经济时间序列的X-11季节调整方法(Ⅲ)

§3季节调整效果的检验与评价 季节调整的效果与参加调整的序列本身有很大关系.有些序列的调整效果不论用什么方法都好,这是由于数据本身具有稳定的季节性、日历性和明显而又容易把握的趋势性.有些序列的调整效果则不一定好.因此在实际使用调整数据时,必须对其调整的效果有较清楚的认识.当然,季节调整效果与所用方法也有很大关系,本文对此不作讨论。 本节专门介绍在X-11程序基础上建立的检验和评价X-11程序季节调整效果的方法及有关统计量,内容主要涉及X-11程序的F部分,所提供的评价标准是经验的总结,读者可根据应用中的实际情况适当进行…     

经济时间序列的X-11季节调整方法(Ⅱ)

§1.2营业日(日历)调整 在月份的经济序列中,序列值的变化常常在一定程度上与特定月份中的工作日与非工作日的变化有关.这种现象最早出现在商业,称之为营业日变化,为了更一般地使用这一概念,我们称之为日历性变化. 日历性变化反映了数据在不同月份中的变化,但它与季节性变化的区别在于,后者与月份中工作日的天数变化无关.为了使季节调整更加精确,有必要对序列进行日历性分析和日历调整。分离出的序列中的日历因子用D表示. 假定序列包含有日历因子D,即O= CSID或O=C+S+I+D.为了计算日历因子,必需首先估计出C和S,然后用线性回归方法从ID…     

带季节线性趋势的季节时间序列的单位根检验

本文为检验带季节线性趋势的季节时间序列的单位根，提出了调整季节线性趋势的统计量，导出这些统计量的极限分布，并用Monte Carlo方法比较研究这些统计量的检验势．     

季节性波动时间序列预测的分解季节指数法

本文在分析研究已有季节性波动时间序列的预测方法基础上 ,提出了一种简单、易懂的实用预测方法 ,并通过实例验证了该方法是可行的。     

基于时间序列方法的全国铁路旅客周转量的分析与预测

应用两种时间序列分析的方法对全国铁路旅客周转量的月度数据进行分析.运用X-11方法和季节ARIMA模型进行分析并分别对未来5个月的周转量做了预测,结果表明季节ARIMA模型优于X-11方法.通过对全国铁路旅客周转量的定量分析,为铁路部门在计算运输成本,劳动生产率,旅客平均行程等方面提供有效的依据.     

季节调整的Bayes方法及在我国经济中的应用

本文介绍季节调整Ｂａｙｅｓ方法及ＢＡＹＳＥＡ程序的原理，并给出利用ＢＡＹＳＥＡ程序对国内一些经济序列进行季节调整的实例．     

增长型经济变量的趋势时间序列预测模型

针对增长型外汇储备时间序列变化复杂性的特点,可以建立确定性趋势的时间序列模型及包含单位根的随机趋势模型.实际计算显示,确定性趋势的时间序列模型具有较高的预测精度.     

结构经济序列分析的状态空间方法

本文讨论结构经济时间序列用状态空间模型进行分解处理的方法．在§１中综述结构时间序列的状态空间描述．§２中着重论述了将处理不完全数据的ＥＭ－算法应用于状态空间模型参数的极大似然估计．在§３中给出采用本文所述方法对一些我国宏观经济序列的计算实例．     

经济时间序列的连续参数小波网络预测模型

本文利用连续小波变换方法,给出一种连续参数小波网络。网络参数的学习采用一种类似神经网络的后向传播学习算法的随机梯度算法。另外,提出了一种借助小波分析理论指导网络参数赋初值的方法。进一步,通过对中国进出口贸易额时间序列预测建模的研究和仿真预测,提出了用连续参数小波网络建立经济时间序列预测模型的一般步骤和方法。预测结果表明,此模型具有较好的泛化、学习能力,可以有效地在数值上逼近时间序列难以定量描述的相互关系,所以利用连续参数小波网络建立的时间序列预测模型有较高的预测精度。     

Time series analysis

Current univariate and multivariate time series modelling procedures are reviewed. Areas of disagreement are discussed, such as the choice of a forecasting method, whether to use time series analysis or econometrics for economic data, the merits of prior seasonal adjustment, and the advisability of prewhitening in multivariate modelling. Some recent developments in model identification, estimation and model criticism are described. It is argued that too little attention has been paid to allowing for departures from the model; this leads to a discussion of exploratory and robust techniques. Finally, it is pointed out that little has been done on modelling positive and discrete-valued time series of importance in OR such as lifetimes and counts; some recent proposals are described.     

The Application of Kernel Smoothing to Time Series Data

There are already a lot of models to fit a set of stationary time series, such as AR, MA, and ARMA models. For the non-stationary data, an ARIMA or seasonal ARIMA models can be used to fit the given data. Moreover, there are also many statistical softwares that can be used to build a stationary or non-stationary time series model for a given set of time series data, such as SAS, SPLUS, etc. However, some statistical softwares wouldn＇t work well for small samples with or without missing data, especially for small time series data with seasonal trend. A nonparametric smoothing technique to build a forecasting model for a given small seasonal time series data is carried out in this paper. And then, both the method provided in this paper and that in SAS package are applied to the modeling of international airline passengers data respectively, the comparisons between the two methods are done afterwards. The results of the comparison show us the method provided in this paper has superiority over SAS＇s method.     

厚尾金融时间序列的贝叶斯单位根检验

在金融时间序列分析中,单位根检验是一个相当重要的研究问题。对于数据生成过程为自回归的厚尾金融时序数据,古典的ADF单位根检验统计量应用非常困难。本文则在贝叶斯框架下,发展了检验带有未知自由度厚尾t分布的自回归金融时间序列单位根的贝叶斯方法。蒙特卡罗模拟结果显示本文发展的方法能够取得好的检验功效。最后,用万科地产月度历史收益数据来演示了本文发展的方法。     

产出时间序列的遍历性

主要研究产出时间序列的遍历性质,得出了市场经济条件下产出时间序列是马氏过程的结论,并讨论了它的遍历态;证明了市场经济发展的周期状形态.     

季节调整对单位根检验的影响——基于蒙特卡罗模拟的研究

季节调整是使用季节数据进行经济分析的前提.但是季节调整是否会对单位根检验的结论造成影响却是一个存在争议的问题.本文扩展了Ghysels和Perron的分析框架,通过蒙特卡罗模拟考察了X-12-ARIMA季节调整对ADF和DF-GLS单位根检验的影响.结果表明,对于季节时间序列,使用季节调整后数据,只要滞后阶数选取合适,单位根检验的功效就不会发生严重损失.     

周期异方差时间序列的季节单位根检验

为检验带异方差的季节时间序列中的单位根,提出基于最小二乘估计的统计量.在原假设下得到检验统计量的极限分布.用M on te C arlo方法计算同方差下的经验分位数并考虑异方差对检验水平的影响.实例分析表明了用该方法检验季节单位根的有效性.     

时间序列预测模型研究综述

介绍了时间序列预测模型的产生和发展,呈现了时间序列模型研究方向的理论、方法和应用,并就未来的发展势态进行了初步的探讨.     

小波变换在期货价格序贯相关分析中的应用

针对金融时间序列普遍具有非平稳、自相关等特点,通常建立ARIMA模型进行识别.但模型的构建中,常受到一些随机扰动的影响,使模型拟合的误差增大.文章试将小波分析良好的局部性与ARIMA模型的简捷实用相结合,采用基于小波分析的累积式自回归滑动平均方法(WARIMA)拟合模型中的序贯相关,实证分析得出,WARIMA模型显著降低了拟合误差.