《应用时间序列分析》实验大纲

合集下载

应用时间序列分析实验报告

应用时间序列分析实验报告学院名称专业班级应用统计学14-2学生姓名学号齐鲁工业大学实验报告成绩课程名称《应用时间序列分析实验》指导教师实验日期院（系）专业班级实验地点学生姓名学号同组人无实验项目名称 ARIMA 模型、确定性分析法,多元时间序列建模一、实验目的和要求1.熟悉非平稳序列的确定性分析法：趋势分析、季节效应分析、综合分析2.熟悉差分平稳序列的建模步骤。

3.掌握单位根检验、协整检验、动态回归模型的建立。

二、实验原理1. 序列的各种变化都归结于四大因素的综合影响：长期趋势（Trend ）,循环波动（Circle ）,季节性变化（Season ）,机波动（Immediate ）.常假设它们有如下的相互模型：加法模型 t t t t t X T C S I =+++乘法模型 t t t t tX T C S I =⋅⋅⋅混合模型模型结构不唯一2.非平稳序列如果能通过适当阶数的差分后实现平稳，就可以对差分后序列进行ARMA 模型拟合了，所以ARIMA 模型是差分运算与ARMA 模型的组合tt d B x B ε)()(Θ=∇Φ3.单位根检验：（1）DF 检验；（2）ADF 检验； (3)PP 检验；4.动态回归模型ARIMAX如果两个非平稳序列之间具有协整关系，则先建立它们的回归模型，再对平稳的残差序列建立ARMA 模型。

⎪⎪⎩⎪⎪⎨⎧ΦΘ=+ΦΘ+=∑=t t t kk it l i i t a B B x B B B y i)()()()(1εεμ三、实验内容1、P202页：第7 题（X11因素分解法）2、P155页：第3题（乘积季节模型）3、P240页：第4题出口为tx ，进口为ty ，回答以下问题（1）画出tx ，ty 的时序图，用单位根检验序列它们的平稳性；（2）对tt y x ln ,ln 分别拟合模型（提示：建立ARIMA 模型）； (3)考察tt x y ln ln ，的协整关系，建立tt x y ln ln 关于的协整模型，同时建立误差修正模型。

应用时间序列分析教学大纲

应用时间序列分析教学大纲一、课程目标时间序列分析是经济学、统计学、管理学和工程学等交叉领域的重要分支，它对于对时间序列的预测、分析和控制具有重要作用。

本课程旨在介绍时间序列的定义、特征、分类、分析方法和应用，掌握时间序列建模和预测方法，能够熟练利用R语言进行时间序列分析。

二、教学内容1. 时间序列基础知识•时间序列的定义和特征•时间序列的分类、常见模型和应用•时间序列数据的读取和转化2. 时间序列分析方法•时间序列模型的建立和识别•时间序列统计量的计算•时间序列的平稳性检验和差分•白噪声检验和建模3. 时间序列预测方法•时间序列预测模型的建立和评价•傅里叶变换和滤波器的应用•ARIMA模型及其变种•时间序列的灰色预测模型4. 应用案例分析•应用案例一：宏观经济数据分析•应用案例二：金融市场分析•应用案例三：气象预测三、教学方法本课程采用理论教学和实践训练相结合的方式进行教学。

其中，理论教学以课堂讲授为主要形式，包括理论分析和案例分析，实践训练以计算机实验为主要形式，涉及R语言环境下的具体应用。

四、教学进度章节教学内容教学时长第一章时间序列基础知识2课时第二章时间序列分析方法6课时第三章时间序列预测方法8课时第四章应用案例分析4课时五、教学评估课堂讲解占成绩的50%，期末实验成绩占成绩的30%，实验报告占成绩的20%。

六、教材与参考书目教材：•徐远波. 时间序列分析与预测(第2版). 中国人民大学出版社, 2016.参考书目：•周志华. 机器学习. 清华大学出版社, 2016.•Chatfield C. The Analysis of Time Series: An Introduction. CRC Press, 2016.•Shumway R. H., Stoffer D. S. Time Series Analysis and Its Applications. Springer, 2017.。

