《时间序列分析》(双语)课程教学大纲 （2001年制订，2004年修订）课程编号：060063 英 文 名： Time Series Analysis 课程类别： 统计学专业选修课前 置 课： 线性代数、概率论与数理统计、计算机基础后 置 课： 学 分： 2学分 课 时： 36课时（其中实验课12课时） 主讲教师： 王芳选定教材：易丹辉 ，数据分析与Eviews应用，北京：中国统计出版社，2002 自编英文讲义课程概述： 时间序列分析是一门实用性极强的课程，是进行科学研究的一项重要工具近年来，时序分析已普遍应用于工农业生产、科学技术和社会经济生活的许多领域本课程着重介绍平稳时间序列数据的分析、建模及预测，如AR，MA和ARMA三个模型，并且针对非平稳时间序列，介绍其平稳化的一些方法及建模方法，如ARIMA模型等教学目的：本课程的教学，目的在于让学生能从数量上揭示某一现象的发展变化规律或从动态的角度刻划某一现象与其他现象之间的内在数量关系及其变化规律性，达到认识客观世界之目的具体来说是使得学生能分析时间序列的统计规律性，构造拟合它的最佳数学模型，浓缩时间序列的信息，简化对时间序列的表示，给出预报结果的精度分析；使学生掌握时间序列的基本概念以及时序的分类，学会对具体时序的分析步骤与建模方法，进而掌握如何判断已建立模型与原来数据的适应性及对未来值的预报。
教学方法： 采取理论讲授、课堂讨论、上机实习及课下收集相关资料的方式理论课采用多媒体教学,有效的利用课堂时间，要求学生上机完成作业由于本课程重在要求学生能利用所学的方法来分析实际经济问题，所以鼓励学生收集与本课程有关的期刊论文，从中学习如何利用数据结果来分析问题本课程课堂讲授34学时每章应布置2－4道思考题，并根据具体内容适当布置一些计算题和分析题考试方式为闭卷考试总评成绩：平时作业30%，考试成绩占70%各章教学要求及教学要点Chapter 1 Introduction课时分配：4学时教学要求： 本章对时间序列、时间序列的种类、时间序列分析、计算机软件等内容作了介绍，要求掌握的是有关时间序列的各个概念，熟悉时间序列的种类，为避免复杂的计算，应熟悉计量经济软件Eviews的基本操作本章安排2学时上机，以便熟悉Eviews软件的使用初步教学内容： 第一节 关于时间序列的有关介绍( Introduction of time series)一、 时间序列的概念( conception of time series)：将某一指标在不同时间上的不同数值，按照时间先后顺序排列而成的数列。
二、 时间序列的种类( classification of time series)：（一） 按所研究对象分，有一元时间序列( univariate time series )和多元时间序列( multivariate time series );（二） 按序列的统计特性分，有平稳时间序列( Stationary series )和非平稳时间序列( nonstationary series );三、 时间序列分析的概念：时间序列的波动主要由长期趋势、季节变动、循环波动和不规则变动共同作用而形成时间序列分析法是一种根据动态数据揭示系统动态结构和规律的统计方法，其基本思想是根据系统的观察数据，建立能够比较精确地反映时间序列中所包含的动态依存关系的数学模型，并借以对系统的未来行为进行预测四、 与时间序列有关的术语及其概念（一） 时间不变性( time invariant )（二） 线性动态关系( linear dynamic relationship )（三） 非线性动态关系(nonlinear dynamic relationship)（四） 同方差( homogeneity in variance)（五） 异方差( heterogeneity in variance )（六） 序列间的无序关系( unidirectional relation between series )（七） 序列间的滞后关系(feedback relation between series)（八） 不差分变换( level shift )第二节 关于Eviews软件的介绍 Eviews中实现操作命令可以有两种方式，一种是输入命令方法，另一种是利用菜单方法。
一、 工作文件及建立：File/New?workfile，在内存中开辟工作区用以存贮数据二、 序列对象的基本操作（一） 序列的创建与打开：object/new object（二） 序列数据的录入、调用与编辑（三） 序列的复制与排序三、 数据分析的常用操作（一） 表达式，通常由数据、序列名称、函数、数学和关系运算构成（二） 样本 sample（三） 新序列的建立（四） 群 group（五） 图像四、 序列的描述统计分析（一） 单个序列的分析：柱图和统计量、分组统计量（二） 群对象的简单统计分析：描述统计、齐性检验与多因素列联表、相关分析与协方差分析五、 线性回归分析与非线性模型（一） 线性回归模型的建立（二） 非线性模型的建立思考题： 1．时间序列的种类大致有哪些？2．什么是时间序列分析，其基本思想是什么？3．熟练掌握Eviews的基本操作Chapter 2 Characters of time series课时分配：4学时教学要求： 本章主要介绍时间序列常用的研究工具—自相关与偏自相关系数，以及随机时间序列的统计特性要求掌握自相关系数与偏自相关系数的计算，并熟练运用此两工具来识别随机时间序列的统计特性；要求熟悉平稳性的检验方法，了解平稳化的方法，熟练掌握Eviews的相关应用。
