时间序列组合模型在经济预测中的应用
hhhh
（ 东华理工大学）
摘要：文中依据2003—2012年我国GDP 年度资料相关数据，用ARIMA 模型和趋势外推法建立一个组合模型，对我国1992年到2012年中国GDP 进行分析，并预测2013年—2018年中国的GDP 。所得结果误差优于两个模型的分别预测, 表明组合预测模型在时间序列数据的预测中更有优势。
关键词: ARIMA 模型;趋势外推法；组合预测模型; GDP
1 引言
国内生产总值(Gross Domestic Product)是一个国家或地区在一定时期内所生产和提供的最终货物和服务的总价值。国内生产总值是反映一国国民经济的生产规模及综合实力的总量指标，在经济研究中发挥着重要的作用。对GDP 作正确的预测能为宏观经济健康发展起到导向性作用，并为高层政策决策者提供决策依据。而一个国家的国内生产总值又是由各省生产总值所构成的，因此研究各省生产总值对研究国内生产总值以及各省乃至全国经济都起着重要作用。
目前关于GDP 的预测, 大多采用单一预测方法。然而单个预测模型仅包含或体现所研究系统的局部信息, 若用不同的方法对系统进行模拟, 往往是各有条件、各有特点, 也各有不足,若将几种预测方法线性组合形成组合预测模型, 既可以综合利用各种预测方法所提供的息, 提高预测精度, 又能够比较合理地描述系统的客观现实 。本文在建立两个单项预测模型的基础上, 建立了组合模型，对中国GDP 的发展趋势进行预测。
2 预测方法介绍
2.1 ARMA 模型及特征
ARMA 模型是由美国统计学家G .E.P.Box 和英国统计学家G .M.Jenkins 在二十世纪七十年代提出的时序分析模型,即自回归移动平均模型(AutoregressiveMovingAverageModel),用此模型所作的时间序列预测方法也称博克斯2詹金斯(B —J)法。ARMA 是由回归模型（简称AR 模型）和移动平均模型（简称MA ）为基础组合形成的，也称混合模型，记做ARMA(p,q)。ARMA(p,q)模型可表示为：
-y t
?1
=------?
?
?
p
t p
t t y
y
2
2
1
θε1
-t θε
21
--t εθεq t q t ---- 2 （1）
或者引入滞后算子B 式（1）可简记为
εt q t
p
B B y )()(ΘΦ
= （2）
式（1）中为移动平均系数为自回归系数，θθ??p p 11；{ε
t
}为白噪声序
列。
ARMA(p,q)过程的平稳充要条件是滞后多项式)(B ?的根都落在单位元之外。ARMA 模型构造了一种更为复杂的白噪声序列的线性组合，近似的逼近一
个平稳序列，可以看出ARMA 模型的平稳性完全取决于自回归模型的参数（完全无关。，数（而与移动平均模型的参)),,(2,121θθθ???q p 2.2 趋势外推法
某一些客观事物（如：经济现象）相对于时间推移，常常有一定规。这时，若预测的对象无明显的季节波动，又能找到一条合适的函数曲线反应其变化趋势，即可建立趋势模型：y=f(t),当有理由相信这种趋势可能会延伸到未来时，对于未来的某个t 值就可以得到相应的时序未来值，这就是趋势外推法 2.3 组合预测模型
组合预测法是指通过建立一个组合预测模型, 把多种预测方法所得到的预测结果进行综合。在文中对中国GDP 进行预测，GDP 发展主要是渐进型的，其发展相对于时间变化具有一定的规律性。因此，当预测对象依时间变化呈现出某种上升或下降趋势，并且没有明显的季节变动时，有可能找到一条合适的函数曲线反映这种变化趋势，以时间t 为自变量，时序数值y 为因变量，建立趋势模型：y=f （t ）+ t μ当有理由相信这种趋势能够延伸到未来时，赋予变量t 所需要的值，则可以得到相应时刻的时间序列未来值。趋势外推法就是以时间t 为自变量找出一系列历史数据的趋势线并外推于将来所进行的中长期预测。误差项t 既反映y 的长期趋势中随机波动的影响，又包含构成y 预测模型的主要因素之外的其他因素的影响。在运用趋势外推法进行预测以后，由于t μ一般不能满足平稳性条件，导致预测值存在较大的误差，因此需要对模型进行修正。修正方法就是对误差项
t μt 建立ARMA 模型，与趋势外推法结合，建立组合模型。由于它既包含了可由
时间变量t 解释的y 的部分变化，又包含了时间变量不可解释的但可由ARMA 模型解释的y 的另一部分，因而预测的精确度得到了提高。
