时间序列课设
应用计量经济学时间序列分析第四版教学设计
应用计量经济学时间序列分析第四版教学设计引言时间序列分析是应用计量经济学领域的重要研究方向，它能够有效地分析和预测数据的发展趋势和周期性变化，适用于很多领域的数据分析。
然而，时间序列分析方法具有一定的复杂性和技术难度，教学效果也很受到影响。
为此，本文基于《应用计量经济学时间序列分析》一书的第四版进行教学设计，旨在通过优化课程设置和教学方法，提高学生学习时间序列分析的效果。
教学目标1.理解时间序列分析的基本概念和方法。
2.掌握时间序列分析的实践技能和应用能力。
3.能够独立设计和实施时间序列分析项目，提高对实际问题的解决能力。
教学内容和安排1.时间序列分析基本概念介绍（2学时）–时间序列概念与应用领域–时间序列的分类和表示方法2.时间序列统计特征分析（4学时）–时间序列平稳性检验–时间序列相关系数计算–时间序列自回归建模3.时间序列预测方法及实战（10学时）–时间序列分解–ARIMA模型构建与应用–季节性时间序列建模–实例分析项目教学方法和教学手段1.讲授课堂教学：重点详细讲解时间序列分析概念、特征分析和建模方法，帮助学生理解理论知识的内涵和精髓。
2.课外练习和作业：引导学生在课堂理论学习的基础上，通过练习题或应用实例的作业，巩固理论知识，并培养实践能力。
3.实践案例分析：通过案例分析和项目研讨，提高学生对时间序列分析实际问题解决能力。
4.电子教学：采用多媒体技术，显示程序代码、图表和示意图等，使学生更加清晰地理解时间序列分析概念和方法。
考核方式和评价标准1.学期作业：包括理论练习和实践项目分析，作业占总成绩的30%。
2.期中考试：以选择题和简单应用题为主，考核学生对课堂理论知识的掌握程度，占总成绩的30%。
3.期末考试：组合题、应用题和实现题等，考核学生对时间序列分析方法的应用举例和实践能力，占总成绩的40%。
教学效果及评价通过本教学设计，学生将能够理解时间序列分析的基本概念、掌握时间序列分析的实践技能，并能够运用时间序列分析方法解决实际问题，提高其在应用计量经济学领域的能力。
时间序列高分课程设计
时间序列高分课程设计一、课程目标知识目标：1. 学生能够理解时间序列数据的定义和特点，掌握时间序列分析的基本概念和原理。
2. 学生能够运用所学知识对时间序列数据进行预处理，包括缺失值处理和异常值检测。
3. 学生能够运用时间序列分析方法，如自相关函数、偏自相关函数等，进行时间序列数据的特征提取和分析。
4. 学生能够掌握至少两种时间序列预测模型，如ARIMA模型、LSTM神经网络，并了解其适用场景。
技能目标：1. 学生能够运用编程工具（如Python）对时间序列数据进行处理和分析。
2. 学生能够运用统计软件或编程环境（如R、Matlab）进行时间序列预测模型的构建和优化。
3. 学生能够独立完成一个时间序列数据分析项目，包括数据预处理、模型选择、预测分析及结果评估。
情感态度价值观目标：1. 学生能够认识到时间序列分析在现实生活中的广泛应用和价值，激发对数据分析的兴趣和热情。
2. 学生能够通过小组合作，培养团队协作精神和沟通能力，增强解决问题的信心和责任感。
3. 学生能够关注时间序列分析领域的发展动态，培养终身学习的意识。
本课程针对高年级学生，结合学科特点，注重理论与实践相结合，旨在提高学生的时间序列数据分析能力。
课程目标具体、可衡量，有助于学生和教师在教学过程中明确预期成果，并为后续教学设计和评估提供依据。
二、教学内容1. 时间序列基本概念：时间序列的定义、组成部分、平稳性检验及白噪声序列。
2. 数据预处理：时间序列数据的收集与整理，缺失值处理，异常值检测与处理方法。
3. 时间序列特征分析：自相关函数、偏自相关函数、自协方差和自协方差函数，时间序列的周期性、趋势性、季节性分析。
4. 时间序列预测模型：- 传统模型：ARIMA模型及其扩展形式，如季节性ARIMA模型；- 机器学习模型：LSTM神经网络，时间卷积网络（TCN）等。
