《应用时间序列分析》实验手册

1、应用时间序列分析实验手册第二章时间序列的预处理一、平稳性检验二、纯随机性检验第三章平稳时间序列建模实验教程一、模型识别二、模型参数估计（如何判断拟合的模型以及结果写法）三、模型的显著性检验四、模型优化第四章非平稳时间序列的确定性分析一、趋势分析二、季节效应分析三、综合分析第五章非平稳序列的随机分析一、差分法提取确定性信息二、ARIMA模型三、季节模型第二章时间序列的预处理平稳性检验时序图检验和自相关图检验（一）时序图检验根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界、无明显趋势及周期特征例2.1检验1964年1999年中

2、国纱年产量序列的平稳性1.在Eviews软件中打开案例数据图1:打开外来数据图2:打开数据文件夹中案例数据文件夹中数据文件中序列的名称可以在打开的时候输入，或者在打开的数据中输入图3:打开过程中给序列命名IfETtEdblidsilfindcwy»l>l£3rMe=w1即pc|6b>ct|Prlrrf#YEAFNiafiw理每二工Jlw上-vU口加UntitEM旦1巨多小期期调戮品R上由可19645701965口除t5G519671352136013771969teosi«俄71?6a1X919701S7020521971T9001界？1第61S731

3、9G7q19霜i近1973函4?IF图4:打开数据2.绘制时序图可以如下图所示选择序列然后点Quick选才SScatter或者XYline；绘制好后可以双击图片对其进行修饰，如颜色、线条、点等图1:绘制散点图il«diIQbjU"itOilieltOfttimt，ih4gy»l>ip.iltmiTTnEDl-oikfiltiUJlL2nntitUd.）；&FT H nw* ir =划聚 1 3图2:年份和产出的散点图图3:年份和产出的散点图（二）自相关图检验例2.3导入数据，方式同上;在Quick菜单下选择自相关图，对Qiwen原列进行分析;可以看出

4、自相关系数始终在零周围波动，判定该序列为平稳时间序列。图1:序列的相关分析图2：输入序列名称图2：选择相关分析的对象Efiev?-Series:QlfEJilailfLle:阳水I.4、口口Lll，d|Eil*EdiTGbjvct*tr,cfimckDmeniEi3i4(wH«lp帆询蚂丹纳PffltNama行/»MrConciogrJinMDMAMCai»02/53/MTim2136SaimpF?1期勺1938InOMEQbaerYtifins：50utoconilKionPMialG-wimicmACPACQ3IJ1曰岫*匚11E11-G17701771B&a

5、mp;4001571111130.017。口1516B0Q04E1311*30172QlZfi33253口美d.111!r.4OOISDOSS33435O5tlC21IE1£<1G7Q1礴49517O4Z21tprf6QMQJ105.334D口496小1lV7QC02001553943061311iIISe012DD5353?36口川511Il!9-G021Q02254227079611lI100056D.0T35639935i1Ii11110C090035664&S口百1L11111243008。口冷6V21007*s*1t1300770.04004»一1I

6、I14*0G3S-003066FQ口卬7【11V15WX5QM5，。54即jcJ111600880130760铝0960tE1111117n«mn怠/i/下nCK7Jr«ik=wVp&-a»mn=的录tq图3:序列的相关分析结果:1.可以看出自相关系数始终在零周围波动，判定该序列为平稳时间序列2.看Q统计量的P值：该统计量的原假设为X的1期，2期k期的自相关系数均等于0,备择假设为自相关系数中至少有一个不等于0,因此如图知，该P值都5%的显著性水平，所以接受原假设，即序列是纯随机序列,即白噪声序列（因为序列值之间彼此之间没有任何关联，所以说过去的行为对将来

7、的发展没有丝毫影响，因此为纯随机序列，即白噪声序列.）有的题目平稳性描述可以模仿书本33页最后一段.（三）平稳性检验还可以用:单位根检验：ADF,PP检验等；非参数检验：游程检验图1:序列的单位根检验表示不包含截距项UnitRootTestTestforunitrootinC*Leeli'stdifferentL2nddif£trcn(工ntl口&liltestequ.alion：Tutercept"Tr*ndandint«rc(i幽立省Laelength,*AutomaticweLeetioiM曜imunOX|Can«l图2:单位根检验