3 实际情况分析 3.1 数据
表1 1992年—2012年中国GDP 数据
3.2 模型的预测
3.2.1 首先画出历年中国GDP 的曲线图，如图1
图1 1991—2012年中国GDP 曲线
由图1 可以看出，GDP 随时间变化呈现出上升的趋势，并且没有明显的季节变动，而且该曲线的形状与二次曲线模型相似，因此，根据趋势外推法的基本原理，可以建立以时间t 为自变量，GDP 为因变量的趋势模型： GDP=2^
^
^
xt c x b a t ++ （t=1、2、…21），在eviews 中可得到结果如下图2
图2 趋势外推模型的参数
可以看到99.02=R ,F=630.54，在显著性水平=0.05 的条件下，所有参数都通过了显著性检验。因此可以建立模型
GDP=59618.09-8771.308t+1541.628t 2 (3)
用以上模型行预测，将实际值和预测值进行比较，可以得到一组残差，对其进行单位根检验，t 是平稳的，对残差序列建立ARMA 模型，残差序列自相关函数图和偏相关函数图如图3，并分析得到图4
图3 残差序列相关偏相关图 图4 ar(1) ar(2) ma(2) 模型
此模型为:
GDP=1.4222199.062.0----+-t t t t u u y y （4）
将模型（3）和模型（4）相结合对2001-2010年的实际值和预测值进行比较如表2：
表2 中国GDP 实际值与预测值对比（组合模型）
年份实际值（亿元）预测值（亿元）相对误差绝对值（%）
2006 216314.4 221797.1 2.54
2007 265810.3 226008.7 1.81
2008 314045.4 319836.2 1.84
2009 340902 357167 4.77
2010 401202 385136.8 4.00
2011 471564 473875.2 0.49
2012 519322 517053.6 0.44
表3 中国GDP 实际值与预测值对比（趋势外推法）
年份实际值预测值相对误差绝对值（%）
2007 265810.3 313934 3.42
2008 314045.4 274914.9 0.04
2009 340902 356036.5 4.44
2010 401202 4011222 501.952
2011 471564 449491.1 4.68
2012 519322 500843.3 3.56
从表2 和表3 可以计算出，组合模型相对误差绝对值的平均值为0.49%，而趋势外推法预测的相对误差绝对值的平均值为13.95%，运用组合模型大大提高了预测的准确性。对中国以后年度的GDP 进行预测，得到2011-2020 年的GDP 预测数据如表4。
表4 2011-2020 年中国GDP 预测值
用Eviews画出组合模型预测的折线图5：
图5 组合模型预测的折线图
从图5可以看出组合模型的拟合的很好，说明预测效果比较好。
4 总结
本文在利用趋势外推法、ARIMA 模型进行预测分析，综合两个单项预测模型的优点进行组合预测，精度更高，可靠性更强。并且最终可以得到以下几个结论：（1）我国国内生产总值正处于快速增长阶段, 需要保持和改进现有的政策和措施。通过组合预测模型的预测以及和其他2种模型的比较可知, 在今后的年内, 我国国民经济仍将保持快速的增长, 并且在2017年将达到800324.2亿元（2）我国GDP 在未来的5年内增速不会发生较大的变化, 仍以比较快的速度展, 符合我国的经济发展规律。
( 3) 组合预测法由于考虑了更多的影响因素, 然后建立预测模型, 充分利
用各单项预测的有用信息, 因此在GDP 预测中可得到可信度更高的预测值, 可
以为有关部门提供科学依据。在实际应用中应注意, 单一模型是组合预测模型的基础, 应尽力提高单一模型的预测精度, 对于精度很差的模型不予采用; 同时
选择单一模型时, 尽可能从不同影响因素出发, 充分利用数据所包含的有用信息。组合预测模型具有比其他模型更好的优势, 结果更接近于现实的数据, 所以, 可以把它应用在其他数据的预测上。
参考文献
[1] 龚国勇. ARIMA 模型在深圳GDP 预测中的应用[ J] . 数学的实践与认识, 2008, 38( 4) : 54- 57.