5. 模型评估与优化：预测结果的评价指标，如均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE），模型参数调优方法。
时间序列教案
时间序列教案标题：时间序列教案——探索过去、理解现在、预测未来一、教学目标：1. 知识目标：了解时间序列的概念、特点和应用领域；2. 技能目标：掌握时间序列数据的收集、整理和分析方法；3. 情感目标：培养学生对于时间序列的兴趣和探索精神。
二、教学重难点：1. 重点：时间序列的定义、组成要素以及各类时间序列的实际应用；2. 难点：时间序列数据的分析方法和预测模型。
三、教学过程：1. 导入（5分钟）通过展示一组时间序列数据的图表，教师引导学生思考数据背后的规律和变化趋势，激发学生对于时间序列的兴趣，并与学生一起探讨其可能的实际应用。
2. 知识讲解（15分钟）a. 定义与组成要素：教师给出对时间序列的准确定义，并介绍时间序列的组成要素，包括观测值、时间点以及可能的周期性和趋势性。
b. 实际应用领域：教师列举一些时间序列的应用领域，如经济学、气象学、股市预测等，并向学生展示一些案例和实际应用中的问题。
3. 方法讲解（25分钟）a. 收集数据：教师向学生介绍如何收集时间序列数据，包括观测数据的来源、可靠性以及注意事项。
b. 整理与展示：教师演示如何整理和展示时间序列数据，包括数据的可视化和趋势分析。
c. 分析方法：教师讲解常用的时间序列分析方法，如平均值、移动平均法、指数平滑法等，并以示例进行实际操作演示。
4. 案例分析（20分钟）教师给出一个实际的时间序列案例，要求学生分析该案例的数据特点、趋势以及可能的未来发展。
学生配合教师指导，运用所学的方法进行数据分析和预测，并向全班展示自己的分析结果和结论。
5. 拓展与应用（15分钟）学生结合自己感兴趣或身边的事物，收集相关的时间序列数据，并尝试应用所学的方法进行分析与预测。
他们可以形成小组合作，共同完成实际应用项目，并向全班汇报自己的发现。
6. 总结与评价（10分钟）教师帮助学生总结本节课所学的知识和方法，强调时间序列的重要性和应用价值。
学生根据课堂上的表现以及案例分析的结果，对自己和同伴进行评价，并提出自己进一步学习的计划与目标。
spss时间序列预测课程设计
spss时间序列预测课程设计一、课程目标知识目标：1. 理解时间序列预测的基本概念，掌握SPSS软件进行时间序列分析的操作步骤；2. 学会运用SPSS软件进行时间序列数据的预处理，包括平稳性检验、季节性分解等；3. 掌握ARIMA模型的构建方法，并能够运用模型进行时间序列预测。
技能目标：1. 能够独立运用SPSS软件进行时间序列数据的处理和分析；2. 能够运用ARIMA模型对实际案例进行时间序列预测，并合理评估预测结果；3. 培养学生运用数据分析方法解决实际问题的能力。
情感态度价值观目标：1. 培养学生对数据分析的兴趣和热情，提高学生的数据素养；2. 增强学生的团队合作意识，培养学生积极探究、勇于创新的精神；3. 引导学生认识到数据分析在经济社会发展中的重要作用，培养学生的社会责任感。
课程性质分析：本课程为数据统计分析方向的选修课程，旨在帮助学生掌握时间序列预测的基本方法，提高学生的数据分析能力。
学生特点分析：学生具备一定的统计学基础和SPSS软件操作能力，对数据分析有一定的兴趣，但可能对时间序列预测的理论和方法了解有限。
教学要求：结合学生特点，注重理论与实践相结合，通过实际案例和课堂讨论，使学生掌握时间序列预测的基本方法，并能应用于实际问题的解决。
在教学过程中，关注学生的学习进度和反馈，及时调整教学策略，确保课程目标的实现。
