季節(jié)效應(yīng)分析(時(shí)間序列論文)

1、季節(jié)效應(yīng)分析一、數(shù)據(jù)來源：P.122例4.6,北京市1992000年月平均氣溫序列（附錄1.10）。二、研究目的：在日常生活中，我們可以見到許多有季節(jié)效應(yīng)的時(shí)間序列，比如：四季的氣溫，每個(gè)月的商品零售額，某自然景點(diǎn)每季度的旅游人數(shù)等等。他們都會(huì)呈現(xiàn)出明顯的季節(jié)變動(dòng)規(guī)律。所謂季節(jié)效應(yīng)就是在不同的季節(jié)中數(shù)據(jù)會(huì)呈現(xiàn)很明顯的差異。在對(duì)北京市19952000年月平均氣溫序列的分析中，把每月溫度繪制成圖，可以幫助我們更清楚地看到季節(jié)效應(yīng)的存在。三、理論背景：假如沒有季節(jié)效應(yīng)的影響，北京市的氣溫應(yīng)該始終在某個(gè)均值附近隨機(jī)波動(dòng)，季節(jié)效應(yīng)的存在，使得氣溫會(huì)在不同年份的相同月份呈現(xiàn)出相似的性質(zhì)，通過建模我們可以提

2、取季節(jié)變動(dòng)和隨機(jī)變動(dòng)的信息，這個(gè)過程即是對(duì)有季節(jié)效應(yīng)的建模過程。四、數(shù)據(jù)統(tǒng)計(jì)分析：步驟一，初步了解數(shù)據(jù)信息，并作預(yù)處理：1，將原始數(shù)據(jù)（附錄1.10）導(dǎo)入Eviews6.0中，并刪除序列SERIES01,將序列SERIES02重命名為X。2,點(diǎn)擊QuickGraph，在出現(xiàn)的對(duì)話框中輸入X,點(diǎn)擊確定，得到時(shí)序圖，如下：節(jié)的變動(dòng)有著非常規(guī)律的變化。氣溫的波動(dòng)主要受到兩個(gè)因素的影響：一個(gè)是季節(jié)效應(yīng)，一個(gè)是隨機(jī)波動(dòng)。同時(shí)可以看出氣溫在剔除季節(jié)效應(yīng)后是一個(gè)穩(wěn)定的序列,因此不用對(duì)隨機(jī)波動(dòng)做差分處理。3，了解該模型的平均值，進(jìn)行零均值化處理。在Eviews中,quickseriesstatisticshi

3、stogramandstats得至U該直方圖如下：知該模型的均值為13.03333。對(duì)模型進(jìn)行零均值化處理。在命令窗口中寫genry=x-13.03333。生成x零均值化處理后的序列y。步驟二，對(duì)零均值處理后的序列Y進(jìn)行季節(jié)差分處理：1，在命令窗口中輸入genrz=y-y(-12)按Enter鍵。2，打開Z序列，點(diǎn)擊ViewCorrelogram，出現(xiàn)對(duì)話框，在Correlogramof下選level在lagstoinclude下輸入36，點(diǎn)擊OK,得到Z序列的自相關(guān)和偏自相關(guān)圖，如下：ViewIProcIObjectIProperties!PrintINameIFreezeISampleIG

4、enrISheetIGraphIStatsIIdentI|n|x|Series：ZWorkfile：附錄1.10：:UntitlCanElounafZAutocorrelationPartialCorrelationACPACQ-StatProbiZliiZJiiiiiZJiJi自相關(guān)Ii圖和偏I(xiàn)i.84i62+.62i0,1)x(0,1,2).52.2S-H.04i-.23+.開i-,62-.62i模型|n|x|ViewIProcIObjectIPrint!NameIFreezeIEstimateIForecastIStstsIResidsIDependentVariable:ZMethod

5、:LeastSquaresate:061311Time:21:50Sample(adjusted:1472Includedobservations:59afteradjustmentsConvergenceachievedafter21iterationsMABackcast:-1113R-squaredAdjustedR-squaredS.E.ofregressionSumsquaredresidLoglikelihood亥模型的系數(shù),07479300.7341310.94532649.15028-78.32905一個(gè)為0.0980,MeandependentvarS.D.dependent

6、varAkaikeinfocriterionSchwarzcriterionHannan-Quinncriter.-0.0762711.0335322.7908152.9316652.045793個(gè)為0.0065，另外兩個(gè)、為VariableCoefficientStd.Errort-StatisticProb.AR(1)-0.4595940.273034-1.6832350.0900MA1)0.6620560.2337742.S320310.0065SMA(12)-1.63S1400.033S67-4-3.369130.0000SMA(24)0.7629960.02056226.713620

7、.0000InvertedARRoots-.46InvertedMARoots,99-.03i.gg+.mi,87-.47i,87+.47i.S4-.52i.84+.52-.S4i.52+.34i,47-.87i,47+.S7i,03+.99i,03-.99i-,03-.99i-.03+.99i-,47+.87i-,47-.S7i-,52+.84i-,52-.S4i-.66-,S4-.52i-84+53-.87+.47i-,37-.47i-,99-.03i0,通過檢驗(yàn)，保留此模型。步驟四：比較選擇最優(yōu)模型，并寫出表達(dá)式：1,比較保留的兩個(gè)模型的AIC,BIC,殘差平方和和極大似然估計(jì):比較指標(biāo)

8、AICBIC殘差平方和極大似然估計(jì)SARIMA(0,0,1)x(0,1,1)123.2740773.34388986.82357-96.22232SARIMA(1，0，1)x(0，1，2)122.7908152.93166549.15028-78.32905比較AIC，BIC和殘差平方和時(shí)選最小指標(biāo)值，比較似然估計(jì)值時(shí)選最大指標(biāo)值，從比較結(jié)果來看，選擇建立SARIMA（1，0，1）x（0，1，2）12模型。2，用殘差序列看該模型是否隨機(jī)，隨機(jī)序列圖為:從殘差序列圖上并不能直接判斷出該過程是否平穩(wěn)和隨機(jī)。再用自相關(guān)圖和偏自相關(guān)圖對(duì)殘差分析，自相關(guān)圖和偏自相3-|n|x|(1-B12)x=(1+0

9、.66B)(1-1.64B12+0.76B24)。tt關(guān)圖如下:Vi亡區(qū)|Prod0歷已|PrintINameIFreezeIE呂tim日te|For亡ca呂t|StatsIResidslCorrelagramofResidualsSquaredAutocorrelationPartialCorrelationACPAGQ-StatProbZliIi|從自相關(guān)與偏自型建立的可行。相關(guān)圖i匚iL3,在EvieWs中可直II接查看(jb12)X=(1+0.6IrI五、結(jié)論:123456S9101112131415161710190.051-0.027-0.020-0.013-0.119-0.056

10、-0.030-0.0310.007-0.076-0.073-0.1140.004-0.220-o.m0.2150.0390.0660.0620.051-0.029-0.018-0.012-0.119-0.046-0.033-0.0370.003-0.097-0.0S2-0.130-0.012-0.255-0.1560.171-0.0610.035-0.0030.16070.20570.23260.24311.19041.40281.46531.53291_53fi21.96122.3575335033.35177L23360.235212.15412.23512.66613.0060.27504960.6900.S210.9090.9230.9370.9100.9490.7030.6030.4330.5040.5530.602上可看-0.055-0.0600.05S0.061-0.093-0.0910.0050.00514.97915.43615.77616.1670.6630.6950.7300.76022232425表達(dá)式I，表轡珂1:(1+0.459594B)-0.021-0.05817.3570.7910.