[2] 杨扬，何伟．基于组合预测模型的我国GDP 预测分析[J]．科技和产业，（3）
[3] 王莎莎, 陈安, 苏静, 等. 组合预测模型在中国GDP 预测中的应用[ J].山东大学学报, 2009, 44( 2) : 56- 59.
[4] 戴钰1 最优组合预测模型的构建及其应用研究[ J ]1 经济学,2010,27( 1) : 92- 981
时间序列预测模型时间序列是指把某一变量在不同时间上的数值按时间先后顺序排列起来所形成的序列,它的时间单位可以是分、时、日、周、旬、月、季、年等。时间序列模型就是利用时间序列建立的数学模型，它主要被用来对未来进行短期预测，属于趋势预测法。一、简单一次移动平均预测法例1.某企业1月~11月的销售收入时间序列如下表所示.取n 4,试用简单一次移动平均法预测第12月的销售收入,并计算预测的标准误差. 二、加权一次移动平均预测法简单一次移动平均预测法，是把参与平均的数据在预测中所起的作用同等对待，但参与平均的各期数据所起的作用往往是不同的。为此，需要采用加权移动平均法进行预测，加权一次移动平均预测法是其中比较简单的一种。三、指数平滑预测法 1、一次指数平滑预测法一元线性回归模型 * 项数n的数值,要根据时间序列的特点而定,不宜过大或过小.n过大会降低移动平均数的敏感性,影响预测的准确性;n过小,移动平均数易受随机变动的影响,难以反映实际趋势.一般取n的大小能包含季节变动和周期变动的时期为好,这样可消除它们的影响.对于没有季节变动和周期变动的时间序列,项数n的取值可取较大的数;如果历史数据的类型呈上升或下降型的发展趋势,则项数n的数值应取较小的数,这样能取得较好的预测效果. 1102.7 1015.1 963.9 892.7 816.4 772.0 705.1 649.8 606.9 574.6 533.8 销售收入 11 10 9 8 7 6 5 4 3 2 1 月份 t 158542.7 993.6 12 12950.4 19016.4 17662.4 24617.6 27989.3
时间序列模型的构建和预测 Box Jenkins Methodology) 步骤1：识别。观察相关图和偏相关图 步骤2：估计。估计模型中所包含的自回归系数和移动平均系数，可以用OLS 来估计 步骤3：诊断检验。选一个最适合数据的模型，检查从这模型中估计到的残差是否白噪声，如果不是的话，我们必须从头来过 步骤 4 ：预测。在很多情况下，这种方法得到的预测结果要比其它计量模型得到的要准确 识别 检查时间序列是否平稳 - 如果自相关函数衰退的很慢，则序列可能是非平稳 - 如果时间序列为一非平稳过程，应该运用差分的形式使它变为平稳过程 - 在检验了一个时间序列的平稳性之后，我们应该用相
关图和偏相关图检验ARMA模型中的阶数p和q 模型 ARIMA（1,1,1） .■: x t = ■ 1. x t-1 + u t + ru t-1 自相关函数特征 缓慢地线性衰减 1.0 偏自相关函数特征 AR（ 1） x t = -1 X t-1 + u t 右；1 > 0，平滑地指数衰减若-11 > 0，k=1时有正峰值然后截尾 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 2 - 4 6 - 8 10 12 ?14 MA （ 1） X t = U t + 71 U t- 1 AR（ 2） x t = ；1 x t-1 + 2 X t-2 + u t 若;i < 0，正负交替地指数衰减 0.8 若71 > 0，k=1时有正峰值然后截尾 若71 < 0，k=1时有负峰值然后截尾 指数或正弦衰减 若-11 < 0，k=1时有负峰值然后截尾 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 若?冷> 0，交替式指数衰减 0.8 若3<0，负的平滑式指数衰减 k=1,2时有两个峰值然后截尾