本章安排2学时上机教学内容： 第一节 时间序列特性的研究工具在建立时间序列模型之前，必须先对时间序列进行必要的预处理，以便剔除那些不符合统计规律的异常样本，并对这些样本数据的基本统计特性进行检验，以确保建立时间序列模型的可靠性和置信度，并满足一定的精度要求自相关：构成时间序列的每个序列值之间的简单相关系数称为自相关自相关程度由自相关系数rk来度量，表示时间序列中相隔k期的观测值之间的相关程度其取值范围是[-1,1] 偏自相关：是指对于时间序列yt,在给定yt-1,yt-2,…,yt-k 的条件下，yt与yt-k之间的条件相关关系 在实际应用中，应该综合考察序列的自相关与偏自相关将时间序列的自相关与偏自相关系数编制成图，并标出一定的随机区间，称为自相关图或偏自相关图它是对时间序列进行自相关分析或偏自相关分析的主要工具第二节 随机时间序列的统计特性分析一、 随机性检验时序的随机性：如果一个时间序列是纯随机序列，意味着序列没有任何规律性，序列诸项之间不存在相关，即序列为白噪声序列，其自相关系数应该与0没有显著差异判断一个时间序列是否是纯随机序列最直观的方法是利用Eviews提供的自相关分析图。
自相关分析图中给出了显著性水平为0.05时的置信带，自相关系数落入置信区间内表示与0无显著差异如果几乎所有自相关系数都落入随机区间，可认为序列是纯随机的二、 平稳性检验时序的平稳性：若时间序列yt满足：(1)对任意时间t，其均值恒为常数；(2)对任意时间t和s，其自相关系数只与时间间隔t-s有关，而与t和s的起始点无关那么这个时间序列就称为平稳时间序列直观地讲，平稳时间序列的各观测值围绕其均值上下波动，且该均值与时间t无关，振幅变化不剧烈平稳性的检验方法有很多，通过统计检验的方法，可靠性有所提高一） 自相关函数及Q统计量：序列的平稳性可以用自相关分析图判断：如果序列的自相关系数很快地(滞后阶数k大于2或3时)趋于0，即落入随机区间，时序是平稳的，反之非平稳在相关图和偏相关图给出的同时也给出了Q统计量值及相伴概率（二） 游程检验：只涉及一组实测数据，而不需要假设数据的分布规律它是一种非参数检验方法三） 单位根检验（四） 格林函数三、 季节性检验时序的季节性：是指在某一固定的时间间隔上，序列重复出现某种特性判断时间序列季节性的标准为：月度数据，考察k=12,24,36...时的自相关系数是否与0有显著差异；季度数据，考察k=4,8,12,…时的自相关系数是否与0有显著差异。
若自相关系数与0无显著不同，说明各年中同一月(季)不相关，序列不存在季节性，反之存在季节性实际问题中常会遇到季节性和趋势性同时存在的情况，这时必须事先剔除序列趋势性再识别序列的季节性，否则季节性会被强趋势性所掩盖，以至判断错误第三节 平稳化方法当我们采用平稳性检验出来时间序列不具有平稳性时，我们需要对非平稳序列进行平稳化处理，常见的处理方法有三种：一、 差分所谓差分就是序列与前一期值的差，差分方法适用于具有长期趋势的时间序列的平稳化二、 季节差分三、 对数变换与差分运算的结合运用如果序列含有指数趋势，则可对通过取对数趋势转化为线性趋势，然后再进行差分以消除线性趋势思考题： 1．时间序列分析的两个基本工具的运用：自相关函数和偏自相关函数2．时间序列的统计特性及识别方法3．平稳性的几种检验方法4．非平稳序列平稳化的方法Chapter 3 Stationary Time Series Model课时分配：8学时教学要求： 本章对现代的时间序列进行分析，主要介绍ARMA模型的基本类型、ARMA各类模型的特征、单位根检验等内容要求掌握特征方程、格林函数、AR族模型的偏自相关函数的特性、MA模型的自相关函数的特性以及单位根检验的具体方法及上机操作，熟悉AR模型、MA模型的概念，了解ARMA模型、ARIMA模型。
本章安排2学时上机教学内容： ARMA模型有三种基本类型：自回归模型(Auto-regressive)模型、移动平均(Moving Average )模型以及自回归移动平均(Auto-regressive Moving Average)模型第一节 自回归模型 时间序列是它的前期值和随机项的线性函数，则称该时间序列是自回归序列一、 一阶自回归(first order autoregressive model)（一） 概念：序列X在后一期(t)的行为主要与其前一期(t-1)的行为有关，而与前一期以前的行为无关二） AR(1)模型的特例----随机游动时间序列系统具有很大的惯性，从t-1时刻移至t时，如果没有一个随机项，则它的值将保持不变，这样的模型称为随机游走模型，它是非平稳时间序列三） 自相关系数二、 AR(2)模型三、 一般的自回归模型特征方程：为了使概念简单，比较方便的是依据滞后算子来记Xt的滞后项，特征方程由此而来 一阶自回归模型的特征方程与格林函数第二节 移动平均模型(Moving Average model)一、 一阶移动平均模型系统的响应仅与前一时刻进入系统的扰动存在一定的相关关系。
其自相关函数是截尾的二、 二阶移动平均模型其自相关函数也是截尾的三、 MA(q)模型其自相关系数在k=q处截尾，但偏相关系数的精确表示比较复杂，因它是无限拖尾的，它可能是指数衰减，也可能是衰减振荡第三节 自回归-滑动平均混合模型 某个时间序列系统在时刻t的响应xt不仅与其以前时刻的自身值有关，而且还与其以前时刻进入系统的扰动项存在一定的依存关系，那么该系统即为自回归。