二、教学内容1. 时间序列分析概述：介绍时间序列分析的基本概念、应用领域及研究方法；教材章节：第2章 时间序列分析概述2. 时间序列数据的预处理：讲解时间序列数据的收集、处理及平稳性检验；教材章节：第3章 时间序列数据的预处理3. SPSS时间序列分析操作：介绍SPSS软件进行时间序列分析的操作步骤；教材章节：第4章 SPSS时间序列分析操作4. ARIMA模型：讲解ARIMA模型的构建方法、参数估计及预测；教材章节：第5章 ARIMA模型5. 时间序列预测案例：结合实际案例，运用SPSS软件进行时间序列预测；教材章节：第6章 时间序列预测案例6. 预测结果评估与优化：介绍预测结果评估方法，探讨预测模型的优化策略；教材章节：第7章 预测结果评估与优化教学安排与进度：1. 第1周：时间序列分析概述；2. 第2周：时间序列数据的预处理；3. 第3周：SPSS时间序列分析操作；4. 第4周：ARIMA模型；5. 第5周：时间序列预测案例；6. 第6周：预测结果评估与优化。
时间序列分析课程设计
时间序列分析课程设计一、课程目标知识目标：1. 让学生理解时间序列分析的基本概念，掌握时间序列数据的结构特征和常见的时间序列模型。
2. 使学生掌握时间序列平稳性检验和自相关函数、偏自相关函数的绘制与分析方法。
3. 帮助学生了解时间序列预测的常用算法，如ARIMA模型、指数平滑等，并掌握其应用场景。
技能目标：1. 培养学生运用时间序列分析方法处理实际问题的能力，学会运用统计软件进行时间序列数据的分析、建模和预测。
2. 提高学生运用所学知识解决实际问题时的时间序列模型选择和参数估计能力。
情感态度价值观目标：1. 培养学生对时间序列分析的兴趣，激发学生主动探索和研究的精神。
2. 引导学生认识到时间序列分析在实际问题中的应用价值，提高学生的数据分析和解决实际问题的能力。
3. 培养学生的团队合作意识，提高学生在团队中沟通、协作的能力。
课程性质分析：本课程为数据分析方向的专业课程，旨在帮助学生掌握时间序列分析的基本理论和方法，培养学生运用时间序列分析解决实际问题的能力。
学生特点分析：学生为高年级本科生，已具备一定的数学基础和统计分析能力，对时间序列分析有一定的了解，但尚需深化理论知识，提高实际操作能力。
教学要求：1. 结合实际案例，注重理论与实践相结合，提高学生的实际操作能力。
2. 采取启发式教学，引导学生主动参与课堂讨论，培养学生的创新思维。
3. 强化课堂互动，关注学生的个体差异，提高教学效果。
二、教学内容1. 时间序列分析基本概念：时间序列的定义、时间序列数据的组成、时间序列的分类及性质。
教材章节：第一章 时间序列分析概述2. 时间序列数据的预处理：数据清洗、数据变换、平稳性检验。
教材章节：第二章 时间序列数据的预处理3. 时间序列模型：自回归模型（AR）、移动平均模型（MA）、自回归移动平均模型（ARMA）、自回归积分滑动平均模型（ARIMA）。
教材章节：第三章 时间序列模型4. 时间序列预测方法：指数平滑法、季节性模型、周期性模型。
时间序列课程设计体会
时间序列课程设计体会一、教学目标本课程的教学目标是让学生掌握时间序列的基本概念、方法和应用，培养学生对时间序列数据进行分析、处理和可视化的能力。
具体来说，知识目标包括：了解时间序列的基本概念、类型和特点；掌握时间序列的预处理方法，如数据清洗、缺失值处理等；熟悉时间序列的常见分析方法，如时间趋势分析、季节性分析、指数平滑等；了解时间序列在实际应用中的案例。
技能目标包括：能够使用统计软件进行时间序列数据的导入、处理和分析；能够根据分析结果，提出相应的结论和建议；能够撰写简洁、清晰的时间序列分析报告。
情感态度价值观目标包括：培养学生对数据的敏感性和好奇心，提高学生的问题解决能力；培养学生团队合作、沟通交流的能力；培养学生对时间序列分析的兴趣，激发学生对统计学和数据分析领域的热情。
二、教学内容本课程的教学内容主要包括时间序列的基本概念、方法和应用。
具体安排如下：第一章：时间序列的基本概念。
介绍时间序列的定义、类型和特点；讲解时间序列数据的来源、收集和整理方法。
第二章：时间序列的预处理。
讲解时间序列数据的清洗、缺失值处理、异常值处理等方法。
第三章：时间序列的平稳性检验。
介绍平稳时间序列和非平稳时间序列的概念，讲解平稳性检验的方法和应用。