第六节时间序列模型的建立与预测 ARIMA过程y t用 Φ (L) (Δd y t)= α+Θ(L) u t 表示，其中Φ (L)和Θ (L)分别是p, q阶的以L为变数的多项式，它们的根都在单位圆之外。α为Δd y t过程的漂移项，Δd y t表示对y t 进行d次差分之后可以表达为一个平稳的可逆的ARMA 过程。这是随机过程的一般表达式。它既包括了AR，MA 和ARMA过程，也包括了单整的AR，MA和ARMA过程。 可取 图建立时间序列模型程序图 建立时间序列模型通常包括三个步骤。（1）模型的识别，（2）模型参数的估计，（3）诊断与检验。
模型的识别就是通过对相关图的分析，初步确定适合于给定样本的ARIMA模型形式，即确定d, p, q的取值。 模型参数估计就是待初步确定模型形式后对模型参数进行估计。样本容量应该50以上。 诊断与检验就是以样本为基础检验拟合的模型，以求发现某些不妥之处。如果模型的某些参数估计值不能通过显著性检验，或者残差序列不能近似为一个白噪声过程，应返回第一步再次对模型进行识别。如果上述两个问题都不存在，就可接受所建立的模型。建摸过程用上图表示。下面对建摸过程做详细论述。 1、模型的识别 模型的识别主要依赖于对相关图与偏相关图的分析。在对经济时间序列进行分析之前，首先应对样本数据取对数，目的是消除数据中可能存在的异方差，然后分析其相关图。 识别的第1步是判断随机过程是否平稳。由前面知识可知，如果一个随机过程是平稳的，其特征方程的根都应在单位圆之外；如果 (L) = 0的根接近单位圆，自相关函数将衰减的很慢。所以在分析相关图时，如果发现其衰减很慢，即可认为该时间序列是非平稳的。这时应对该时间序列进行差分，同时分析差分序列的相关图以判断差分序列的平稳性，直至得到一个平稳的序列。对于经济时间序列，差分次数d通常只取0，1或2。 实际中也要防止过度差分。一般来说平稳序列差分得到的仍然是平稳序列，但当差分次数过多时存在两个缺点，（1）序列的样本容量减小；（2）方差变大；所以建模过程中要防止差分过度。对于一个序列，差分后若数据的极差变大，说明差分过度。 第2步是在平稳时间序列基础上识别ARMA模型阶数p, q。表1给出了不同ARMA模型的自相关函数和偏自相关函数。当然一个过程的自相关函数和偏自相关函数通常是未知的。用样本得到的只是估计的自相关函数和偏自相关函数，即相关图和偏相关图。建立ARMA模型，时间序列的相关图与偏相关图可为识别模型参数p, q提供信息。相关图和偏相关图（估计的自相关系数和偏自相关系数）通常比真实的自相关系数和偏自相关系数的方差要大，并表现为更高的自相关。实际中相关图，偏相关图的特征不会像自相关函数与偏自相关函数那样“规范”，所以应该善于从相关图，偏相关图中识别出模型的真实参数p, q。另外，估计的模型形式不是唯一的，所以在模型识别阶段应多选择几种模型形式，以供进一步选择。
第二篇 预测方法与模型 预测是研究客观事物未来发展方向与趋势的一门科学。统计预测是以统计调查资料为依据，以经济、社会、科学技术理论为基础，以数学模型为主要手段，对客观事物未来发展所作的定量推断和估计。根据社会、经济、科技的预测结论，人们可以调整发展战略，制定管理措施，平衡市场供求，进行各种各样的决策。预测也是制定政策，编制规划、计划，具体组织生产经营活动的科学基础。20世纪三四十年代以来，随着人类社会生产力水平的不断提高和科学技术的迅猛发展，特别是近年来以计算机为主的信息技术的飞速发展，更进一步推动了预测技术在国民经济、社会发展和科学技术各个领域的应用。 预测包含定性预测法、因果关系预测法和时间序列预测法三类。本篇对定性预测法不加以介绍，对后两类方法选择以下几种介绍方法的原理、模型的建立和实际应用，分别为：时间序列分析、微分方程模型、灰色预测模型、人工神经网络。 