检验
图1：序列的单位根检验
表示不包含截距项图2：单位根检验的方法选择
图3：ADF检验的结果：如图，单位根统计量ADF=-0.016384都大于EVIEWS给出的显著性水平1%-10%的ADF临界值，所以接受原假设，该序列是非平稳的。
二、纯随机性检验
计算Q统计量，根据其取值判定是否为纯随机序列。
例2.3的自相关图中有Q统计量，其P值在K=6、12的时候均比较大，不能拒绝原假设，认为该序列是白噪声序列。
另外，小样本情况下，LB统计量检验纯随机性更准确。
第三章平稳时间序列建模实验教程
一、模型识别
1.打开数据
图1：打开数据
2.绘制趋势图并大致判断序列的特征
图2：绘制序列散点图
图3：输入散点图的两个变量
图4：序列的散点图
3.绘制自相关和偏自相关图
图1：在数据窗口下选择相关分析图2：选择变量
图3：选择对象
图 4：序列相关图
4.根据自相关图和偏自相关图的性质确定模型类型和阶数
如果样本(偏)自相关系数在最初的 d 阶明显大于两倍标准差范围，而后几乎 95％的自相关 系数都落在 2 倍标准差的范围以内，而且通常由非零自相关系数衰减为小值波动的过程非 常突然。这时，通常视为(偏)自相关系数截尾。截尾阶数为 d 。 本例：
⏹ 自相关图显示延迟 3 阶之后，自相关系数全部衰减到 2 倍标准差范围内波动，这表 明
序列明显地短期相关。但序列由显著非零的相关系数衰减为小值波动的过程相当 连续，相当缓慢，该自相关系数可视为不截尾 ⏹ 偏自相关图显示除了延迟 1 阶的偏自相关系数显著大于 2 倍标准差之外，其它的偏 自
相关系数都在 2 倍标准差范围内作小值随机波动，而且由非零相关系数衰减为小 值波动的过程非常突然，所以该偏自相关系数可视为一阶截尾 ⏹ 所以可以考虑拟合模型为 AR(1) 自相关系数 拖尾 Q 阶截尾 拖尾
偏相关系数 P 阶截尾 拖尾 拖尾
模型定阶 AR(p)模型
MA （q ）模型 ARMA(P,Q)模型
具体判别什么模型看书 58 到 62 的图例。
AR 模型：
X t 1 1 AR(1) * B AR(2) * B 2
AR(P) * B
P
t
：
MA 模型：
（1MA(1) *B MA(2) *B 2
MA(q) * B q ）Xt
1 MA(1) * B MA(2) *B
2 MA(q) *B
q ARMA 模型：
1 AR(1) * B AR(2) * B
2 AR(P) *B P
t
t （其中模型中的a r(1) MA(1)表示的是求出来的系数。就是常数项）
Xt