第四章：时间序列的模型构建。
介绍时间序列模型的类型，如自回归模型、移动平均模型、自回归移动平均模型等，讲解模型构建的方法和步骤。
第五章：时间序列的预测。
讲解时间序列预测的方法，如单步预测、多步预测等，以及预测误差的评估。
第六章：时间序列的应用。
介绍时间序列分析在实际领域的应用案例，如经济学、金融学、社会学等。
三、教学方法为了提高学生的学习兴趣和主动性，本课程将采用多种教学方法相结合的方式。
具体方法如下：1.讲授法：通过讲解时间序列的基本概念、方法和应用，使学生掌握相关知识。
2.案例分析法：通过分析实际案例，使学生了解时间序列分析在实际应用中的价值。
3.实验法：让学生动手操作统计软件，进行时间序列数据的处理和分析，提高学生的实际操作能力。
时间序列eviews软件课程设计
时间序列eviews软件课程设计一、课程目标知识目标：1. 学生能理解时间序列分析的基本概念，掌握eviews软件操作流程。
2. 学生能描述时间序列数据的特征，并运用eviews软件进行数据预处理。
3. 学生能运用eviews软件进行时间序列模型的建立和预测。
技能目标：1. 学生能运用eviews软件导入、处理和分析时间序列数据。
2. 学生能通过eviews软件绘制时间序列图，识别数据的趋势、季节性和循环性。
3. 学生能运用eviews软件进行时间序列模型的参数估计和假设检验。
情感态度价值观目标：1. 学生培养对经济学、金融学等相关领域数据分析的兴趣，提高实际应用能力。
2. 学生培养合作精神和批判性思维，学会在团队中分享观点，共同解决问题。
3. 学生通过时间序列分析的学习，增强对数据规律的洞察力，形成严谨的科学态度。
课程性质分析：本课程为选修课，旨在让学生掌握时间序列分析的基本方法，学会运用eviews软件进行数据处理和分析，提高实际操作能力。
学生特点分析：学生为高中年级，具备一定的数学基础和计算机操作能力，对经济、金融等领域有一定了解。
教学要求：结合学生特点，课程设计应注重理论与实践相结合，注重培养学生的实际操作能力和解决问题的能力。
通过分解课程目标为具体学习成果，使学生在课程学习过程中不断提升自身能力。
二、教学内容1. 时间序列分析基本概念：时间序列的定义、平稳性、自相关性和白噪声。
2. eviews软件操作基础：软件界面介绍、数据导入与编辑、图形绘制与数据处理。
3. 时间序列数据的预处理：数据清洗、缺失值处理、异常值检测与处理。
- 教材章节：第一章 时间序列分析概述，第三章 数据的预处理。
4. 时间序列模型建立：- 自回归模型（AR）- 移动平均模型（MA）- 自回归移动平均模型（ARMA）- 自回归积分移动平均模型（ARIMA）- 教材章节：第四章 时间序列模型的建立与预测。
5. 模型参数估计与假设检验：- 参数估计方法- 模型适用性检验：单位根检验、滞后阶数确定- 模型预测效果评估：预测误差分析、预测区间计算- 教材章节：第五章 模型参数估计与假设检验，第六章 模型预测与评估。
时间序列课程设计
《应用时间序列分析》课程设计指导书一、课程设计的目的熟练Minitab等常用统计软件的应用，对软件处理后的数据和结论进行分析，加深理解本课程的研究方法，将书本知识应用于实践之中，培养自身解决实际问题的能力。
二、设计名称：某城市过去63年终每年降雪量数据构成的时间序列进行平稳性检验、模型拟合并预测五年内增长数据进行预测三、设计要求：1.掌握用统计软件实现平稳时间序列平稳性检验、模型拟合并预测的方法和步骤2.充分利用应用时间序列分析，决实际问题。
3. 数据来源必须真实，并独立完整四、设计过程1.思考课程设计的目的，上网收集来源真实的数据；2.整理数据，简单分析数据间关系变化；3.利用Minitab数据进行详细分析，并得出相关数值；4.编辑实验报告，详细记录操作步骤和相关数据说明；5.结合相关的实验结论与知识背景，对于实验的出的结论提出自己的建议与意见。