第五章 时间序列分析 在预测实践中，预测者们发现和总结了许多行之有效的预测理论和方法，但以概率统计理论为基础的预测方法目前仍然是最基本和最常用的方法。本章介绍其中的时间序列分析预测法。此方法是根据预测对象过去的统计数据找到其随时间变化的规律，建立时间序列模型，以推断未来数值的预测方法。时间序列分析在微观经济计量模型、宏观经济计量模型以及经济控制论中有广泛的应用。 第一节 时间序列简介 所谓时间序列是指将同一现象在不同时间的观测值，按时间先后顺序排列所形成的数列。时间序列一般用 ,,,,21n y y y 来表示，可以简记为}{t y 。它的时间单位可以是分钟、时、日、周、旬、月、季、年等。
一、时间序列预测法 时间序列预测法就是通过编制和分析时间序列，根据时间序列所反应出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年可能达到的水平。其容包括:收集与整理某种社会现象的历史资料；将这些资料进行检查鉴别，排成数列；分析时间序列，从中寻找该社会现象随时间变化而变化的规律，得出一定的模型，以此模型去预测该社会现象将来的情况。 二、时间序列数据的特点 通常，时间序列经过合理的函数变换后都可以看作是由三个部分叠加而成，这三个部分是趋势项部分、周期项部分和随机项部分。 1. 趋势性 许多序列的一个最主要的特征就是存在趋势。这种趋势可能是向下的也可能是向上的，也许比较陡，也许比较平缓，或者是指数增长，或者近似线性。总之，时间序列的趋势性是依据时间序列进行预测的本质所在。 2. 季节性/周期性 当数据按照月或季观测时，通常的情况是这样的:时间序列会呈现出明显的季节性。对季节性也不存在一个非常精确的定义。通常，当某个季节的观测值具有与其它季节的观测值明显不同的特征时，就称之为季节性。 3. 异常观测值 异常观测值指那些严重偏离趋势围的特殊点。异常观测值的出现往往是由于某些不可抗 1958 年自然灾害和1966年左右“文化大革命”对我国经拒的外部条件的影响。如1960 济的影响，造成经济指标陡然下降现象；1992年，我国银行紧缩政策造成的房地产业泡沫破灭，而使得房地产业的经济数据发生突然变化的例子等等。 4. 条件异方差性 所谓条件异方差性，表现出来就是异常数据观测值成群地出现，故也称为“波动积聚性”。由于方差是风险的测度，因此波动存在的积聚性的预测对于评估投资决策是很有用的，对于期权和其它金融衍生产品的买卖决策也是有益的。 5. 非线性 对非线性的最好定义就是“线性以外的一切”。非线性常常表现为“机制转换”(regime witches)或者“状态依赖”(State pendence)。其中状态依赖意味着时间序列的特征依赖于其现时的状态;不同的时刻，其特征不一样。当时间序列的特征在所有的离散状态都不一样时，就成为机制转换特性。 三、时间序列的分类 1. 按研究的对象的多少可分为单变量时间序列和多变量时间序列。 如果所研究的对象是一个变量，如某个国家的国生产总值，即为单变量时间序列。果所研究的对象是多个变量，如按年、月顺序排列的气温、气压、雨量数据，为多变量时间序列。多变量时间序列不仅描述了各个变量的变化规律，而且还表示了各变量间相互依存关系的动态规律性。 2. 按时间的连续性可将时间序列分为离散时间序列和连续时间序列。 如果某一序列中的每一个序列值所对应的时间参数为间断点，则该序列就是一个离散时间序列。如果某一序列中的每个序列值所对应的时间参数为连续函数，则该序列就是一个连续时间序列。 3. 按序列的统计特性可分为平稳时间序列和非平稳时间序列两类。
