時(shí)序分析論文

1、時(shí)序分析數(shù)學(xué)實(shí)驗(yàn)題目(點(diǎn)明問題和方法)班級 班級 學(xué)號 學(xué)號 姓名 姓名 郵箱 郵箱 電話 電話 教師評分 提交日期 2014年 月 日 時(shí) 分摘要進(jìn)出口總值當(dāng)期值分析是根據(jù)往年實(shí)際進(jìn)出我國國境的貨物總金額對未來進(jìn)出口總值當(dāng)期值發(fā)展方向的預(yù)測。這種預(yù)測行為只是基于假定的因素為既定的前提條件為基礎(chǔ)的。難于用于準(zhǔn)確預(yù)計(jì)，運(yùn)用了時(shí)間序列為主要思想對未來值進(jìn)行簡單的預(yù)測。 本文運(yùn)用應(yīng)用時(shí)間序列分析的知識，對2001年1月到2014年5月國家進(jìn)出口當(dāng)期值運(yùn)用sas統(tǒng)計(jì)軟件對數(shù)據(jù)進(jìn)行分析，分析時(shí)序圖，調(diào)用ARIMA，對原序列進(jìn)行差分運(yùn)算，再計(jì)算自相關(guān)系數(shù)和偏相關(guān)系數(shù)，確定模型再進(jìn)行模型預(yù)測。本文利用時(shí)間序

2、列分析軟件SAS進(jìn)行分析，其中數(shù)據(jù)來源于中國國家統(tǒng)計(jì)局官網(wǎng)。 關(guān)鍵詞：進(jìn)出口總值當(dāng)期值、時(shí)間序列分析、SAS、ARIMA模型。正文1.繪圖分析先繪制此數(shù)據(jù)時(shí)間序列的序列圖，以直觀的觀察原始數(shù)據(jù)的趨勢和特點(diǎn)。運(yùn)行程序，輸出的圖形如圖1。由圖中可以看出，此進(jìn)出口總值當(dāng)期值圖的時(shí)間序列圖具有趨勢性和周期性，因而不能判斷其平穩(wěn)，這也符合客觀事實(shí)。在用ARIMA模型擬合時(shí)需要對員是數(shù)據(jù)進(jìn)行差分處理。 圖12.模型識別調(diào)用ARIMA過程，對模型的階數(shù)進(jìn)行識別，對變量total進(jìn)行一階差分，程序見附錄。運(yùn)行程序，輸出的部分結(jié)果如下。圖2、3中所示為進(jìn)出口總值當(dāng)期值（total）的一階差分序列的基本統(tǒng)計(jì)量，自

3、相關(guān)函數(shù)序列、偏相關(guān)函數(shù)序列。從圖中可以看出自相關(guān)序列有明顯的拖尾趨勢，而偏相關(guān)函數(shù)序列是一階截尾的。 因此推斷建立AR(1)模型來擬合total的一階差分序列。 圖 4 所示是total的一階差分序列的白噪聲檢驗(yàn)結(jié)果，可以看出，滯后 6、12、18、24 期的顯著性檢驗(yàn)概率均小于0.0001。圖2圖3圖43.模型估計(jì)根據(jù)以上分析，確定了模型的階數(shù) p=1，并進(jìn)行了一階差分。運(yùn)行程序，輸出的部分結(jié)果如下。如圖5中所示，在0.01的顯著水平上，參數(shù)AR(1,1)顯著的不為0。另外，圖中還輸出了方差估計(jì)AIC信息準(zhǔn)則等等結(jié)果。Ps：（AIC信息準(zhǔn)則：赤池信息量準(zhǔn)則，即Akaike informat

4、ion criterion、簡稱AIC，是衡量統(tǒng)計(jì)模型擬合優(yōu)良性的一種標(biāo)準(zhǔn)，是由日本統(tǒng)計(jì)學(xué)家赤池弘次創(chuàng)立和發(fā)展的。赤池信息量準(zhǔn)則建立在熵的概念基礎(chǔ)上，可以權(quán)衡所估計(jì)模型的復(fù)雜度和此模型擬合數(shù)據(jù)的優(yōu)良性。）圖中所示是模型估計(jì)的最終參數(shù)，與前一圖中所示的有關(guān)結(jié)果是相同的。由此可以得到最終的AR(1)模型方程為：。其中：，是進(jìn)出口總值當(dāng)期值一階差分后，又消除了均值的序列，是白噪聲序列。4.模型預(yù)測下面使用ARIMA(1,1，0)模型來預(yù)測進(jìn)出口總值當(dāng)期值在未來五個(gè)月的數(shù)據(jù)。程序見附錄。 運(yùn)行程序，輸出結(jié)果如圖，其中給出了預(yù)測值、標(biāo)準(zhǔn)誤差、95%置信區(qū)間的上下限。圖5圖6圖7下面對模型的預(yù)測結(jié)果進(jìn)行繪

