应用时间序列分析第三章课后答案

1 第三章 线性平稳时间序列分析

在时间序列的统计分析中，平稳序列是一类重要的随机序列。在这方面已经有了比较成熟的理论知识，最常用的是ARMA （Autoregressive Moving Average ）序列。用ARMA 模型去近似地描述动态数据在实际应用中有许多优点，例如它是线性模型，只要给出少量参数就可完全确定模型形式；另外，便于分析数据的结构和内在性质，也便于在最小方差意义下进行最佳预测和控制。本章将讨论ARMA 模型的基本性质和特征，这是时间序列统计分析中的重要理论基础。

§3.1 线性过程

通常假设随机序列是由平稳序列{}t X 与相互独立的冲击或振动{}t ε叠加生成，其中t ε是服从某一固定分布的随机变量，实际中由于t ε的独立性及分布情况难以确定，常用白噪声序列来定义。在正式讨论之前，我们首先给出相应的准备工具，介绍延迟算子和求解线性差分方程，这些工具会使得时间序列模型表达和分析更为简洁和方便，下面是延迟算子的概念。

定义 设B 为一步延迟算子，如果当前序列乘以一个延迟算子，就表示把当前序列值的时间向过去拨一个时刻，即1-=t t X BX 。

进一步地，对于任意的n ，延迟算子B 满足：

22

t t n t t n

B X X B

应用时间序列分析第三版

河南大学:

姓名:汪宝 班级:七班 学号:1122314451 班级序号:68

5:我国1949年－2008年年末人口总数(单位:万人)序列如表4－8所示(行数据)．选择适当的模型拟合该序列的长期数据，并作5期预测。 解：具体解题过程如下：（本题代码我是做一问写一问的） 1:观察时序图:

data wangbao4_5; input x@@; time=1949+_n_-1; cards;

54167 55196 56300 57482 58796 60266 61465 62828 64653 65994 67207 66207 65859 67295 69172 70499 72538 74542 76368 78534 80671 82992 85229 87177 89211 90859 92420 93717 94974 96259 97542 98705

100072 101654 103008 104357 105851 107507 109300 111026 112704 114333 115823 117171 118517 119850 121121 122

河南大学:

姓名:汪宝 班级:七班 学号:1122314451 班级序号:68

5:我国1949年－2008年年末人口总数(单位:万人)序列如表4－8所示(行数据)．选择适当的模型拟合该序列的长期数据，并作5期预测。 解：具体解题过程如下：（本题代码我是做一问写一问的） 1:观察时序图:

data wangbao4_5; input x@@; time=1949+_n_-1; cards;

54167 55196 56300 57482 58796 60266 61465 62828 64653 65994 67207 66207 65859 67295 69172 70499 72538 74542 76368 78534 80671 82992 85229 87177 89211 90859 92420 93717 94974 96259 97542 98705

100072 101654 103008 104357 105851 107507 109300 111026 112704 114333 115823 117171 118517 119850 121121 122389

第一节线性差分方程一、后移算子B定义为三、齐次方程解的计算1 、AR(n) 过程自相关函数ACF 1阶自回归模型AR(1) Xt= Xt-1+ at 的k阶滞后自协方差为：Xt= 1Xt-1+ 2Xt-2 + at 该模型的方差0以及滞后1期与2期的自协方差1, 2分别为一般地，n阶自回归模型AR(n) Xt= 1Xt-1+ 2Xt-2 +?nXt-n + at 其中：zi 是AR(n) 特征方程(z)=0 的特征根，由AR(n) 平稳的条件知，|zi|<1; 因此，当zi 均为实数根时，k呈几何型衰减（单调或振荡）；当存在虚数根时，则一对共扼复根构成通解中的一个阻尼正弦波项，k呈正弦波衰减。对MA(1) 过程其自协方差系数为二、偏自相关函数从Xt 中去掉Xt-1 的影响，则只剩下随机扰动项at ，显然它与Xt-2 无关，因此我们说Xt 与Xt-2 的偏自相关系数为零，记为MA(1) 过程可以等价地写成at 关于无穷序列Xt ，Xt-1 ，?的线性组合的形式：与MA(1) 相仿，可以验证MA(m) 过程的偏自相关函数是非截尾但趋于零的。ARMA(n,m) 的自相关函数，可以看作MA(m) 的自相关函数和AR(n) 的自相关函数的混合物。当n=0 时，它具有截尾性质；当m=0 时，它具有拖尾性质；当n、m都不为0时，它具有拖尾性质从识别上看，通常：ARMA(n ，m) 过程的偏自相关函数（PACF ）可能在n阶滞后前有几项明显的尖柱（spikes ），但从n阶滞后项开始逐渐趋向于零；而它的自相关函数（ACF ）则是在m阶滞后前有几项明显的尖柱，从m阶滞后项开始逐渐趋向于零。对k=1 ，2，3，?依次求解方程，得上述??序列为AR 模型的偏自相关函数。偏自相关性是条件相关，是在给定的条件下，和的条件相关。换名话说，偏自相关函数是对和

所解释的相关的度量。之间未被由最小二乘原理易得，是作为关于线性回归的回归系数。如果自回归过程的阶数为n，则对于k>n 应该有kk=0 。L + + + = - - 2 2 1 t t t t X X X q q a 或t t t t X X X a q q + - - - = - - L 2 2 1 这是一个AR( )过程，它的偏自相关函数非截尾但却趋于零，因此MA(1) 的偏自相关函数是非截尾但却趋于零的。注意: 上式只有当| |<1 时才有意义，否则意味着距Xt 越远的X值，对Xt 的影响越大，显然不符合常理。因此，我们把| |<1 称为MA(1) 的可逆性条件（invertibility condition ）或可逆域。MA(m) 模型的识别规则：若随机序列的自相关函数截尾，即自m以后，k=0 （k>m ）；而它的偏自相关函数是拖尾的，则此序列是移动平均MA(m) 序列。同样需要注意的是：在实际识别时，由于样本自相关函数rk 是总体自相关函数k的一