第 39卷 第 2期 2007年 4月 西 安 建 筑 科 技 大 学 ( 学 报 ( 自然科学版) ) V ol.39 No.2 Apr . 2007 J 1Xi ’an Univ . of Arch . & Tech . Natural Scie nce Editio n 多因素时间序列的灰色预测模型 苏变萍 ,曹艳平 ,王 婷 (西安建筑科技大学理学院 ,陕西 西安 710055) 摘 要:对于传统的单因素时间序列预测法在实际应用中的不足之处 ,提出采用灰色 DGM (1 ,1) 模型和多元 线性回归原理相结合的方法 ,综合各种因素建立多因素时间序列的灰色预测模型。它首先利用 DGM (1 ,1) 模 型对影响事物发展趋势的各项因素进行预测 ;然后利用多元线性回归法将各种因素综合起来 ,以预测事物的 发展趋势。最后将该模型应用于预测分析陕西省的就业状况 ,取得了较好的预测效果 ,同时也验证了此模型 的可行性。 关键词: 时间序列 ;单因素 ;多因素 ;预测模型 中图分类号:TB114 文献标识码:A 文章编号 :100627930 2007 022******* ( ) 多年以来 ,对时间序列的预测研究 ,大多是停留在对单因素时间序列上 ,对其预测通常采用的是趋 势外推法 ,而且该方法适合于原始时间序列规律性较好的情况 ,若时间序列中包含了随机因素的影 响 ,再采用这种方法得出的预测结果可能会失真. 同时 ,客观世界又是复杂多变的 ,事物的发展通常不 是由某个单个因素决定 ,往往是许多错综复杂的因素综合作用的结果 ,为了对某项事物的发展做出更加 符合实际的预测 ,这就需要来探讨多因素时间序列的预测问题 ,正是基于这些 ,本文在应用灰色 D GM (1 ,1)模型对单因素时间序列预测的基础上 ,结合多元回归原理 ,提出建立多因素时间序列的灰色预测 模型 ,这样就充分发挥了二者的优点 ,既克服了时间序列的随机因素影响 ,又综合考虑了影响事物发展 的多种因素 ,从而达到提高预测精度和增加预测结果可靠性的效果. 1 模型的建立 设 Y = (y (1) , y (2) , …, y( n)) 表示事物发展的特征因素时间序列, X i = (x i (1) , x i (2) , …, x i ( n)) (i = 1 ,2 , …, p) 表示影响事物发展的单因素时间序列. 1.1 单因素时间序列的 DGM(1 ,1) 模型 对于单因素原始时间序列{ X i } (i = 1 ,2 , …, p) ,根据灰色系统理论建模方法 ,得 D GM (1 ,1) 模 型 : x i (1) a (1 - a) + a b ,t > 1 1.2 多因素时间序列的预测模型 为了能将影响事物发展的众多因素结合起来进行综合预测和相关因素的预测分析 ,在经过多次研 究与比较后,采用多元回归的原理建立多因素时间序列的灰色预测模型: y t = a 0 + a 1 x 1 t + a 2 x 2 t + …+ a p x p t 2 式中 y t 为该事物在 t 时刻的预测值;x i t i = 1 ,2 , …, p 为第 i 个单因素 ,通过应用上述的灰色 3收稿日期 :2005201209 修改稿日期:2006204212 基金项目 :陕西省教育厅专项基金项目 01J K133( ) 作者简介 :苏变萍 19632( ) ,女 ,山西忻州人 ,副教授 ,博士研究生 ,研究方向为计量经济学. [122] (0) (0) (0) ( ) ( ) [4] (0) x (1) = x (1) ^ x (t) = (1) ( ) ^ ^ ^ ^ ^ ^
课程名称: 时间序列分析 题目: 降水量预测 院系：理学院 专业班级：数学与应用数学10-1 学号： 87 学生姓名：戴永红 指导教师：＿＿潘洁＿ 2013年 12 月 13日
1.问题提出 能不能通过以前的降水序列为样本预测出2002的降水量？ 2.选题 以国家黄河水利委员会建站的山西省河曲水文站1952年至2002年51年的资料为例，以1952年至2001年50年的降水序列作为样本，建立线性时间序列模型并预测2002年的降水状态与降水量，并与2002年的实际数据比较说明本模型的具体应用及预测效果。资料数据见表1。 表1 山西省河曲水文站55年降水量时间序列