《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第二章时间序列预处理一、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（如何判断拟合模型以及结果写法）三、模型显著性检验四、模型优化第四章非平稳时间序列确定性分析一、趋势分析二、季节效应分析三、综合分析第五章非平稳序列随机分析一、差分法提取确定性信息二、ARIMA模型三、季节模型第二章时间序列预处理一、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、方差为常数性质，平稳序列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名称可以在打开时候输入，或者在打开数据中输入图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：年份和产出散点图图3：年份和产出散点图（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；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：序列相关分析图2：输入序列名称图2：选择相关分析对象图3：序列相关分析结果: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P值：该统计量原假设为X1期，2期……k期自相关系数均等于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%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,所以说过去行为对将来发展没有丝毫影响,因此为纯随机序列,即白噪声序列.) 有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：序列单位根检验表示不包含截距项图2：单位根检验方法选择图3：ADF检验结果：如图，单位根统计量ADF=-0.016384都大于EVIEWS 给出显著性水平1%-10%ADF临界值，所以接受原假设，该序列是非平稳。

《应用时间序列分析》教学大纲

《应用时间序列分析》课程教学大纲课程代码：090541040课程英文名称：Applied Time Series Analysis课程总学时：32 讲课：32 实验：0 上机：0适用专业：应用统计学专业大纲编写时间： 2017.6一、大纲使用说明（一）课程的地位及教学目标本课程是应用统计学专业的一门专业必修课。

时间序列分析是应用统计学业的一个重要分支，是利用随机方法分析随机时间变化的随机数据序列的统计规律性，其内容包括构建模型，参数估计及最佳预测与控制等。

时间序列分析在经济学、社会科学领域以及自然科学领域均得到了十分广泛的和。

课程是为使学生掌握时间序列分析的基本知识和基本方法，培养学生运用时间序列分析的知识和方法来分析、拟合及预报时间序列的基本能力，并为实际问题的解决提供有效的方法。

学好时间序列分析已成为对统计学专业本科生的基本要求，同时也将为学生后续的学习与实践打下重要的基础。

（二）知识、能力及技能方面的基本要求1．基本知识：掌握时间序列分析的基本原理，基本模型。

2．基本方法：利用时间序列的基本原理和模型，分析的基本方法。

3．基本技能：要求学生能在真实案例中了解时间序列分析的常用软件。

（三）实施说明1．教学方法：为了从统计学的整体上更好地认识和把握时间序列分析的基本原理、主要方法、应用技术和重要意义，教学中应注意思想方法的解释和学生基础情况的把握，处理好抽象与具体，收集与整理、描述与数据分析，理论与实践的关系。

采用启发式教学，培养学生思考问题、分析问题和解决问题的能力；引导和鼓励学生通过自学获取知识，培养学生的自学能力；增加讨论课，调动学生学习的主观能动性，培养学生的创新能力。

2．教学手段：本课程从技术与应用出发，在教学中采用CAI课件及多媒体教学系统等先进教学手段，以确保在有限的学时内，全面、高质量地完成课程教学任务。

（四）对先修课的要求本课的先修课程：概率论与数理统计。

要求学生取得概率论与数理统计课程学分。

应用时间序列分析教学大纲和授课计划

《时间序列分析》教学大纲和授课计划主讲教师黄红梅课程名称：时间序列分析课程代码：2012011教学目的和要求：1. 教学目的：本课程是为统计学（理学）和统计学（经济学）专业硕士研究生开设的一门课程。

