第四章非平稳时间序列的确定性分析实验报告

1第四章非平稳时间序列建模实验报告下表为1993-2000年中国社会消费品零售总额的数据。表4-11993-2000年全国社会消费品零售总额单位（亿元）199319941995199619971998199920001月977.51192.21602.21909.12288.52549.52662.12774.72月892.51162.71491.51911.22213.52306.42538.42805.03月942.31167.51533.31860.12130.92279.72403.12627.04月941.31170.41548.71854.82100.52252.72356.82572.05月962.21213.71585.41898.32108.22265.22364.02637.06月1005.71281.11639.71966.02164.72326.02428.82645.07月963.81251.51623.61888.72102.52286.12380.32597.08月959.81286.01637.11916.42104.42314.62410.92636.09月1023.31396.21756.02083.52239.62443.12604.32854.010月1051.11444.11818.02148.32348.02536.02743.93029.011月1102.01553.81935.22290.12454.92652.22781.53108.012月1415.51932.22389.52848.62881.73131.43405.73680.0资料来源：国家统计局网站根据以上数据，下面用Eviewis6.0对1980-2012年我国社会消费零售品总额的月度数据进行确定性分析，并对2001年月度数据进行预测。1.绘制时序图图4-11993-2000年中国社会消费品零售总额时序图从时序图可以看出序列中既有长期趋势又有季节波动，故以下对其进行季节调整。22.季节调整在数据窗口中选择“Proc/SeasonalAdjustment/MovingAverageMethods”,出现季节调整对话框，选择RatiotomovingAverage选项，季节因子命名为sa，如图4-3所示。图4-2季节调整操作图4-3季节调整方法选择对话框312个月的季节调整因子如下图所示：图4-412个月的季节调整因子经季节调整后的序列SSA时序图如下：图4-5经季节调整后的序列SSA43.趋势拟合在命令栏中输入：LSSSAC@TREND,对经季节调整后序列进行趋势拟合。结果如下图所示：图4-6经季节调整后序列进行趋势拟合4.长期趋势预测将样本期改为1993.1至2001.12，在命令栏中输入LSSSAC@TREND，在结果窗口中点Forecast,得到以下扩展时间区间后的长期趋势值SSAF预测值。图4-7扩展时间区间后预测长期趋势值SSAF5将趋势拟合序列SSAF与序列SSA进行比较，如下：图4-8趋势拟合序列SSAF与序列SSA的时序图5.对长期趋势预测进行季节调整在主窗口选择“Quick/GenerateSeries”,设定sf=ssaf*sa。图4-9经季节调整预测2001年12个月的零售总额值6经季节调整后2001年12个月的零售总额预测值如下图所示：图4-102001年12个月零售总额预测值经季节调整后的1993年至2001年个月度零售总额预测值如下图所示：图4-11预测序列趋势图7经原序列S与预测序列SF进行比较，可见经过长期趋势和季节调整处理后序列的预测值与原序列拟合效果非常好。如下图所示：图4-12预测序列与原序列的时序图最终确定1993-2000年中国社会消费品零售总额序列拟合模型为：ttttITSX)95,2,1,0(13009.21647.1016ˆttTt其中，Xt,为原序列，St为季节指数如表4-2所示，Tt为长期趋势，It为包含没有能够提取完的相关信息的残差。表4-2季节指数月份季节指数月份季节指数11.04772970.93206420.99758780.92947530.96277890.98502640.943209101.01119050.947349111.05107960.962394121.2741028用原序列值除以季节指数，再减去长期趋势拟合值之后的残差可以视作随机波动的影响。ttttITSXˆˆ本例残差图如下：图4-13残差图残差图显示残差序列仍然存在一定的相关性。这说明我们拟合的这个模型还没有把原序列中蕴含的相关信息充分提取出来，这是确定性分析方法常见的缺点。