五、设计细则：1.对于网上搜集到的数据文件必须真是可靠，自己不得随意修改；2.利用统计软件的数据分析功能充分处理数据，得出正确的结论；3.认真编写实验报告，对于实验中的操作步骤应尽量详细；4.实验分析结果要与实际问题背景相符合。
六、说明：1.对于同一问题可采取不同的方法来检验，得出的结论才会更准确。
2.对于同一数据可采用不同的软件进行分析。
课程设计任务书课程设计报告课程：应用时间序列分析学号：118327108姓名：孔梦婷班级：11金统教师：李贤彬江苏师范大学数学科学学院设计名称：某城市过去63年终每年降雪量数据构成的时间序列进行平稳性检验、建模并预测五年内降雪量日期：2013 年1 2 月20 日设计内容：某城市过去63年终每年降雪量数据如下表所示（单位：mm）设计目的与要求：1.理解和学习研究本课程的统计方法，充分利用应用时间序列分析知识并熟练运用Minitab统计软件进行实际问题的分析与解决。
2.用统计软件掌握平稳性检验建模和预测趋势的步骤3.熟悉非应用时间序列分析的相关知识，达到学以致用的程度设计环境或器材、原理与说明：设计环境与器材：学校机房，计算机，Minitab 软件原理与说明：（一） 时序图检验：所谓时序图就是一个平面二维坐标图，通常横轴表示时间，纵轴表示序列取值。
- 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)。
辽宁工业大学时间序列分析课程设计题目：我国GDP的分析与预测院（系）：专业班级：统1学号： 0学生姓名：指导教师：教师职称：起止时间： 2011.23课程设计任务院（系）：学教研室：室学号学生姓名专业班级统班课程设计（论文）题目我国GDP的分析与预测课程设计（论文）任务1、画出时间序列的时序图，根据所画的时序图粗略判别序列是否平稳；2、根据序列的自相关图判别序列是否平稳；3、利用单位根检验方法，判别序列的平稳性；4、模型识别。
根据自相关系数和偏自相关系数的性质和特点，判别模型属于哪种类型；5、参数估计。
根据选定的模型类别进行模型的参数估计；6、进行相应的检验。
包括模型的稳定性、可逆性的判定；参数的显著性检验；残差的白噪声检验等；7、模型优化。
对所建立的多个模型，根据AIC准则等进行优化选择；9、预测。
应用所建立的模型，进行未来5期的预测；10、模型的评价。
应用相关的评价准则，对所选择的模型进行评价。
11、撰写设计报告。
报告一律要求用Word文档纂写，3000字左右，内容及要求见指导书。
摘要从《中国统计年鉴》选取全国1970年～2005年35个年度的GDP的历史数据并画出时序图，再根据时间序列的分析方法及Eviews6.0软件对其进行分析与预测，最后得到比较满意的未来5年GDP的预测结果。
本文用时间序列分析方法，对我国GDP指数进行了拟合。
通过对1970年至2005年期间我国GDP指数的观察分析，建立了合适的ARIMA 模型，并对未来五年我国GDP指数进行预测，然后对预测值和真实值进行比较，得出结论，所建立的ARIMA模型有较好的拟合效果，从而提供了一个经济预测和结构分析的有效方法。
关键词：GDP 时间序列分析预测目录1引言 (1)2我国GDP指数的初步分析 (2)2.1我国GDP的原始数据 (2)2.2数据的初步处理 (2)2.3数据的平稳性处理及检验 (3)3模型的识别与选择 (6)3.1模型的识别 (6)3.2模型的选择 (6)4模型的参数估计与建立 (6)5模型的检验 (7)6模型的拟合效果 (10)7模型的预测与评价 (11)7.1模型的预测 (11)7.2模型的评价 (12)8结论 (13)参考文献 (14)1引言预测是人们根据事物之间的相互联系，事物发展的历史数据及相关信息，利用已经掌握的科学知识和手段，对客观事物的未来发展状况或趋势进行事前分析和推断的科学。
预测的科学性在于，它有科学基础，包括理论、资料、方法、计算等因素，依赖于对客观经济规律的认识和掌握。
预测的目的在于为制定计划或进行决策提供客观依据。
事物是发展变化的，其结果具有不确定性。