应用时间序列分析习题答案

第二章习题答案 2.1

（1）非平稳

（2）0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376 （3）典型的具有单调趋势的时间序列样本自相关图

2.2

（1）非平稳，时序图如下

（2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图

应用时间序列分析习题答案

2.3

（1）自相关系数为：0.2023 0.013 0.042 -0.043 -0.179 -0.251 -0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118

（2）平稳序列 （3）白噪声序列 2.4

LB=4.83，LB统计量对应的分位点为0.9634，P值为0.03

第二章习题答案

2.1

（1）非平稳

（2）0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376

（3）典型的具有单调趋势的时间序列样本自相关图

2.2

（1）非平稳，时序图如下

（2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图

2.3

（1）自相关系数为：0.2023 0.013 0.042 -0.043 -0.179 -0.251 -0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118

（2）平稳序列

（3）白噪声序列

2.4

，序列LB=4.83，LB统计量对应的分位点为0.9634，P值为0.0363。显著性水平=0.05

不能视为纯随机序列。

2.5

（1）时序图与样本自相关图如下

（2） 非平稳

（3）非纯随机

2.6

（1）平稳，非纯随机序列（拟合模型参考：ARMA(1,2)）

（2）差分序列平稳，非纯随机

第三章习题答案

3.1 解：1()0.7()()t t t E

应用时间序列分析习题答案

第二章习题答案 2.1

（1）非平稳

（2）0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376 （3）典型的具有单调趋势的时间序列样本自相关图

2.2

（1）非平稳，时序图如下

（2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图

应用时间序列分析习题答案

2.3

（1）自相关系数为：0.2023 0.013 0.042 -0.043 -0.179 -0.251 -0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118

（2）平稳序列 （3）白噪声序列 2.4

LB=4.83，LB统计量对应的分位点为0.9634，P值为0.03

生产总值模型

——应用时间序列分析期末论文

2014年11月

班级：信计1202 姓名：孟奥 学号：1130112210 信计1202 李朔 1130112206

一、实验目的：

掌握用Box-Jeakins方法及Paudit-Wu方法建模及预测

二、实验内容：

某地区1983—2005年各季度的实际国际生产总值的分析与预测 某地区1983—2005年各季度生产总值前64个数据如下：

t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 观测值 5253.8 5372.3 5478.4 5590.5 5699.8 5797.9 5854.3 5902.4 5956.9 6007.8 6101.7 6148.6 6207.4 6232.0 6291.7 6323.4 t 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 观测值 6759.4 6848.6 6918.1 6963.5 7013.1 7030.9 7112.1 7130.3 7130.8 7076.9 7040.8 7086.5 7120.7 715

应用时间序列分析（试卷一）

一、 填空题

1、拿到一个观察值序列之后，首先要对它的平稳性和纯随机性进行检验，这两个重要的检验称为序列的预处理。

2、白噪声序列具有性质纯随机性和方差齐性。

3、平稳AR（p）模型的自相关系数有两个显著的性质：一是拖尾性；二是呈负指数衰减。

4、MA(q)模型的可逆条件是：MA(q)模型的特征根都在单位圆内，等价条件是移动平滑系数多项式的根都在单位圆外。

5、AR（1）模型的平稳域是

???1???1?。AR（2）模型的平稳域是

??，?12?2?1,且?2??1?1

?

二、单项选择题

1、频域分析方法与时域分析方法相比（D）

A前者要求较强的数学基础，分析结果比较抽象，不易于进行直观解释。 B后者要求较强的数学基础，分析结果比较抽象，不易于进行直观解释。 C前者理论基础扎实，操作步骤规范，分析结果易于解释。 D后者理论基础扎实，操作步骤规范，分析结果易于解释。

2、下列对于严平稳与宽平稳描述正确的是（D） A宽平稳一定不是严平稳。 B严平稳一定是宽平稳。

C严平稳与宽平稳可能等价。

D对于正态随机序列，严平稳一定是宽平稳。

3、纯随机序列的说法，错误的是（B）

A时间序列经过预处理被识别为纯随机序列

应用时间序列分析●”十一五“国家级规划教 材

1

第三章 平稳时间序列模型的建立 本章首先介绍利用时间序列的样本统计特征识别 时间序列模型，然后分别介绍模型定阶、模型估 计和模型检验的多种方法，对Box-Jenkins建模 方法和Pandit-Wu建模方法归纳总结，最后给出 实际案例。

应用时间序列分析●”十一五“国家级规划教 材

2

第一节 模型识别与定阶 一、 自相关函数和偏自相关函数的估计 (一)自协方差函数和自相关函数的估计

1 k N

N k k 1

yN k k 1

t

y yt k y , k 0,1,...

1 N k* k

y

t

y yt k y , k 0,1,...

应用时间序列分析●”十一五“国家级规划教 材

3

k k , k 0,1,... 0* * k k , k 0,1,... 0

应用时间序列分析●”十一五“国家级规划教 材

4

* k k 是平稳时间序列自协方差的无偏估计量； 1)

则是平稳时间序列自协方差的渐进无偏估计量。 0 1 ... k 1 2)