8、的方法选择图3:ADF检验的结果：如图，单位根统计量ADF=-0.016384都大于EVIEWS给出的显著性水平1%-10%的ADF临界值，所以接受原假设，该序列是非平稳的。:、纯随机性检验计算Q统计量，根据其取值判定是否为纯随机序列。例2.3的自相关图中有Q统计量，其P值在K=6、12的时候均比较大，不能拒绝原假设，认为该序列是白噪声序列。另外，小样本情况下，LB统计量检验纯随机性更准确。第三章平稳时间序列建模实验教程、模型识别1 .打开数据图1:打开数据2 .绘制趋势图并大致判断序列的特征LiuhM工整.iIwiertut£+*，里仙时*"STMiaSl4UllBeK.

9、£i«图2:绘制序列散点图QKCaneel图3:输入散点图的两个变量1 抽1959脸口 1M07 J 736 7SS日4 4tub c M - nt 17 = RflJl 5图4:序列的散点图3 .绘制自相关和偏自相关图图1:在数据窗口下选择相关分析图2:选择变量厘Leirel帚力，uim；1stdiffereitt2riddi££&.iutoincln(l&图3:选择对象制Rgm而.导fSof3.&*;ila;M-41II&0ntledJ匚5fLJEIb七¥+£tk»ak0EqfITiJra

10、r加gVWMIftwlQfewtFiWrtHE：方Mw!g8期jl*愤降CretaaftmM>CXPfllv5IdVBHmr1943mpk19501M8Includeddbserv-ahonsA9AiriDcorrclsiicjnPHiaiCorralaEtonACFACQSlaEPFgbV110705D70525995000011?058701?®44T92ODQO104500皿S£tESOGOO|二心»J0M5-0207SB77B0000Nn15fl2WQI%褊咫OOQQi13I&OZJOOCBT&5151DGQO|n13i?025101

11、2：EjaiOoar1)3口i序0M9-0292710XiCOOD11i0i台。烟fl123制463U80|1D11000VQ0667B柄11000011i1二i'114iOSa1e171.293DOOO7I111Qf融口口"hK0gt1111，工由0S90001门口”0807I"a1H«0G74229T133D0000»111p15OOSO0CE272J500000»111I1>-OD310D45才3K5GOOD1111J'17t530?*T401(JOCD卜£11II*帼心124OOM?5fi33fiOMtC

12、-fl1心电1300103r7,24lQMtI11112G0033ZJ0I27799(HGOOBCmsRMHTF葡玉|马图4:序列相关图4 .根据自相关图和偏自相关图的性质确定模型类型和阶数如果样本（偏）自相关系数在最初的d阶明显大于两倍标准差范围，而后几乎95%的自相关系数都落在2倍标准差的范围以内，而且通常由非零自相关系数衰减为小值波动的过程非常突然。这时，通常视为（偏）自相关系数截尾。截尾阶数为d。本例：自相关图显示延迟3阶之后，自相关系数全部衰减到2倍标准差范围内波动，这表明序列明显地短期相关。但序列由显著非零的相关系数衰减为小值波动的过程相当连续，相当缓慢，该自相关系数可视为不截尾偏

13、自相关图显示除了延迟1阶的偏自相关系数显著大于2倍标准差之外，其它的偏自相关系数都在2倍标准差范围内作小值随机波动，而且由非零相关系数衰减为小值波动的过程非常突然，所以该偏自相关系数可视为一阶截尾所以可以考虑拟合模型为AR（1）自相关系数偏相关系数模型定阶拖尾P阶截尾1AR(p)模型Q阶截尾拖尾ma(q)模型拖尾拖尾ARMA(P,Q)模型具体判别什么模型看书58到62的图例。AR模型;取二口十7p7MA模型以二山+6t£A(D*BMA(2)*一.MA(q产B勺q+;瑞曙:能暮二温小(其中模型中的ar.一MA表示的是求出来的系数电域是常数项)二、模型参数估计根据相关图模型确定为AR(1