通过该课程的学习，使学生掌握时间序列分析的基本理论和方法，能够应用统计软件对时间序列建立适当的动态模型，从而实现对研究对象进行分析和预测的目的。

在能力发展方面，培养学生全面分析问题、独立解决问题的能力，增强学生研究和解决现实问题的能力，从而为今后从事实际工作和科学研究打下基础。

2. 教学要求：学生应在课前做好预习，上课专心听讲，有问题及时提出，课后勤于思考认真作业。

详细阅读参考书，努力提高分析问题和解决问题的能力。

教学课时数：32学时教学方式：面授考核方法：闭卷评分标准：考勤：10%分平时作业：20%期末考试：70%指定教材：金融时间序列分析/（美）Ruey S. Tsay著；王远林，王辉，潘家柱译.北京：人民邮电出版社，2012.9.参考文献：应用计量经济学：时间序列分析（原书第3版）/（美）恩德斯（Enders，W.）著；杜江，袁景安译. 北京：机械工业出版社，2012.6.时间序列分析/ 汉密尔顿（James D. Hamilton）著．北京：中国人民大学出版社，2015.1．预备知识：高等数学、概率论与数理统计、线性代数讲授提纲：本课程主要讲授平稳和非平稳时间序列的线性及非线性建模方法，同时也关注单位根检验、季节性问题、波动性建模和协整等时间序列分析过程中的典型问题。

具体内容如下：第一章金融时间序列及其特征（2学时）一、资产收益率；二、收益率的分布性质。

第二章线性时间序列分析及其应用（10学时）2.1 时间序列基础知识（2）一、时间序列的基本概念及其数字特征；二、平稳性的含义；三、白噪声过程；四、线性差分方程及其求解。

2.2 平稳时间序列模型（4）一、ARMA模型的各种表示形式；二、在计算均值、方差和自协方差的基础上推导ARMA模型的平稳性条件；三、ARMA模型的可逆性条件；四、ARMA过程的自相关函数；五、ARMA过程的偏自相关函数；六、在总结ARMA过程的自相关函数和偏自相关函数特征的基础上，介绍平稳时间序列的Box-Jenkins建模方法；七、基于ARMA模型的最小均方误差预测方法。

应用时间序列分析教学大纲

应用时间序列分析教学大纲课程编号：课程名称：应用时间序列分析英文名称：学时：40（理论）+16（实验）学分：3适用专业：统计学、数学-经济实验班课程性质：选修课程：高等数学、线性代数、概率论、数理统计一、课程教学目标时间序列分析是金融学研究中重要的应用分析工具，通过本课程的学习让学生掌握时间序列分析的基本原理、方法、模型，重点培养学生运用相关软件包进行金融学定量实证分析的能力，为以后的理论应用研究打下坚实的基础。

本课程要求学生掌握时间序列分析的基本概念和模型，掌握用时间序列模型进行基本实证分析的方法。

二、教学内容及基本要求第一章绪论第一节时间序列分析的一般问题及时间序列的建立（1）了解时间序列的含义及时间序列的主要分类；了解时间序列分析的主要方法及其应用领域；了解时间序列分析与数理统学的主要区别；（2）了解时间序列数据的采集，掌握离群点的检验与处理，理解缺损值的补足方法。

第二节确定性时序分析方法概述和几个基本概念（1）理解时间序列的构成因素及几个常用的模型；掌握移动平均法、指数平滑法、时间回归法和季节周期预测法；（2）了解随机过程的概念；理解平稳随机过程、自相关和动态性概念。

第二章平稳时间序列模型第一节一阶自回归模型（1）了解一阶自回归模型的特点；理解AR(1)与普通一元线性回归的关系；了解相关序列的独立化过程和AR(1)模型的特例—随机游动。

第二节一般自回归模型（1）掌握AR(2)模型的假设和结构；理解一般自回归模型。

第三节移动平均模型（1）理解一阶移动平均模型MA(1)和一般移动平均模型。

第四节自回归移动平均模型（1）理解ARMA(2,1)模型的基本假设和结构，了解其相关序列的独立化过程及其与AR(1)的区别；（2）了解ARMA(2,1)模型的非线性回归及其其他特殊情形；了解ARMA(n,n-1)模型与ARMA(n,m)模型。

第三章ARMA模型的特性第一节格林函数和平稳性（1）理解线性常系数差分方程及其解的一般形式；掌握AR(1)系统的格林函数的形式和AR(1)模型的后移算子表达式。

《应用时间序列分析》课程教学大纲

《应用时间序列分析》课程教学大纲一、课程基本信息课程代码：课程名称：应用时间序列分析英文名称：Applied Time Series Analysis课程类别：专业课学时：48学分：3适用对象: 统计学、应用统计学、数据科学与大数据技术专业本科生考核方式：考试先修课程：数学分析、高等代数、概率论、数理统计二、课程简介时间序列分析是统计学科的一个重要分支，它主要研究随着时间的变化，事物发生、发展的过程，寻找事物发展变化的规律，并预测未来的走势。

