实验五非平稳序列的确定性分析

1实验五非平稳序列的确定性分析【实验目的】对非平稳时间序列的确定性分析【实验内容】1．趋势分析；2．季节效应分析；3．综合分析；4.X-12过程。【实验指导】一、ARMA模型分解二、确定性因素分解传统的因素分解长期趋势循环波动季节性变化随机波动现在的因素分解长期趋势波动季节性变化随机波动（一）趋势分析有些时间序列具有非常显著的趋势，我们分析的目的就是要找到序列中的这种趋势，并利用这种趋势对序列的发展作出合理的预测方法：1.趋势拟合法趋势拟合法就是把时间作为自变量，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的方法。（1）线性拟合例1:拟合澳大利亚政府1981——1990年每季度的消费支出序列，数据见下表。ttBBx)()(确定性序列随机序列28444921588798990811594578590929489979574905197249120101439746100749578108171011610779990111266106861096110121113331067711325106981162411052113931060912077113761177711225122311188412109800090001000011000120001300081828384858687888990GOV_CONS长期趋势呈现出非常的线性递增趋势，于是考虑使用线性模型2,1,2,...40()0,()ttttxabtItEIVarI拟合该序列的发展。使用最小二乘法得到未知参数的估计值为：ˆˆ8498.69,89.12ab.对拟合模型进行检验，检验结果显示方程显著成立，且参数非常显著。拟合效果图如下：800090001000011000120001300081828384858687888990FGOV_CONSGOV_CONS（2）非线性拟合使用场合：长期趋势呈现出非线形特征参数估计指导思想：能转换成线性模型的都转换成线性模型，用线性最小二乘法进行参数估计；实在不能转换成线性的，就用迭代法进行参数估计3例2:对上海证券交易所1991年1月-2001年10月每月末上证指数序列进行模型拟合数据见下表。130.44133.47120.19113.94114.83137.56143.8178.43180.92218.6259.6292.75313.24364.66381.24445.381234.711191.191052.07823.27702.32507.25724.6780.391198.481339.88925.911358.78935.481007.05881.07895.68890.27814.82984.93833.8770.25770.98704.46592.56556.26469.29333.92785.33791.15654.98683.59647.87562.59549.26646.92579.93700.51630.58695.55723.87722.43717.32641.13555.29537.34552.93556.39681.16643.65804.25822.48809.94875.52976.711032.95917.02964.741040.271234.621393.751285.181250.271189.761221.061097.381180.391139.631194.11222.911206.531243.011343.441411.21339.21316.911150.221242.091217.311247.421146.71134.671090.091158.051120.921279.321689.421601.451627.121570.71504.561434.971366.5815351714.581800.221836.321894.551928.112023.542021.21910.161961.292070.612073.482065.611959.182112.782119.182213.182218.031920.321834.141764.871689.17行数据040080012001600200024009192939495969798990001INDEX时序图显示该序列有显著的曲线递增趋势。尝试使用二次型模型2,1,2,...,130tTabtctt拟合该序列的发展。（1）先做变换：把2t的值赋给2t，原模型变为线性模型2tTabtct（2）利用线性最小二乘法得到线性模型中未知参数的估计值：ˆˆˆ457.5353,1.1819,0.0822abc（3）检验方程。发现该方程显著（P值小于0.0001），但是参数b不显著4（P值为0.4505）。（4）除去不显著的自变量b，拟合新的线性模型：2tTact。（5）求得该模型的未知参数的最小二乘估计值为：ˆˆ502.2517,0.0952ac（6）检验方程，方程及各参数均显著。所以可以用二次型2502.25170.0952tTt拟合近11年来上证指数的长期变化趋势，拟合效果图如下所示。