14、),建立模型估计参数在ESTIMATE中按顺序输入变量cxccx(-1)或者cxcar选择LS参数估计方法，查看输出结果，看参数显著性，该例中两个参数都显著。细心的同学可能发现两个模型的C取值不同，这是因为前一个模型的C为截距项；后者的C则为序列期望值,两个常数的含义不同。通廿1IT»3Z?1*E枭*Qk.u|Jfawwfc-a-c口l_ !_»1ftnvi|PTtid3*mp:P |Sc os« >>ilJT s 电 团%*也更典':<3" (：- E -»r E a XSbMEvVr a(k 1ali i vr i

15、ti)：l. QXIIntit led _ 1 芯Fatti > > VD - nut IT 用柬t 节Sir e 于 j D SCXK51 Q3S56 f 4 6ft cc33 1Efio358!3H »E,?afia下7K 7 7图1:建立模型图2:输入模型中变量，选择参数估计方法图3:参数估计结果图4:建立模型图5:输入模型中变量，选择参数估计方法t"it £电 拄j电r 中, 射。* 第b需上 能珈*EquM ion: HHTITLITQ Torkf ils IHiiRl. 5nr»1 itl«d L J；K|WM|amts

16、 rm<MV1申口洲收Coeflk / n<当d Eiror卜守厘闾MPrpfcC81 3K341 9P6277 Jt 14626OOOQOAR0)07053320 104C606 /20187oooooR心qujrsd0.495398Mpjn vi dun；阴at 43333AdjulsdlR &qvaredlO10J128S D d«p«ndenl w56S227F§ K 讨 rtgrttiiCfl4 团633Ak life* *51* 丽Sum -auartd r4£id阳£硬Schwrbrf ciuanon5 753

17、256L啊 r-lk«lihDOi-曰才269F-slali-shc1EEB1Du rbfbWHMH 飙 at1 MQ227Pieb(F-stili sue)DOQOOOClnrert -d AR RnuU70AR模型:工.D?pendtnlVarabtEC>'htethodLe*Srfs31p02/13439Time1Samplea£jv5工阿t被I1段Includedi'i:djusl即号n!&Conmqenc*"。，？目新就阊立£TlthI9B-n««iIT=图6:参数估计结果=81.3203447

18、1-0,703332B1、模型的显著性检验检验内容:整个模型对信息的提取是否充分;参数的显著性检验，模型结构是否最简。E«l-14blQ'.r口史公上曲Ofell4hl收时再业3>>bc1:|PTap*fb«|PbjBt；F?e-agej|&e<wfc第Mi-l|b-SK*|Sort,E*.*15rHesl+Labrij->Wide.*LrHU3>el|Tile|GaffThLmt呻仃洲冢031iXJfl-2i3619WhtA的-IO743»1K243州？1明i1«.4.72B9J7S1*耳7部津g1*1&#

19、171;JTO1957'Ll矽UJO,“钩471571319S9-1325391I9U)蜀713O&3i菊一2909618136240522341%3OGt%3714电必出知1966cja7皿tee497201219674112平T9G62必无普l期Orwnnten1031197)口河转黄igy?n.r*±止1CT阜<>r«ih-*du2*iiR'-tiFTct>-ry： Msri>型;酎温 milnl占匚,r-r 整图1:模型残差工16-¥cF=»jii£eI9.雪.：.神Ml。MCE!附是tr

20、ItgtftF"多SWEi【-E.4it.gj-中十Jfa#Er<Cgiigg鲁Iij-n4n»lf1pg.向52>frxvtiFlLm|f¥nch"F-fl存qMiL>rffcF-1：CaiiakagfljHnNR££ID口即03/11fl®Tirrifl-2147Sample19901998Included01>r白小,痴白日占40MP* 二 Q'StM 冉曲0 091a *;3905150 IX1 2E67C5300 1G237730515© 1753W370 407Q读492

21、W。喀0 03743670 553口而27 7303O3S7©OK7.7E53(J4?COWO5&30 175e 期0610otreCBOO©Bl早孑彳哗0.674o no9i09607ilOOM9吗必0799口6 IOEMS4) G249冲100a? CQ2W3D3OS900 002W 910C95t0 01410病0.937幻m10 6140 956AtnocbhiiI制mnPirlialCoir<lalienr*lh®«-BB=mmIT二用多J)图2:残差的平稳性和纯随机性检验对残差序列进行白噪声检验，可以看出ACF和PACF都没有显