在日常生产生活中，时间序列比比皆是，目前时间序列分析方法广泛地应用于经济、金融、天文、气象、海洋、物理、化学、医学、质量控制等诸多领域，成为众多行业经常使用的统计方法。

作为数理统计学的一个分支，时间序列分析遵循数理统计学的基本原理，但由于时间的不可重复性，使得我们在任意一个时刻只能获得唯一的序列观察值，这种特殊性的数据结构导致时间序列分析又存在其非常特殊，自成的一套分析方法。

应用时间序列分析根据时序分析方法对各种社会、金融等现象进行认识分析，并使用时间序列分析的相关软件，具有较强的应用性和可操作性。

本课程主要介绍时间序列分析的基本理论和方法，包括AR 模型，MA 模型，ARMA 模型，单位根检验法，平稳序列的模型识别方法、模型检验、优化、预测，非平稳时序模型，无季节效应的非平稳序列分析，有季节效应的非平稳序列分析，包括因素分解理论、指数平滑预测模型等时间序列分析理论和方法。

其次，R语言不仅是一款统计软件，还是一个可以进行交互式数据分析和探索的强大平台，金融、经济、医疗、数据挖掘等诸多领域都基于R研发它们的分析方法。

在这个平台上，时间序列分析方法可以非常便捷地嵌入其他领域的研究中，成为各行业实务分析的基础方法。

最重要的一点是，由于R语言的开放性和资源共享性，它可以汇集全球R用户的智慧和创造力，以惊人的速度发展。

在R平台上，新方法的更新速度是以周为单位计算的，这是传统统计软件所无法比拟的。

应用时间序列分析实验手册

应用时间序列分析实验手册时间序列分析是分析和预测时间序列数据的一种重要方法。

它可以用来研究时间序列数据中的趋势、季节性、周期性和随机性等特征，并通过建立适当的时间序列模型来对未来的数据进行预测。

为了进行时间序列分析，需要按照一定的步骤进行实验。

下面是一个应用时间序列分析的实验手册，它包括了以下几个步骤：1. 收集数据：首先需要收集时间序列数据。

时间序列可以是连续的，比如每天、每周或每月的数据，也可以是离散的，比如每小时或每分钟的数据。

数据可以来自不同的来源，如统计局、公司、网站等。

2. 数据预处理：在进行时间序列分析之前，需要对数据进行预处理。

预处理的目的是去除异常值、平滑数据、填补缺失值等。

常用的预处理方法包括平滑法、插值法、滤波法等。

3. 数据可视化：在进行时间序列分析之前，需要对数据进行可视化。

可以使用折线图、柱状图、散点图等方法展示时间序列数据的趋势和季节性。

4. 应用时间序列模型：时间序列模型是用来描述时间序列数据的数学模型。

常用的时间序列模型包括平稳ARMA模型、非平稳ARIMA模型、指数平滑模型等。

根据数据的不同特点选择合适的模型。

5. 模型诊断：在应用时间序列模型后，需要对模型进行诊断。

诊断的目的是检查模型的拟合程度和预测能力。

常用的诊断方法包括残差分析、模型的稳定性检验等。

6. 模型预测：基于已建立的时间序列模型，可以对未来的数据进行预测。

预测的方法包括单步预测、多步预测、滚动预测等。

7. 模型评估：在进行时间序列预测之后，需要对预测结果进行评估。

常用的评估指标包括均方误差、平均绝对误差、相对误差等。

评估结果可以用来评估模型的预测准确性和稳定性。

总结：时间序列分析是一种重要的数据分析方法，可以用来研究和预测时间序列数据的趋势、季节性、周期性和随机性等特征。

通过按照上述步骤进行实验，可以有效地应用时间序列分析方法，提高对时间序列数据的理解和预测能力。

8. 趋势分析：在时间序列分析中，趋势是指数据中的长期变化。

时间序列分析课程实验教学大纲

时间序列分析课程实验教学大纲
课程代码：z0605009 课程性质：专业主干课
课程名称：时间序列分析
英文名称：Time series analysis
适用专业：统计学开设学期：第6学期
实验学时/总学时：16/32 实验学分/总学分：1/2
大纲拟定人：
1.课程实验内容简介
《时间序列分析》课程是概率统计学中的一个重要分支，课程性质为必修课，主要讲述建立模型、参数估计及最佳预测与控制等。

