基于r语言的时间序列分析

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

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

CPI的时间序列分析,eviews~~

数学建模论文

参赛题号：参赛题目：院系：数学与信息科学学院专业：信息与计算科学学号：姓名：黄涛涛联系方式：邮箱：B

CPI的分析与预测

200811723 13523556145

huangtaotaoncwu@

CPI的时间序列分析,eviews~~

CPI的分析与预测模型

摘要

本文以我国的CPI作为研究对象，基于CPI数据存在明显的非平稳性和季节性特征，我们运用自回归单整移动平均季节模型（SARIMA模型）进行建模分析，并利用SPSS和eviews，分别建立了CPI定基指数序列与石油价格时间序列的关系模型（模型1）和CPI定基指数时间序列的关系模型（模型2）。从模型的结果分析来看，模型1较好的解释了石油与CPI之间的关系，并得出石油价格时间序列{Oilt}与CPI定基指数的相伴概率为0.0136，小于0.05的置信水平，证明了石油价格对CPI的影响是显著的；对于模型2，它对样本内数据的拟合图显示出其对CPI定基指数具有较高的拟合度，然后，我们对08年6月至12月的数据（样本外数据）进行了预测，数据的预测结果显示，其误差均不超过0.97%，说明模型2具有较好的预测效果。

关键字：CPI定基指数 时间序列 SARI

CPI的时间序列分析,eviews~~

数学建模论文

参赛题号：参赛题目：院系：数学与信息科学学院专业：信息与计算科学学号：姓名：黄涛涛联系方式：邮箱：B

CPI的分析与预测

200811723 13523556145

huangtaotaoncwu@

CPI的时间序列分析,eviews~~

CPI的分析与预测模型

摘要

本文以我国的CPI作为研究对象，基于CPI数据存在明显的非平稳性和季节性特征，我们运用自回归单整移动平均季节模型（SARIMA模型）进行建模分析，并利用SPSS和eviews，分别建立了CPI定基指数序列与石油价格时间序列的关系模型（模型1）和CPI定基指数时间序列的关系模型（模型2）。从模型的结果分析来看，模型1较好的解释了石油与CPI之间的关系，并得出石油价格时间序列{Oilt}与CPI定基指数的相伴概率为0.0136，小于0.05的置信水平，证明了石油价格对CPI的影响是显著的；对于模型2，它对样本内数据的拟合图显示出其对CPI定基指数具有较高的拟合度，然后，我们对08年6月至12月的数据（样本外数据）进行了预测，数据的预测结果显示，其误差均不超过0.97%，说明模型2具有较好的预测效果。

关键字：CPI定基指数 时间序列 SARI

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

1 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：

1t t y y w φ-=+ （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：

10.270.720.190.0450.019t t t bt ct m m I r r -=++--

0.270.190.0450.019t t bt ct w I r r =+--

其中t m 为货币量，t I 为真实收入，bt r 为银行账户利率，ct r 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

010********

1

2

t t t

y y w y y w y y w t y y w φφφφ--=+=+=+=+

（2） 如果我们知道1t =-期的初始值1y -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

11101....t t t t t y y w w w φφφ+--=++++

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

第九章 传统时间序列分析

时间序列的变动主要是由长期趋势、循环波动、季节变动及不规则变动而形成的，其中前三种变动有一个共同的特点，就是依一定的规则而变化，不规则变动则在综合中可以消除。基于这种认识，本章主要是介绍设法消除不规则变动，拟合确定型趋势，因而形成了一系列确定型时间序列分析方法。

实验一 季节模型

实验目的：

掌握季节调整的方法。 实验内容：

对时间序列进行季节调整。 知识准备：

经济时间序列的变化受许多因素的影响，概括地讲，可以将影响时间序列变化的因素分为四种，即长期趋势（T，随着时间的变化，按照某种规律稳步地增长、下降或保持在某一水平上）、季节变动因素（S，在一个年度内依一定周期规则性变化）、周期变动因素（C，以若干年为周期的波动变化）和不规则变动因素（I，许多不可控的偶然因素共同作用的结果）。传统时间序列分析应是设法消除不规则变动，指拟合确定性趋势，因而形成了长期趋势分析、季节变动分析和循环波动测定等一系列确定型时间序列分析方法。

季节变动是一种较为普遍的现象，其按照一定的周期循环进行，而且每个周期变化强度大体一致。研究季节变动的目的在于了解季节变动的规律，并进行季节预测。分析季节变动的方法有很多，其中常用的方法有两类：一是不考