22、著异于零，Q统计量的P值都远远大于0.05,因此可以认为残差序列为白噪声序列，模型信息提取比较充分。常数和滞后一阶参数的P值都很小，参数显著；因此整个模型比较精简，模型较优。四、模型优化当一个拟合模型通过了检验，说明在一定的置信水平下，该模型能有效地拟合观察值序列的波动，但这种有效模型并不是唯一的。当几个模型都是模型有效参数显著的，此时需要选择一个更好的模型，即进行优化。优化的目的，选择相对最优模型。优化准则：最小信息量准则（AnInformationCriterion）指导思想似然函数值越大越好未知参数的个数越少越好AIC准则的缺陷在样本容量趋于无穷大时，由AIC准则选择的模型不收敛于真实模

23、型，它通常比真实模型所含的未知参数个数要多K/C”底无）+2（未知参数个数）SBC二也出（比）中同吸未知参数）|kquHtion-VNTirLkli口ledlrt xElI.0i电Qbjriet£1ArtQuelfe.Ofeill<*1LtudMB*JL>D<i-p«iidc-nEViS-n-abdoCKMEhdL<>3kUq|UFB9>口皿031t«B21蟾Samplf(a(|uvl«d195?&Ineludad小bownMctrE47新rladtjujtm曼NmV«mbh«CQ«

24、;*ic»vnl号IdEr3r卜初vtlftiepgc冷】白七S"口皿由0ODQDCX(2Jai如I。01DI4?16218301120CW4K9e6-337963詈smBCOOK白惴/r*1!Q7077aN*«riSp+LEvArei0?<t/八Diu*e单月-丰日”redO+mfSS0ptntf-rM：2刍。IgFSFdfPQ即99_口。吊27714S0mik。infoE承HM1t93S3X£uMf，*T箝，9t32名UNwnrS士t"14；W.4?lL%qMv-hhgH1Hmfl,IF-fl班irlic丁ih瞪，Durb«

25、-w*(i&Q»4t#i123060的2口F一事1411-&1IC.J0000600Fikih-&ft-h*Tf-州1狼I丐但是本例中滞后二阶的参数不显著，不符合精简原则，不必进行深入判断第四章非平稳时间序列的确定性分析第三章介绍了平稳时间序列的分析方法，但是自然界中绝大多数序列都是非平稳的，因而对非平稳时间序列的分析跟普遍跟重要，人们创造的分析方法也更多。这些方法分为确定性时序分析和随机时序分析两大类，本章主要介绍确定性时序分析方法。一个序列在任意时刻的值能够被精确确定（或被预测），则该序列为确定性序列，如正弦序列、周期脉冲序列等。而某序列在某时刻的取值是随

26、机的，不能给以精确预测，只知道取某一数值的概率，如白噪声序列等。Cramer分解定理说明每个序列都可以分成一个确定序列加一个随机序列，平稳序列的两个构成序列均平稳，非平稳时间序列则至少有一部分不平稳。本章先分析确定性序列不平稳的非平稳时间时间序列的分析方法。确定性序列不平稳通常显示出非常明显的规律性，如显著趋势或者固定变化周期，这种规律性信息比较容易提取，因而传统时间序列分析的重点在确定性信息的提取上。常用的确定性分析方法为因素分解。分析目的为：克服其他因素的影响，单纯测度某一个确定性因素的影响；推断出各种因素彼此之间作用关系及它们对序列的综合影响。一、趋势分析绘制序列的线图，观测序列的特征，

27、如果有明显的长期趋势，我们就要测度其长期趋势，测度方法有：趋势拟合法、平滑法。（一）趋势拟合法1.线性趋势拟合例1：以澳大利亚政府1981-1990年每季度消费支出数据为例进行分析。tirCdr«Jh*tV*w电4gkOfWK,tffcsbrcujp：1l：Nt.taastaaEfflii:堂屈雪SJcMlIR3工二Ip_厂1"5时鸣_3.3*_号雪IDID1丫三115131J5S10!A1.：用WoiKilr;潮大利呼福j改克出LtarilIEbedX打''*F刁亚图1:导入数据图2:绘制线图，序列有明显的上升趋势长期趋势具备线性上升的趋势，所以进行序列对

