时间序列分析基于r第二版pdf

一、

1.时序图程序：

da<-read.table(\ dim(da) y=da[,1] m=da[,2] basicStats(m) plot(y,m,type='l')

title(main='financial income of China:1978-2010') 2.时序图：

3.运行结果

> da<-read.table(\> dim(da) [1] 33 2 > y=da[,1] > m=da[,2] > basicStats(m)

m

nobs 3.300000e+01

NAs 0.000000e+00 Minimum 1.132260e+03 Maximum 8.310151e+04 1. Quartile 2.122010e+03 3. Quartile 1.890364e+04 Mean 1.558852e+04 Median 5.218100e+03 Sum 5.144212e+05 SE Mean 3.764607e+03 LCL Mean 7.920268e+03 UCL Mean 2.325678e+04 Variance 4.676848e+08 Stdev

《时间序列分析》习题解答?0?2习题2.3?0?21考虑时间序列12345…20 1判断该时间序列是否平稳 2计算该序列的样本自相关系数kρ∧k12…6 3绘制该样本自相关图并解释该图形. ?0?2解1根据时序图可以看出该时间序列有明显的递增趋势所以它一定不是平稳序列?0?2即可判断该时间序是非平稳序列其时序图程序见后。?0?2 时间序描述程序 data example1 input number timeintnxyear01jan1980d _n_-1 format time date. cards 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 proc gplot dataexample1 plot numbertime1 symbol1 cblack vstar ijoin run?0?2?0?2?0?22当延迟期数即k本题取值1 2 3 4 5 6远小于样本容量n本题为20时自相关系数kρ∧计算公式为

number1234567891011121314151617181920time01JAN8001JAN8101JAN

17.（1）判断该序列的平稳性与纯随机性。

首先画出该序列的时序图如图1-1所示：

图1-1

JXL1401201008060402055606570758085909500051015 从时序图可以看出，该序列基本上在一个数值上随机波动，故可认为该序列平稳。再绘制序列自相关图如图1-2所示：

图1-2

从图1-2的序列自相关图可以看出，该序列的自相关系数一直都比较小，始终在2倍标准差范围以内，可以认为该序列自始至终都在零轴附近波动，所以认为该序列平稳。

原假设为延迟期小于或等于m期的序列值之间相互独立；备择假设为序列值之间有相关性。当延迟期小于等于6时，p值都小于0.05，所以拒绝原假设，认为该序列为非白噪声序列。故可以利用ARMA模型对该序列建模。 （2）如果序列平稳且非白噪声，选择适当模型拟合该序列的发展。

从图1-2可见，除了延迟1阶的偏自相关系数在2倍标准差范围之外，其他阶数的偏自相关系数都在2倍标准差范围内波动，故可以认为该序列偏自相关系数1阶截尾。

自相关图显示出非截尾的性质。综合该序列自相关系数和偏自相关系数的性质，为拟合模型定阶为AR(1)模型。 A． AR(1)模型

对于AR(1)模型，AIC=9.434581，SBC

实验报告

课程名称 时间序列分析 实验项目名称 ARCH建模 班级与班级代码 1125040 实验室名称（或课室） 北4-602 专 业 统计学 任课教师 陈根 学 号： 11250401213 姓 名： 柯跃 实验日期： 2014年6月08日

广东财经大学教务处 制

姓名 实验报告成绩

评语：

指导教师（签名） 年 月 日

说明：指导教师评分后，实验报告交院（系）办公室保存。

一．实验目的:

将Merck股票从1946年6月到2008年12月的月简单收益变换成对数收益率，并解决下列问题：

(a) 对数收益率中有没有明显的相关

P37.例2.1

build.price<-c(36,32,31,25,28,36,40,32,41,26,35,35,32,87,33,35);build.price

hist(build.price,freq=FALSE)#直方图 lines(density(build.price),col=\连线 #方法一：m<-mean(build.price);m#均值 D<-var(build.price)#方差 SD<-sd(build.price)#标准差S

t=(m-37)/(SD/sqrt(length(build.price)));t#t统计量计算检验统计量 t=

[1] -0.1412332

#方法二：t.test(build.price-37)#课本第38页 例2.2

binom.test(sum(build.price<37),length(build.price),0.5)#课本40页 例2.3

P<-2*(1-pnorm(1.96,0,1));P [1] 0.04999579

P1<-2*(1-pnorm(0.7906,0,1));P1 [1] 0.4291774 >例2.4

> p<-2*(pnorm(-1.96,0,1));p [1] 0.04999579 >

> p1<-2*(pnorm(-0.9487,0,1));p1 [1] 0.3427732

例2.5（P45）

scores<-c(95,89,68,90,88,60,81,67,60,60,60,63,60,92,

60,88,88,87,60,73,60,97,91,60,83,87,81,90);length(scores)#输入向量求长度 ss<-c(scores-80);ss t<-0 t1<-0

for(i in 1:length(ss)){

if (ss[i]<0) t<-t+1#求小于80的个数 else t1<-t1+1求大于80的个数 } t;t1 >t;t1 [1] 13 [1] 15

binom.test(sum(scores<80),length(scores),0.75) p-value = 0.001436<0.01 Cox-Staut趋势存在性检验P47 例2.6

year<-1971:2002;year length(year)

rain<-c(206,223,235,264,229,217,188,204,182,230,223, 227,242,238,207,208,216,233,233,274,234,227,221,214,

226,228,235,237,243,240,231,210)