3．原理 模型表示 均值为0，具有有理谱密度的平稳时间序列的线性随机模型的三种形式，描述如下： 1、()AR p 自回归模型：1122t t t p t p t ωφωφωφωα-------=L 由2p +个参数刻画； 2、()MA q 滑动平均模型：1122t t t t q t q ωαθαθαθα---=----L 由2q +个参数刻画； 3、(,)ARMA p q 混和模型： 11221122t t t p t p t t t q t q ωφωφωφωαθαθαθα----------=----L L (,)ARMA p q 混和模型由3p q ++个参数刻画； 自相关函数k ρ和偏相关函数kk φ 1、自相关函数k ρ刻画了任意两个时刻之间的关系，0/k k ργγ= 2、偏相关函数kk φ刻画了平稳序列任意一个长1k +的片段在中间值11,t t k ωω++-L 固定的条件下，两端t ω，t k ω+的线性联系密切程度。 3、线性模型k ρ、kk φ的性质 表2 三种线性模型下相关函数性质 模型识别
时间序列分析与Eviews 应用非稳定序列转化为稳定序列数据变量的平稳性是传统的计量经济分析的基本要求之一。只有模型中的变量满足平稳性要求时，传统的计量经济分析方法才是有效的. 而在模型中含有非平稳时间序列时，基于传统的计量经济分析方法的估计和检验统计量将失去通常的性质，从而推断得出的结论可能是错误的。因此，在建立模型之前有必要检验数据的平稳性。在很长时间里，学者们在分析经济变量时都假定所分析的数据已满足平稳性的要求。然而，近年来，尤其是纳尔逊和普洛瑟(Nelson Plosser ，1982) 的开创性论文发表后，随着计量经济学的发展，学者们对经济时间序列数据，尤其是宏观经济时间序列数据的看法发生了根本的变化。许多经验分析表明，多数宏观经济变量都是非平稳的，由此引发了宏观经济分析方法尤其是周期分析方法的一场革命，即“单位根革命” 。解 决的问题1、如何判别虚假回归(伪回归)问题？2 、怎样检验一组变量存在协整关系？3 、一组变量若存在协整关系，怎样建立误差修正模型？如何更好的通过已有数据反映变量之间的长、短期关系。一、序列相关二、非平稳时间序列时间序列的特征在做多元回归之前，有必要先了解每个时间序列的特性。在很多应用研究中，人们常常对具有增长趋势的时间序列取对数后进行分析。取对数后，这样的序列常常更接近于一条直线。大多数宏观经济数据表现出这一特征。取对数后的变量差分(LnYt-LnYt-1) 近似反映了两个时期之间该序列的增长率。自相关( Autocorrelation ) 对于通常的经济数据序列，原始序列Y的当前值与滞后值之间的相关程度较高，但其差分序列丫的当 前值与滞后值相关程度较低。根据这一性质，我们可以利用过去已知的丫
实验1 典型时间序列模型分析 1、实验目的 熟悉三种典型的时间序列模型：AR 模型，MA 模型与ARMA 模型，学会运用Matlab 工具对对上述三种模型进行统计特性分析,通过对2 阶模型的仿真分析，探讨几种模型的适用范围，并且通过实验分析理论分析与实验结果之间的差异。 2、实验原理 AR 模型分析： 设有 AR(2)模型， X(n)=-0.3X(n-1)-0.5X(n-2)+W(n) 其中：W(n)是零均值正态白噪声，方差为4。 （1）用MA TLAB 模拟产生X(n)的500 观测点的样本函数，并绘出波形 （2）用产生的500 个观测点估计X(n)的均值和方差 （3）画出理论的功率谱 （4）估计X(n)的相关函数和功率谱 【分析】给定二阶的AR 过程，可以用递推公式得出最终的输出序列。或者按照一个白噪声 通过线性系统的方式得到，这个系统的传递函数为： 1 2 1 ()10.30.5H z z z --= ++ 这是一个全极点的滤波器，具有无限长的冲激响应。 对于功率谱，可以这样得到， ()() 2 2 12 12exp 11x w z jw P w a z a z σ--==++ 可以看出， () x P w 完全由两个极点位置决定。 对于 AR 模型的自相关函数，有下面的公式： 这称为 Yule-Walker 方程，当相关长度大于p 时，由递推式求出： 这样，就可以求出理论的 AR 模型的自相关序列。