28、时间的线性回归分析。图3:序列支出（zc）对时间（t）进行线性回归分析aeRWKt0BW&Moworv* Wp由川VtorfjPrOcjobkJrtlgj*WjrcFio«BVrtnwtB|ficrtcjjt|量心尔cakh|DejaendemV«ribleZCMaIha*Lm酎SquiMi口正邮1值Time1252Range'S ample1即囿cB r*sidS 2tV&ri3bl«CartfEMStd Ewr 1-StA! ieProbC川殿阴BP7 917461E216OomnT8912251688219315 期293a oooo

29、R零qumred0 956804M官方小 dlffp&ncderit w103K 70Acljuslcd R- squiredO.9MO00S D dgpgrdwnl 丫器T 1247nS E of regression427 9903Akaike info oiiarion15 00474Sum gqu*rW 悔专 id. ". k t. 1 1»£:>7rvarr t rir?nan1 SlOBS 施Log lsliihotMl-296 06Fdtdlistic231 1291&urbiin-Waftson yat工?103E4PN(y

30、ivli。oaoooaitncludedobajtiont40大利堂IH/图4:回归参数估计和回归效果评价可以看出回归参数显著，模型显著，回归效果良好，序列具有明显线性趋势。Farecast of EquitiUHTITLEDS&r i «a ZC N&thodS tati c Eorca.S'lCue iyTLJdJTiisCE in a ran o + t fn、R 甥i'E'il (i 第m j-Output17 Fcrtcast sraphQ Fc.rca.51 e valuitM Insert 如tualf for out_of_&#

31、163;ample obi图5:运用模型进行预测flew Zf rrW 1 川除Wt MionEhw 4ir.l+JP*M餐HW &W7班.醇州*河 P«nE Er Q 福木* Z4m*/ Gwie'.wa0 口力1幅品曲，pna«cwmSnam RmpMtMMio MftCE55C4<«njnc4 mg。WIBfir?FKh clOBnone ； WF MIK利童洎Jf塞出一 /图6:预测效果（偏差率、方差率等）图7:绘制原序列和预测序列的线图图8:原序列和预测序列的线图图9:残差序列的曲线图可以看出残差序列具有平稳时间序列的特征，我们可以

32、进一步检验剔除了长期趋势后的残差序列的平稳性，第三章知识这里不在叙述。2.曲线趋势拟合例2:对上海证券交易所1991.1-2001.10每月月末上正指数序列进行拟合M 44719803注国必9QGO6DN M 臣却抬71I9B 衣鳌. 立班/1914史心re.BD.leR 皿13曰印。中91K?.g0?.E 111111 1 1 ; NaJlJIliafc，1 «/ lI 11T 23we7b9o1n345&7bqm.造丫点吗侬的题仰t期附酷叱川1处盘画侧英工；'BiQiCTI0c卬QMKX10*咨rexdfctoouomtfndow序如iffKoMT|ZSF图1:导

33、入数据图2:绘制曲线图可以看出序列不是线性上升，而是曲线上升，尝试用二次模型拟合序列的发展。IViPw.IfqiKilionUNHIIlOWorKtfj1hlrrliMBitBiPdKQbiact到中BrocQuickOqotk迎ndo冉H*-xV四|Pmc|Qb>sdPrintMatrig|Ffae=|£立11?3值忤52£正式St0sR±slds|DependentVariafaIe:ZSMelhodLesiSquaresDale03/31/OBTume:1301Sarnple1130Includedotiservsiioris.130SrimblgCo

34、efficientStdErrort-SltisticProbCJ5753538792AA757359J20.Q00OT1.0116962393750076592S0.46DSt*tD00223600177014B457930.0000RwqunFudD.767305M白3ndependantyqi1044837Ad|usiedR-squared764037S.Ddepandenivar546.9797S.E.ofregression2G4.1013Akaikeinfocntemon13.93G9GSumsquaredrQ&id9206379.SchwarzcriterionU.003