在社会经济、工程等诸多领域中都离不开预测，日常天气的预测、网络流量的预测、企业产品销售量的预测、股票走势的预测等等，无一不和我们的生活息息相关。
目前，预测经济运行时间序列的理论与方法较多，ARIMA 模型在经济预测过程中既考虑了经济现象在时间序列上的依存性，又考虑了随机波动的干扰性，对经济运行短期趋势的预测准确率较高，是近年应用比较广泛的方法之一。
由于国内生产总值(GDP)不仅能够在总体上度量国民产出和收入规模，也能够在整体上度量经济波动和经济周期状态，因此，对GDP进行精确的拟合和分析对分析一国的宏观经济发展趋势具有重要意义。
在本文中研究中，根据ARIMA模型的应用条件，选取1970年～2010年我国的GDP数据进行建模分析。
2我国GDP指数的初步分析2.1我国GDP的原始数据年份GDP亿元年份GDP亿元年份GDP亿元年份GDP亿元1970 2261 1979 4063 198815043199778973 1971 2435 1980 4546 198916992199884402 1972 2530 1981 4892199018668199989677 1973 2733 1982 5323199121782200099215 1974 2804 1983 59631992269232001109655 1975 3013 1984 72081993353342002120333 1976 2961 1985 90161994481982003135823 1977 3223 1986102751995607942004159878 1978 3645 198712059 1996 71177 2005183217表2.1.1我国1970～2005年GDP原始数据2.2数据的初步处理首先对我国1970年～2005年GDP数据作图观察结果如图2.2.1所示，发现GDP随时间的增长呈指数趋势，因此对原始序列作对数处理。
通过观察对数处理序列时序图2.2.2，发现经对数处理所得序列具有线性趋势。
由于GDP带有很强的趋势成分，因此需要对此类的数据先进行消除趋势性的处理，然后建立模型建立。
图2.2.1我国1970年～2005年GDP时序图图2.2.2我国1970年～2005年GDP对数处理时序图2.3数据的平稳性处理及检验对序列进行对数处理后，由序列图2.2.2显示该序列仍然具有递增趋势，所以说改序列仍然是非平稳序列，利用Eviews6.0对对数处理后的GDP序列作一阶差分，得到一阶差分时序图2.3.1和一阶差分自相关与偏自相关图2.3.2，显示该序列仍然是非平稳时间序列。
图2.3.1我国GDP对数处理一阶差分时序图图2.3.2一阶差分序列自相关与偏自相关图对序列进一步做平稳化处理，进行二阶差分运算，得到二阶差分时序图2.3.3和二阶差分自相关与偏自相关图2.3.4如下：图2.3.3我国GDP对数处理二阶差分时序图图2.3.4二阶差分序列自相关与偏自相关图为了检验对数处理后的序列二阶差分是否平稳, 再对处理后的GDP二阶差分序列进行单位根检验, 结果如表2.3.5所示：表2.3.5二阶差分单位根检验结果表明对数处理后的序列经过二阶差分后是平稳的。
3模型的识别与选择3.1模型的识别模型的识别主要依赖于对自相关图与偏相关图的分析。
而且需要判断时间序列数据是否平稳，一般采用ADF检验方法来判断该序列的平稳性。
如果该序列为非平稳序列，这时应对该时间序列进行差分, 同时分析差分序列的相关图以判断差分序列的平稳性，直至得到一个平稳序列。
在实际中应该防止过度差分，过度差分不但会使序列样本容量减少，还会使序列的方差变大。
3.2模型的选择在平稳时间序列基础上通过自相关与偏自相关图识别模型阶数p和q，在建立模型时,选择模型原则为：自相关系数拖尾，偏相关系数阶截尾为AR（p）模型自相关系数q阶截尾，偏自相关系数拖尾为MA(q)模型自相关系数拖尾，偏自相关系数拖尾为ARMA(p，q)模型由图2.2.4偏自相关图可知p可以选择2,自相关图可知q可以选择1, 由于是二阶差分d=2, 所以得到模型ARIMA ( 2,2,1)。