初步了解时间序列数据并掌握一些处理时间序列数据的方法，实验教学重点是时间序列数据的散点图；运用计算机软件进行平稳时间序列数据的模拟及制作平稳时间序列数据的连线图，使学生对平稳时间序列模型有一个基本认识。

（1）培养学生运用所学数学知识，并利用计算机等现代化手段来解决实际问题的综合能力。

（2）使学生熟悉ＳＡＳ操作系统。

（3）掌握SAS/ETS模块进行时间序列分析的一些基本方法和技巧，并逐步了解科学研究的基本思维过程及方法。

二、实验项目
微机，Wndows xp，SAS，R软件：48套
四、实验成绩评定方法
根据学生上机的出勤情况、上机过程中的程序完成情况和实验报告的书写情况综合评定每个实验的成绩，再根据四个实验的成绩综合评定该实验课程的考查成绩。

五、参考资料
[1]《应用时间序列分析》，王燕编，中国人民大学出版社，2005.
[2]《时间序列分析》，王振龙主编，中国统计出版社，2000.
[3]《应用时间序列分析》，何书元著，北京大学出版社，2003.。

《应用时间序列分析》实验大纲

《时间序列分析》实验课程教学大纲一、课程基本信息课程名称：时间序列分析英文名称： Time Series Analysis课程性质：专业基础课课程属性：非独立设课适用专业：统计学学时学分：（1）课程总学时：72；课程总学分：4 ；实验课总学时：18；实验总学分：1开设学期：第六学期先修课程：统计学二、课程简介《时间序列分析》是师范院校统计专业的一门专业基础课，是统计学中的一个非常重要的分支。

该实验课程主要介绍了用R软件实现时间序列分析的主要方法和思想，是以概率论与数理统计为基础，在理解时间序列分析的基本原理的前提下，动手对时间序列数据进行分析和统计推断。

时间序列分析在自然科学、管理科学和金融等领域应用十分广泛，而实验课作为对培养学生统计软件的操作能力和对时间序列分析方法的实际应用，更是不可或缺的一部分。

三、实验课程目的与要求学习本门课程的目的：通过实验培养学生总体上了解时间序列分析的基本思想以及掌握时间序列分析方法并建立时间序列模型的步骤，能用模型对实际问题进行分析和预测，掌握用R统计软件实现时间序列分析方法的技能，达到利用统计软件用时间序列的方法和思路解决实际问题的目的；学习本门课程的要求：要求学生理解时间序列分析的基本原理和实验原理及实验方案，掌握正确操作R统计软件的规程；掌握时间序列数据的预处理的方法；掌握平稳时间序列模型（AR、MA、ARMA）的建模过程、估计和检验以及预测；掌握非平稳时间序列模型（ARIMA、ARCH、GARCH）的建模过程、估计、检验和预测的方法；掌握多元时间序列模型的建模及检验过程。

四、考核方式根据实验各阶段的完成情况，按等级评定成绩：A、B、C、D。

其中：实验过程及完成情况占实验成绩的70%、实验报告占实验成绩的30%。

即实验成绩=实验过程及完成情况*70%+实验报告*30%其中：A=100、B=80、C=60、D：小于60五、实验项目、学时分配情况（黑体，小四）六、实验内容实验一、R软件的简单操作技巧目的要求：熟悉R软件的操作界面；掌握R的简单编程方法；掌握用R创建时间序列R数据集的方法；对时间序列数据集的处理。