35、03Loglikelihood-902.850F-statistic235.1625Duribin-Watsonatat.329623ProbfF-staiislic)0.00000正台不7n断1回产p3i*"I/图3:模型参数估计和回归效果评价因为该模型中T的系数不显著，我们去掉该项再进行回归分析图4:新模型参数估计和回归效果评价F qpicmWzz Z9FE5IF o>rai'jfl iMmpIv 1 1 30in cl ud«d。6*2，中。吒，二 1 30Ha 也 t Mt AH SqUJFtd EF 电，/ Abl ut* G rr<brM t

36、in Abi. Pfcf«nt Err«rThftH InequJhlv Co4nicil«nt 日i 上 Pf和白口巾力flVarinnc«! Pr&p&rtlo-n CQ¥*t-qM PlTT|?&Fti ft2« 1 8073 SO I 0»53 ?Q .29924 0.10003 0.000000 o.o«oms 口由 TQOQfqnthigl DB.MM. :WF-ff寸录 L'_ /图5:新模型的预测效果分析I励磔侬冲皿也用籁1酊W】i现国Lr曰ra工咄 砂讨足 EriM

37、 SMh Osttons 斑Eq氏 Uato1 口K怔内I Proc8胃口| Print河amcF，g£宙| cjefault -丁 h 5orklTmrwpo$>|Cd<+/-| 5mpl+/ | Install T*i口h 争ZS1ZSF5B7石 91011121314话13D 4450,34E9)33 47502 6326120 t9503JUG6T13 94503 7752504 6321 苏 67S5 SOG 9173 503 3465 509.9C-42 E! 1 .7733 513/7720§16.343-1520 9139 553 67553 心

38、 U 3 二dJJj5 4 E 4ma0 4,9Q日 72 日2473,B0,B92,3.H 113478”原冷31S珀1111222339ie 19 mn LJ445.3826 G2G91234 71529.7&901191 19S33 1CI15incq ht匚I画, noneV"E13图6:原序列和预测序列值图7:原序列和预测序列值曲线图图8:计算预测误差明已向Pr亡 |0b 坦用建Mane|MA.ugm&med Dick«y-hJlIer Unit Root T««t on E1 Rd" Q 冰以 View Pr(xOp

39、tions 她 nd»g Help金画 弓上附耳最nr鼻或如IdenE Line BarZAugmented Dickey-FullerTest EquationDsperiident Variable: 0(E)Method. Le口虱 SquaresDate: 03/31/08 Tirne; 13:06Sample (adjusted): 2 130Included obseivatione: 129 after adjustmenisJ| Path = c:DB =neneM=附录1漳IjMullHypothesis:EhasaunitrootExogenous:Corrsta

40、ntLagLength:0(AutonnaticbasedonAIC,lv1AXLA3=12)t-StalisticPrcb.*AugmentedDfckeY-Fullerteststatistica卸3950.0146Testcriticaivalues:1%level-3.4816235%level-2.80393010%level2.576768MacKinnon(199B)one«sidadp-values.图9:对预测误差序列进行单位根检验拒绝原假设，认为序列没有单位根，为平稳序列，说明模型对长期趋势拟合的效果还不错。同样，序列与时间之间的关系还有很多中，比如指数曲线、生命

41、曲线、龚柏茨曲线等等，其回归模型的建立、参数估计等方法与回归分析同，这里不再详细叙述。（二）平滑法除了趋势拟合外，平滑法也是消除短期随机波动反应长期趋势的方法，而其平滑法可以追踪数据的新变化。平滑法主要有移动平均方法和指数平滑法两种，这里主要介绍指数平滑方法。例3:对北京市1950-1998年城乡居民定期储蓄所占比例序列进行平滑步r。里 初由史史咄在侬叫苏之 整用冉j 匚'v'l-A'p”(w >i 'r I.1 -1 r-J RUI- P I 1-.-.-.J Ed* /-1 5mpl M-/- | IrilOfi I T#|obs_YEARc的F>

42、;?r*c 5«lrt.obsYEAF?cSH&* r , 1IF口155D!Hacdn*1961fErF*¥ .pup <E M19521=2T q皂厂1tjUtaoram flrwj 5tot519531953，t3roK： Statlsrk-s*E5tlmflCe Equation.aorrTyrEn UM院口由TM19S415E4f19551965i. 0Mtui195&19561rHcwdr»ck-JpF«cotp E 或仃，一1967i960195719587.2JJ69.1岳915971 4i960i96073 G19