4模型的参数估计与建立对模型的识别和选择后得到最适合我国GDP的分析与预测的模型是ARIMA（2,2,1）模型，现在通过Eviews6.0软件对模型进行参数估计，其估计结果如表4.1所示：表4.1参数估计结果表根据上面模型的识别与选择，我们选用ARIMA（2，2，1）作为我们的最佳预测模型, 估计该模型的参数及模型的相关检验结果如表2.4.1。
结果表明模型ARIMA（2，2，1）的参数估计值具有统计意义，其展开式为：（1+1.174962B+0.057704B2）（1-B）2 X=t（1-0.141697B）εt5模型的检验根据表4.1中的P值检验参数的显著性，因为他们都小于0.05时，所以拒绝原假设，}是否为白噪声序列，通过Eviews6.0检验，输出结果即参数显著不为0。
残差序列{εt如表5.1所示：表5.1残差序列的白噪声检验结果显示P值=0.9327〉0.5，所以接受原假设，认为残差序列的期望值为0。
进行残差纯随机性Q检验，通过Eviews6.0检验，输出结果如表5.2所示：表5.2 Q检验结果表所有P值均大于0.05，接受残差为随机序列的原假设。
通过异方差的White检验进行判定，通过Eviews6.0得出图5.3所示。
通常考察Obs*R-Squared所对应的P值，可见该值为0.8537＞0.05，所以接受方差具有齐性的原假设。
至此可以表明残差序列为白噪声序列，因此信息提取的比较充分，模型比较合理。
图5.36模型的拟合效果根据1970～2005年我国GDP数据，通过Eviews6.0软件进行建模，现对模型进行拟合，拟合图和残差图为6.1所示：图6.17模型的预测与评价7.1模型的预测通过Eviews6.0对模型进行预测得出结果如图7.1.1所示：图7.1.1 1970-2010年我我国GDP指数置信区间通过Eviews6.0软件对我国未来5年的GDP指数进行预测的置信区间如图7.1.2所示：图7.1.2 2006-2010年我我国GDP指数置信区间运用Eviews6.0软件对我国未来五年的GDP指数进行预测，得到的预测数值与实际数值相比结果如表7.1.2所示：年份预测值（亿元）实际值（亿元）相对误差2006 241153.2536 211924 13.79%2007 296884.7265 257306 15.38%2008 350087.8787 300670 16.44%2009 370021.2458 335353 10.34%2010 438227.9146 397983 10.11%表7.1.27.2模型的评价由表7.1.2可见2006年GDP指数预测的有些差异，2007年的预测差异较2006年稍大些，2008年差异最大，可能是受到08年奥运会的影响，2009年差异也比较大，可能是受到经济危机的影响。
2008年和2009年受当时时事影响出现异常波动，可将其视为异常值点。
2010年预测值比较接近真实值，此时经济危机刚刚平息，我国GDP指数又回归到原始波动水平，所以预测的比较准。
8结论本文将时间序列分析方法应用到我国国内生产总值短期预测中。
首先，对样本序列进行平稳性判别，若非平稳则对该序列进行平稳化处理；其次，对已识别模型进行估计，这里包括模型系数的估计和阶数的判别；再次，白噪音检验显示得到的模型是合理的；最后，通过参数的估计值建立相应的模型并计算出序列短期的点预测与区间预测。
在整个建模的过程中，通过Eviews6.0软件可以很方便地得出序列的模型并且有较高的拟合精度。
参考文献[1] 王振龙.时间序列分析[M]. 北京：中国统计出版社.2006[2] 易丹辉.数据分析与Eviews应用[M].北京：中国统计出版社2007[3] 张舒慧.中国GDP自回归模型的研究[D].西安理工大学.2007课程设计（论文）评语课程设计指导教师评语课程设计成绩成绩：指导教师签字：姜健2011年 12月 25日备注或特殊说明。