1.产生样本函数，并画出波形 2.题目中的AR 过程相当于一个零均值正态白噪声通过线性系统后的输出，可以按照上面的方法进行描述。 clear all; b=[1]; a=[1 0.3 0.5]; % 由描述的差分方程，得到系统传递函数 h=impz(b,a,20); % 得到系统的单位冲激函数，在20 点处已经可以认为值是0 randn('state',0); w=normrnd(0,2,1,500); % 产生题设的白噪声随机序列，标准差为2 x=filter(b,a,w); % 通过线形系统，得到输出就是题目中要求的2 阶AR 过程 plot(x,'r'); ylabel('x(n)'); title('邹先雄——产生的AR 随机序列'); grid on; 得到的输出序列波形为： 2.估计均值和方差 可以首先计算出理论输出的均值和方差，得到 x m ，对于方差可以先求出理论自相 关输出，然后取零点的值。
时间序列模型的构建和预测 （Box Jenkins Methodology） ●步骤1：识别。观察相关图和偏相关图 ●步骤2：估计。估计模型中所包含的自回归系数和 移动平均系数，可以用OLS 来估计 ●步骤3：诊断检验。选一个最适合数据的模型，检 查从这模型中估计到的残差是否白噪声，如果不是的话，我们必须从头来过 ●步骤4 ：预测。在很多情况下，这种方法得到的预 测结果要比其它计量模型得到的要准确 识别 ●检查时间序列是否平稳 -如果自相关函数衰退的很慢，则序列可能是非平稳 -如果时间序列为一非平稳过程，应该运用差分的形式使它变为平稳过程 -在检验了一个时间序列的平稳性之后，我们应该用相
关图和偏相关图检验ARMA 模型中的阶数p 和q
● 估计 OLS 方法在时间序列分析中的问题： ■ 考虑下面简单的线性回归模型： t t t e X Z +=φ
■ OLS 估计量∑∑=== n t t n t t t X Z X 1 21 ?φ 为一致估计且为最优线性无 偏估计量的条件为：0)(=t t e X E ■ 但时间序列模型t t t e Z Z +=-1φ中可能无法满足以上条件。它取决于误差项e t 的性质。 ■ ∑∑∑∑∑∑=-=-=-=--=-=-+ =+= =n t t n t t t n t t n t t t t n t t n t t t Z e Z Z e Z Z Z Z Z 2 21 212 21 2 11 2 21 2 1 ) (?φφφ ■ 情形1：t t u e = ■ 情形2： t t u L e )1(θ-=， 2 111))(()(u t t t t t u u Z E e Z E θσθ-=-=--- 极大似然估计法： ■ 假设随机变量x t 的概率密度函数为f(x),其参数用}{2 1 k γγγγ，。。。，，=表示，似然函数定义为： )/()/(γγt t x f x L = ■ 对于一组相互独立的随机变量x t ,（t = 1, 2, …, T ），当得到一个样本 (x 1, x 2, …, x T ) 时，似然函数可表示为 L (γ | x 1, x 2, …, x T ) = f (x 1| γ ) f (x 2| γ ) … f (x T | γ ) = ∏=T t t x f 1(| γ )