43、G1196175g1962196264 4196319B384 11964196463 3155196583 1196&1羡巳61 61和7QT A|P4th* c. 申而-none脚下不上弓 .OctMu-m Wmdcw tfrlpEr«图1:打开序列，进行指数平滑分析靛f.Vicv金但tRSOL密T也值睢考,.%了邱，。1R娈，由'CMKj*eBfkMiifctiQnttwvM?-MxVh|wJDrgq|j田中内小1>|FriEJManx尸r*g不.Snipl14.nr19MMMi|LF。|Date:03Z31AJ8Time:13:Sample1950199

44、3Includedobrtfrvlion.4UMethodSingleExponeniiarOriginalS«ri«t:C血LFaraEaatS电ri。零：匚乂日LSMParaml»rsAlpha05300SumcfSquaredRs&iduals7674290F?actMeanSquaredError3957501EndofP&tiodLevelsMpanS300600FMh,ct|pp,nonaF|wf:附豪lb图2:系统自动给定平滑系数趋势给定方法为选择使残差平方和最小的平滑系数，该例中平滑系数去0.53,超过0.5用一次平滑效果不太好图3

45、:平滑前后序列曲线图Prae tph展je Ptap*叱l*s | Prnt FJa* FFysa 5*213旧助8*七St.Ef ldgn" L*H gq a3Z31/C8 Time： 13 17Sample. 1950 1990IncludQd ob与0rv.ibn写：49hod Dcuble ExponentialOriginal Series: CXBLForecast Saries. CX8LSM口 134口610 76624.06770865 94246U110544Param&tersAlplidSumofSquaredRseicluslsRootMeanSqu

46、aredErrorEndofPeriodLevsIsMeanTrend口iDe-rTTw；付聚i方图4:用二次平滑修匀原序列可以看出，平滑系数为0.134,平均差为4.067708,修匀或者趋势预测效果不错。图5:二次平滑效果图平滑例4:对于有明显线性趋势的序列，我们可以采用Holt两参数法进行指数对北京市1978-2000年报纸发行量序列进行Holt两参数指数平滑图1:报纸发行量的曲线图图2:Holt两参数指数平滑（指定平滑系数）图3:预测效果检验图4:系统自动给定平滑系数时平滑效果图5:原序列与预测序列曲线图（其中FXSM为自己给定系数时的平滑值，FXSM2为系统给定系数时的平滑值）二、季

47、节效应分析许多序列有季节效应，比如：气温、商品零售额、某景点旅游人数等都会呈现明显的季节变动规律。例5:以北京市1995-2000年月平均气温序列为例，介绍季节效应分析操作图1:建立月度数据新工作表日曰 3t bgect M总用 Pfgc Quick Qgons 曲ndtw yelp向必Ui'UU!V/F = untithdOB = nonePath = c：图2:新工作表中添加数据襦；i鹏学愕舞电唯期四球以惚岫悠迎jjS浊也蹲幽号犀Edit3底让View匕exQU#Octions孙M同hjelp_o1sEa|Wte冉|Prm1Ob|eM|四口petHes|PnmMante|自的日二电

48、|加后成二SortEdft+U5mpi+，-jL让目十，-11Lastupdated:03/31/08-16:291995M01700000|：.1996M022.100030I1996Mo370面DO199SM0414,700001996M0519.8X001995M0624,300001995M0725,900301995M0825,400001996M0919.0X001995M1014,500001995M117.70TOO1995M12-o4oxao1996M01-2.200000199GM02-o.4ocr)aoW96M03JA>JM.Jik.-.J-ii-.-mL.DI11>uPth=c：&B=noneV/F=untitled图3:五年的月度气温数据即。口业 讨3忙d '虫士0 gro< 京川& Ofjt»ns WnckM 廿而lTlTl>umitred jMMIHiB-0 7至C|ob庐utpTopertlca|FTrrtMani!efFF。占工书|gfault二1；§ortEdfc+/T5nBpH，-Lbel寸j-1995M02210X00I1995M0377Q0QW