5、圖，程序見附錄。運(yùn)行程序，輸出的圖形如圖，可以看出原始數(shù)據(jù)（綠色的星號）全部落在了預(yù)報(bào)置信區(qū)域之內(nèi)（兩條虛線之間）。圖85.結(jié)果分析    進(jìn)出口總值會(huì)受很多因素的影響，如匯率，國民生產(chǎn)總值等因素的影響。對外貿(mào)易的發(fā)展對中國經(jīng)濟(jì)發(fā)展起到了不可低估的作用，在一定程度上反映了國家的經(jīng)濟(jì)整體情況。因此對進(jìn)出口總值當(dāng)期值的未來走勢分析進(jìn)行預(yù)測分析是有必要的。從實(shí)際數(shù)據(jù)可以看出用時(shí)間序列的ARIMA模型預(yù)測結(jié)果較好，進(jìn)出口總值當(dāng)期值隨著時(shí)間的推移其值也是不斷的增長。但是，越來越高的進(jìn)出口貿(mào)易的增長，直接的結(jié)果就是我國外貿(mào)依存度的迅速攀升，這在一定程度上造成國民經(jīng)濟(jì)

6、的過分對外依賴,國際經(jīng)濟(jì)形式的風(fēng)云變幻在一等程度上會(huì)嚴(yán)重影響我國的經(jīng)濟(jì)發(fā)展。國家也應(yīng)對此問題作出相應(yīng)的政策解決對外貿(mào)易的過分依賴。6. 參考文獻(xiàn)1.何書元，應(yīng)用時(shí)間序列分析，北京大學(xué)出版社；2.杜強(qiáng)，SAS統(tǒng)計(jì)分析標(biāo)準(zhǔn)教程，人民郵電出版社；3.中國國家統(tǒng)計(jì)局統(tǒng)計(jì)數(shù)據(jù)。附錄：程序及原始數(shù)據(jù)Proc gplot data=Have;Plot total*date; /*畫出進(jìn)出口總值當(dāng)期值對時(shí)間的序列圖*/Symbol i=join v=star c=black;Run;Proc arima data =Have;Identify var=total(1); /*對total變量進(jìn)行一階差分*/R

7、un;Proc arima data=Have;Identify var=total(1);Estimate p=1;Run;Data Have;Forecast lead=5 id=date out=results; /*預(yù)測未來五個(gè)月的進(jìn)出口總值當(dāng)期值*/Proc gplot data=results;Plot total*date=1 forecast*date=2 l95*date=3 u95*date=3/overlay;Symbol1 c=blue i=none v=star;Symbol2 c=red i=join v=none l=1 w=1;Symbol3 c=green i

8、=join v=none l=2 w=2;Run; 原始數(shù)據(jù)datetotalJan-0132471478Jun-05122241579Nov-09208213860Feb-0137424240Jul-05120622786Dec-09243017595Mar-0143911529Aug-05126206291Jan-10204782346Apr-0144651461Sep-05132808633Feb-10181433048May-0139622274Oct-05124168029Mar-10231459885Jun-0143332569Nov-05133904978Apr-10238160

9、128Jul-0143843192Dec-05139808390May-10243988412Aug-0145701658Jan-06120485642Jun-10254769304Sep-0145839966Feb-06105792012Jul-10262308256Oct-0141692335Mar-06144902969Aug-10258568382Nov-0144844778Apr-06143439532Sep-10273095589Dec-0146892684May-06133223612Oct-10244811120Jan-0240673708Jun-06148119519Nov-

10、10283761707Feb-0235055616Jul-06146050666Dec-10295217729Mar-0246301912Aug-06162735898Jan-11295007361Apr-0252475399Sep-06167971961Feb-11200800092May-0247077295Oct-06152424888Mar-11304259379Jun-0249106904Nov-06168780985Apr-11299947165Jul-0256197636Dec-06167190806May-11301267415Aug-0256642337Jan-0715735

11、8930Jun-11301688971Sep-0261704894Feb-07140434953Jul-11318772463Oct-0255143413Mar-07159976870Aug-11328872435Nov-0259943788Apr-07178054164Sep-11324832092Dec-0260622072May-07165655863Oct-11297948470Jan-0360791757Jun-07179626502Nov-11334400118Feb-0348235241Jul-07191131293Dec-11332914539Mar-0364640400Aug

12、-07197735485Jan-12272600339Apr-0370218283Sep-07200940255Feb-12260424706May-0365446377Oct-07188397323Mar-12325968900Jun-0366812034Nov-07208960363Apr-12308076236Jul-0374623274Dec-07206144967May-12343582201Aug-0372036403Jan-08199814476Jun-12328686836Sep-0383593034Feb-08166180930Jul-12328733311Oct-03761

13、18408Mar-08204519033Aug-12329286043Nov-0378655255Apr-08220873768Sep-12345029990Dec-0390397705May-08220782553Oct-12319095518Jan-0471448799Jun-08221359490Nov-12339128259Feb-0476187481Jul-08248072192Dec-12366840927Mar-0492235758Aug-08241051168Janpr-0496498300Sep-08243497362Feb

14、ay-0487632915Oct-08221414714Marun-0499149006Nov-08189884755Aprul-0499976214Dec-08183334407Mayug-0498310791Jan-09141797865Junep-04106613957Feb-09124948306Julct-0497957453Mar-09162019659Augov-04111955162Apr-09170734409Sepec-04116492514May-09164127242Octan-0595016344Jun-0918257075