040080012001600200024009192939495969798990001FINDEXINDEX2.平滑法平滑法是进行趋势分析和预测时常用的一种方法。它是利用修匀技术，削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）移动平均法基本思想：假定在一个比较短的时间间隔里，序列值之间的差异主要是由随机波动造成的。根据这种假定，我们可以用一定时间间隔内的平均值作为某一期的估计值。分类：①n期中心移动平均②n期移动平均（2）指数平滑法指数平滑方法的基本思想：在实际生活中，我们会发现对大多数随机事件而言，一般都是近期的结果对现在的影响会大些，远期的结果对现在的影响会小些。为了更好地反映这种影响作用，我们将考虑到时间间隔对事件发展的影响，各期5权重随时间间隔的增大而呈指数衰减。这就是指数平滑法的基本思想。分类：①简单指数平滑②Holt两参数指数平滑（二）季节效应分析季节指数的概念：所谓季节指数就是用简单平均法计算的周期内各时期季节性影响的相对数。季节模型：ijjijISxx季节指数的计算：计算周期内各期平均数mknxxniikk,,2,1,1计算总平均数nmxxnimkik11计算季节指数mkxxSkk,,2,1,季节指数的理解：季节指数反映了该季度与总平均值之间的一种比较稳定的关系；如果这个比值大于1，就说明该季度的值常常会高于总平均值；如果这个比值小于1，就说明该季度的值常常低于总平均值；如果序列的季节指数都近似等于1，那就说明该序列没有明显的季节效应。例3：以北京市1995年——2000年月平均气温序列为例，计算各月平均气温的季节指数，数据见下表。年/月1995199619971998199920001-0.7-2.2-3.8-3.9-1.6-6.422.1-0.41.32.42.2-1.537.76.28.77.64.88.1414.714.314.51514.414.6519.821.62019.919.520.4624.325.424.623.625.426.7725.925.528.226.528.129.66825.423.926.625.125.625.791920.718.622.220.921.81014.512.81414.81312.6117.74.25.445.9312-0.40.9-1.50.1-0.6-0.6（三）综合分析常用综合分析模型：加法模型：ttttISTx乘法模型：ttttISTx混合模型：)())ttttttttITSxbITSxa例4：对1993年——2000年中国社会消费品零售总额序列（数据见下表）进行确定性时序分析。199319941995199619971998199920001977.51192.21602.21909.12288.52549.52662.12774.72892.51162.71491.51911.22213.52306.42538.428053942.31167.51533.31860.12130.92279.72403.126274941.31170.41548.71854.82100.52252.72356.825725962.21213.71585.41898.32108.22265.22364263761005.71281.11639.719662164.723262428.826457963.81251.51623.61888.72102.52286.12380.325978959.812861637.11916.42104.42314.62410.9263691023.31396.217562083.52239.62443.12604.32854101051.11444.118182148.3234825362743.930291111021553.81935.22290.12454.92652.22781.53108121415.51932.22389.52848.62881.73131.43405.73680（4）X12过程简介：X-12过程是美国国情调查局编制的时间序列季节调整过程。它的基本原理就是时间序列的确定性因素分解方法；因素分解：长期趋势起伏季节波动不规则波动7交易日影响模型：加法模型乘法模型方法特色：普遍采用移动平均的方法用多次短期中心移动平均消除随机波动用周期移动平均消除趋势用交易周期移动平均消除交易日影响例4续：对1993年——2000年中国社会消费品零售总额序列使用X-12过程进行季节调整。选择模型（无交易日影响）：ttttISTx【思考与练习】1．爱荷华州1948-1979年非农产品季度收入数据如表4.6所示，选择适当模型拟合该序列长期趋势。2.某地区1962—1970年平均每头奶牛的月度产奶量数据（单位：磅）如表4.7所示。（1）绘制该序列的时序图，直观考察该序列的特点。（2）使用因数分解方法，拟合该序列的发展，并预测1976年该地区奶牛的月度产量。（3）使用X—1方法，确定该序列的趋势。3.某城市1980年1月至1995年8月没月屠宰生猪数量（单位：头）如表4.8所示，选择适当模型拟合该序列的发展，并预测1995年9月至1997年9月该城市生猪屠宰数量。