应用时间序列分析实验报告

应用时间序列分析实验报告实验名称：解释程序含义及操作步骤指导老师：霍艳成绩：一、实验目的1.利用MATLAB 操作程序，得出结果；2.解释每一个步骤的含义；3.了解步骤的含义，把握实验的含义及操作每一步的具体意义；二、实验理论依据在MATLAB 中所有的变量名的解释都是让学员更好的把握定义，明确每一步的含义，客观的、直接的掌握重点，进而为后续解释结果作出更好的准备，以至于作出更好的实验报告，精准的把握主旨。

三、实验步骤clear,clcclose alldata=xlsread('appl_14.xls',1,'B2:B38');x=zeros(10,1);std_x=x;x(1)=4.99661+data(end)+0.70766*1.5843625;sigama=56.4763;std_x(1)=sqrt(sigama);inf_sup=zeros(10,2);inf_sup(1,:)=[x(1)-1.96*std_x(1),x(1)+1.96*std_x(1)];for i=2:10x(i)=x(i-1)+4.99661;std_x(i)=sqrt(sigama*((i-1)*1.70766^2+1));inf_sup(i,:)=[x(i)-1.96*std_x(i),x(i)+1.96*std_x(i)];endt1=1952:1988;t2=1989:1998;datal=[data-sqrt(56.48763),data+sqrt(56.47863)];hold onplot(t1,data,'*b-',t1,datal(:,1),'r-',t1,datal(:,2),'r-')plot(t2,x,'*b-',t2,inf_sup(:,1),'r-',t2,inf_sup(:,2),'r-')hold on四、结果分析Clear:%清空变量clc：:%晴空命令空间close all:%关闭图形窗口data=xlsread('appl_14.xls',1,'B2:B38'); :%引入数据源x=zeros(10,1); :%创建十行一列的零矩阵std_x=x; :%std函数是用来计算x的标准偏差的函数x(1)=4.99661+data(end)+0.70766*1.5843625; :%x的第一个值sigama=56.4763; :%主函数变量值std_x(1)=sqrt(sigama); :%算出x（1）的标准偏差等于求主函数变量值的平方根inf_sup=zeros(10,2); :%算出的结果大于某个数的上确界值为一个十行二列的零矩阵inf_sup(1,:)=[x(1)-1.96*std_x(1),x(1)+1.96*std_x(1)]; :% 算出（1,:)的结果大于某个数的上确界值等于一个具体值for i=2:10:%2到10循环的变量大小x(i)=x(i-1)+4.99661; :%x（i）的一个值std_x(i)=sqrt(sigama*((i-1)*1.70766^2+1)); :% x的标准偏差的函数等于主函数变量乘以一个具体值后平方根inf_sup(i,:)=[x(i)-1.96*std_x(i),x(i)+1.96*std_x(i)]; :%算出（i，：）的结果大于某个值后的上确界等于一个具体值end:%是指不等於/结尾t1=1952:1988; :%t1的具体值t2=1989:1998; :%t2具体值datal=[data-sqrt(56.48763),data+sqrt(56.47863)]; :%data定义的一个值hold on:%启动图形保持功能plot(t1,data,'*b-',t1,datal(:,1),'r-',t1,datal(:,2),'r-') :%画一条t1横坐标，data为纵坐标，*b为蓝色线条，r-为紫色线条，分别位于蓝色线条的上下部分plot(t2,x,'*b-',t2,inf_sup(:,1),'r-',t2,inf_sup(:,2),'r-') :% 画一条t2横坐标，x为纵坐标，*b为蓝色线条，r-为紫色线条，分别位于蓝色线条的上下部分hold off:%关闭图形保持功能。

《应用时间序列分析》实验手册

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
指导思想
似然函数值越大越好
未知参数的个数越少越好
AIC准则的缺陷
在样本容量趋于无穷大时,由AIＣ准则选择的模型不收敛于真实模型，它通常比真实模型所含的未知参数个数要多
ﻫ
但是本例中滞后二阶的参数不显著,不符合精简原则,不必进行深入判断。
ﻬ
第三章介绍了平稳时间序列的分析方法,但是自然界中绝大多数序列都是非平稳的,因而对非平稳时间序列的分析跟普遍跟重要，人们创造的分析方法也更多。这些方法分为确定性时序分析和随机时序分析两大类，本章主要介绍确定性时序分析方法。
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;
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
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