应用时间序列分析 第4章

合。用最小二乘估计方法，运行结果如图4-2所示： 图4-2 AUTOREG过程输出线性拟合结果 ??1016?20.9318t(t?1,2,所以该线性趋势模型为：Tt线性趋势拟合后的效果图如图4-3所示： ,96) 图4-3 线性趋势拟合图 5、残差检验： 用原始数据除以季节指数，再减去长期趋势拟合值之后的残差项xt??Tt?It就可视为随机波动的?St影响。残差图如图5-1所示： 图5-1 残差图 5

对残差序列进行白噪声检验，结果如图5-2所示： 图5-2 残差序列纯随机性检验结果 残差序列的纯随机检验结果中，P（<0.0001）

之后，再运行estimate命令，p=1，得到参数估计结果如图6-2： 图6-2 ESTIMATE命令输出的未知参数估计结果 由图6-2知，均值MU项不显著，所以除去常数项，再进行模型估计，结果如图6-3： 图6-3 ESTIMATE命令消除常数项之后的输出结果 所以拟合模型形式如图6-4所示： 图6-4 拟合模型形式 7、残差短期预测： 对残差序列进行短期预测，预测结果如图7-1所示： 图7-1 残差序列短期预测结果 8、序列短期预测： 利用拟合模型可以对序列进行短期预测，第t期的预测值为：xt(l)?St?l?Tt?l，根据残差的短期预测结果，可以得到修正后的预测值：xt(l)?St?l?Tt?l?z(l)。利用预测模型和历史数据，得到2001年各月份中国社会消费品零售总额的趋势值及预测值如表8-1所示： 7

表8-1 2001年各月份趋势值及预测值结果 将1993-2000年中国社会消费品零售总额观察值和预测值序列联合作图，如图8-2所示： 图8-2 拟合效果图 图8-2中，星号表示观察值数据，曲线表示预测时序图，根据拟合图的直观显示，可以看出我们所??1016?20.9318t(t?1,2,拟合的确定性时序分析模型xt?St?(Tt?It)，Tt,96)对该序列总体变化规律的把握还是比较准确的，加上对残差也进行了预测，修正了预测值，使得预测值更加显著有效。 P126例题4.7续（X-11过程进行季节调整）： 【程序】 data example4_7xu; input x@@; t=intnx('month','1jan1993'd,_n_-1); 8