应用时间序列分析

实 验 报 告 二

学生姓名 张亚平 学 号 20091315030 院 系 数学与统计学院 专 业 统计学 指导教师 尚林

二Ｏ一二年三月三十日

应用时间序列分析第二次实验报告

实验题目1

18 某地区连续74年的谷物产量（单位：千吨）如表3-21所示（具体数据见课本102页表-21）

（1）判断该序列的平稳性与纯随机性。 （2）选择适当模型拟合该序列的发展。

（3）利用拟合模型，预测该地区未来5年的谷物产量。 实验步骤1

（1） 根据题目所给数据得到了样本的自相关序列图，和纯随机性检验结果如下所示。

样本自相关图显示延迟3阶以后，自相关系数都落在2倍标准差范围内，而且样本自相关系数向零衰减的速度非常快，延迟6阶以后自相关系数即在零值附近波动，这是一个典型的短期相关的样本自相关图。由时序图和样本自相关图的性质可知该序列平稳。

由纯随机性检验结果可知，在各阶延迟下LB检验统计量的P值都非常小，所以我们可以认定该序列属于非白噪声序列。

（2） 为了找到合适的模型来拟合模型的发展，首先进行相对最优定阶得到结果如下。

第一章、绪论

1、要想得到正确的分析结果，需要哪些步骤？

2、选用合适的分析方法需要考虑哪些因素？比较国家标准、国际标准、和国际先进标准之间的关系与有效性。

答：考虑样品的分析目的，分析方法本身的特点等。

国际标准由国际标准化组织制定，各国自愿采用，没有强制含义，但是往往因为国际标准集中了一些先进工业国家的技术经验，加上各国考虑外贸的原因，从本国利益出发也往往积极采用国际标准。

国家标准一般由国家标准局颁布的各个适合并通行于自己国家有强制含义的标准。

国际先进标准是由国际上具有权威性的区域标准，世界上主要经济发达国家的国家标准和通行的团体标准，包括知名跨国企业标准在内的其他国际上公认先进的标准。

第二章、样品采集和处理

1、为什么要对样品进行预处理？选择预处理的方法和原则是什么？ 目的：1、避免干扰组分影响； 2、提高低含量组分含量。 3、保证分析结果可靠性 原则：① 消除干扰因素； ② 完整保留被测组分； ③ 使被测组分浓缩；

以便获得可靠的分析结果。 方法：主要有6种。

2、常用的样品预处理方法有哪些？各有什么优缺点？ 一、粉碎法

体积小，价格低，容易操作 容

1 基本概念

1.1 时间序列的平稳性

假定某个时间序列是由某一随机过程（stochastic process）生成的，即假定时间序列{Xt}（t=1, 2, …）的每一个数值都是从一个概率分布中随机得到，如果满足下列条件：

1）均值E(Xt)=?是与时间t 无关的常数； 2）方差Var(Xt)=?2是与时间t 无关的常数；

3）协方差Cov(Xt,Xt+k)=?k 是只与时期间隔k有关，与时间t 无关的常数；

则称该随机时间序列是平稳的（stationary)，而该随机过程是一平稳随机过程（stationary stochastic process）。

1.2 时间序列的非平稳性

平稳时间序列的均值为常数，自协方差函数与起点无关，而非平稳时间序列则不满足这两条要求。常见的非平稳类型有趋势和突变

1.2.1 趋势

趋势是指变量随时间持续长期的运动，时间序列变量围绕其趋势波动。可以用线性趋势、二次趋势、季节性均值趋势和余弦趋势来估计一般的非常数均值趋势模型的参数。

1.2.2 突变

突变来自总体回归系数在某一特定日期上的离散变化或来自系数在长时期内的渐变。

1.3 平稳性判断 1.3.1 图示判断

? 给

第1章 差分方程和滞后算子

第一节 差分方程

一．一阶差分方程

假定t期的y（输出变量）和另一个变量w（输入变量）和前一期的y之间存在如下动态方程：

yt??yt?1?w （1）

则此方程为一阶线性差分方程，这里假定w为一个确定性的数值序列。差分方程就是关于一个变量与它的前期值之间关系的表达式。一阶差分方程的典型应用为美国货币需求函数：

mt?0.27?0.72mt?1?0.19It?0.045rbt?0.019rct

wt?0.27?0.19It?0.045rbt?0.019rct

其中mt为货币量，It为真实收入，rbt为银行账户利率，rct为商业票据利率。 1）用递归替代法解差分方程 根据方程（1），可以得到

012?ty0??y?1?w0y1??y0?w1y2??y1?w2 （2） ?yt??yt?1?wt如果我们知道t??1期的初始值y?1和w的各期值，则可以通过动态系统得到任何一个时期的值。即

yt??t?1y?1??tw0??t?1w1?....?wt （3）

这个过程称为差分方程的

1、ARIMA模型 1.1 模型的适用条件与构建过程 1.2 EVIEWS操作简单说明 1.3 模型构建实例2、季节时间序列模型 2.1 确定性季节时间序列模型 2.2 随机性季节时间序列模型

时间序列建模分析 及EVIEWS应用

1、ARIMA模型 1.1 模型的适用条件与构建过程 1.2 EVIEWS操作简单说明 1.3 模型构建实例2、季节时间序列模型 2.1 确定性季节时间序列模型 2.2 随机性季节时间序列模型

目录1、ARIMA模型1.1 模型的适用条件与构建过程 1.2 EVIEWS操作简单说明 1.3 模型构建实例

2、季节时间序列模型2.1 确定性季节时间序列模型 2.2 随机性季节时间序列模型

1、ARIMA模型 1.1 模型的适用条件与构建过程 1.2 EVIEWS操作简单说明 1.3 模型构建实例2、季节时间序列模型 2.1 确定性季节时间序列模型 2.2 随机性季节时间序列模型

时间序列的预处理：拿到一个时间序列后，首先要对它的平 稳性和纯随机性进行检