数字信号处理实验报告-离散时间序列卷积和MATLAB实现

数字信号处理实验报告-离散时间序列卷积和MATLAB实现
数字信号处理实验报告-离散时间序列卷积和MATLAB实现

数字信号处理 实验报告

实验一:离散时间序列卷积和MATLAB 实现

一、实验目的

通过本实验学会用MATLAB 对信号与系统进行分析,实现离散序列卷积和的计算。 二、实验仪器:

(1)微机

(2)MATLAB 编程工具 三:实验内容

题一:已知序列

f1(k)=???≤≤其它0201k f2(k)=????

??

?===其它

33

2211k k k

调用conv()函数求上述两序列的卷积和

题二:编写计算两离散序列卷积和f(k)=f1(k)*f2(k)的实用函数dconv().要求该程序在计算出卷积和f(k)的同时,还绘出序列f1(k),f2(k)和f(k)的时域波形图。 function[f,k]=dconv(f1,f2,k1,k2)

%f1(k),f2(k)及f(k)的对应序号向量分别为k1,k2和k 。

题三:试用MATLAB 计算如下所示序列f1(k)与f2(k)的卷积和f(k),绘出它们的时域波形,并说明序列f1(k)与f2(k)的时域宽度与序列f(k)的时域宽度的关系。

f1(k)=??????

?==-=其它

110211k k k f2(k)=??

?≤≤-其它

221

k

提示:可用上述dconv()的函数来解决。

题四:已知某LTI 离散系统,其单位响应h(k)=e(k)-e(k-4),求该系统在激励为f(k)=e(k)-e(k-3)时的零状态响应,并绘出其时域波形图。

四、实验原理、方法和手段

1、离散时间序列f1(k)和f2(k)的卷积和定义:

f(k)=f1(k)*f2(k)=∑∞

-∞

=

-?

i

i

k

f

i

f)

(

2

)

(

1

2、在离散信号与系统分析中有两个与卷积和相关的重要结论:

a、f(k)= ∑∞

-∞

=

-?

i

i

k

i

f)

(

)

(δ=f(k)* δ(k)即离散序列可分解为一系

列幅度由f(k)决定的单位序列δ(k)及其平移序列之积。

b、对线性时不变系统,设其输入序列为f(k),单位响应为h(k),其零状

态响应为y(k),则有:y(k)= ∑∞

-∞

=

-?

i

i

k

h

i

f)

(

)

(

五、matlab程序实现卷积和计算:

1、题一(conv.m)

clc;

k1=3;

k2=3;

k=k1+k2-1;

f1=[1,1,1];

f2=[0,1,2,3];

f=conv(f1,f2);

nf=0:k;

stem(nf,f,'*r'); xlabel('n'); ylabel('f(n)'); grid on ;

2、题二 (dconv.m)

function[f,k]=dconv(f1,f2,k1,k2);

f=conv(f1,f2);

k(1)=k1(1)+k2(1);

k(length(f))=k1(length(f1))+k2(length(f2));

k=k(1):k(length(f));

subplot(1,3,1); stem(k1,f1,'*r'); xlabel('k1'); ylabel('f1(k1)'); grid on ;

subplot(1,3,2); stem(k2,f2,'*r'); xlabel('k2'); ylabel('f2(k2)'); grid on ;

subplot(1,3,3); stem(k,f,'*r'); xlabel('k'); ylabel('f(k)'); grid on ;

3、题三(san.m)

clc;

f1=[1,2,1];

f2=[1,1,1,1,1];

k1=-1:1;

k2=-2:2;

dconv(f1,f2,k1,k2);

4、题四 (si.m) clc;

f1=[1,1,1,1];

f2=[1,1,1];

k1=0:3;

k2=0:2;

dconv(f1,f2,k1,k2);

六、实验心得:

(1)通过这次实验,让我知道序列的卷积和可以用matlab编程实现,并且实现的方法比较简单,而且matlab本身有丰富的函数库,画图、求卷积和时只要调用相应的函数即可。

(2)这次实验的难点主要就在写dconv( )函数和各序列长度的计算,如果不注意其中的计算关系则很容易出错,而dconv( )只要写错,后面的题目的图形就不能准确的绘制出来。对于后面的 3、4两个小题只要把相应的序列写出来,写入用matlab表示的矩阵中,在调用dconv( )画出图形即可。

(3)由于matlab这门课的学习距现在隔的的时间较长,所以,在实验之前应该做好预习准备,熟悉matlab的基本操作,熟悉matlab相应函数的用法,这样,在实验中才能比较快速的完成实验的要求,就不会感到无从下手。

应用时间序列分析实验报告

单位根检验输出结果如下:序列x的单位根检验结果:

1967 58.8 53.4 1968 57.6 50.9 1969 59.8 47.2 1970 56.8 56.1 1971 68.5 52.4 1972 82.9 64.0 1973 116.9 103.6 1974 139.4 152.8 1975 143.0 147.4 1976 134.8 129.3 1977 139.7 132.8 1978 167.6 187.4 1979 211.7 242.9 1980 271.2 298.8 1981 367.6 367.7 1982 413.8 357.5 1983 438.3 421.8 1984 580.5 620.5 1985 808.9 1257.8 1986 1082.1 1498.3 1987 1470.0 1614.2 1988 1766.7 2055.1 1989 1956.0 2199.9 1990 2985.8 2574.3 1991 3827.1 3398.7 1992 4676.3 4443.3 1993 5284.8 5986.2 1994 10421.8 9960.1 1995 12451.8 11048.1 1996 12576.4 11557.4 1997 15160.7 11806.5 1998 15223.6 11626.1 1999 16159.8 13736.5 2000 20634.4 18638.8 2001 22024.4 20159.2 2002 26947.9 24430.3 2003 36287.9 34195.6 2004 49103.3 46435.8 2005 62648.1 54273.7 2006 77594.6 63376.9 2007 93455.6 73284.6 2008 100394.9 79526.5 run; proc gplot; plot x*t=1 y*t=2/overlay; symbol1c=black i=join v=none; symbol2c=red i=join v=none w=2l=2; run; proc arima data=example6_4; identify var=x stationarity=(adf=1); identify var=y stationarity=(adf=1); run; proc arima; identify var=y crrosscorr=x; estimate methed=ml input=x plot; forecast lead=0id=t out=out; proc aima data=out; identify varresidual stationarity=(adf=2); run;

计量经济学实验报告 题目:解析中国通货膨胀问题 专业:经济学 班级:2010271 :申傲景深 学号:20103340 20103346

计量经济学报告 ——解析中国通货膨胀问题 一、引言 1.问题引入 随着中国加入世界贸易组织,我国对外经贸活动达到了前所未有的规模进出口贸易额大幅度增加,利用外资规模不断扩大,与此相适应我国经济也获得了持续高速的增长。进出口贸易顺差高速增长。到2010年中国进出口29727.6亿美元,同比增长34.7%。其中,出口15779.3亿美元,增长31.3%;进口13948.3亿美元,增长38.7%。进出口货物贸易顺差1831.0亿美元,虽较前两年有所下降但总量还是很高,外汇储备达28473.38亿美元,同时国物价水平飙升CPI指数达到536.1是1978年的5倍多。由于进出口双顺差因素造成的通胀程度越来越重。从历史来看,通货膨胀不仅是宏观经济领域一个永恒话题,而且也是关系到社会、政治稳定的重要问题。按照诺贝尔经济学奖获得者米尔顿·弗里德曼的说法,通货膨胀是一种疾病,一种危险的有时甚至会致命的疾病,如不及时制止会摧毁整个社会。长期以来,对于通货膨胀产生机制及其预测的研究吸引着经济学界的普遍关注。尽管对于消费者而言,任何原因引起的通货膨胀只是意味着日常开支的增加,然而不同原因的通货膨胀对宏观调控者来说则可能具有不同的意义。 前期的专家学者针对通胀问题提出了各种观点,包括: ①萨缪尔森改进的菲利普斯曲线,描述失业和通胀的短期替代关系。这个理论是经验理 论,由实证而来。刚开始我选这个题目就是因为,菲利普斯曲线和奥肯定律一样,它们引用的变量不太完美,比如,潜在GDP,自然失业率,可能在不同的国家地区和体制下会不同,不能作为普适的经济规律。 ②消费过低论,消费过低→储蓄过高→投资过度→经济过热 ③储蓄过多论,企业和政府的高储蓄引发国民储蓄过高→投资过高→由于消费不足导致净 出口扩大→宏观经济失衡 ④投资过多论,依据投资增长率或投资率是否高于某一经验数据来判断我国投资率的高 低。 ⑤外部冲击论,把宏观经济失衡的根源归因于外部经济的冲击,主通过汇率调整、资本输 出等对外政策来恢复宏观经济均衡。 ⑥投资不足论,认为我国宏观经济失衡的根本原因在于投资不足,即没有形成高储蓄下高 投资。由于投资不足形成的投资-储蓄缺口最终反映到出口方面,从而形成顺差压力增大、国际收支失衡。 ⑦需求拉动型通胀,总需求超过总供给,过量的货币追逐少量的商品。 ⑧成本推动型通胀,工资-价格螺旋上升。

《时间序列分析》课程实验报告

一、上机练习(P124) 1.拟合线性趋势 12.79 14.02 12.92 18.27 21.22 18.81 25.73 26.27 26.75 28.73 31.71 33.95 程序: data xiti1; input x@@; t=_n_; cards; 12.79 14.02 12.92 18.27 21.22 18.81 25.73 26.27 26.75 28.73 31.71 33.95 ; proc gplot data=xiti1; plot x*t; symbol c=red v=star i=join; run; proc autoreg data=xiti1; model x=t; output predicted=xhat out=out; run; proc gplot data=out; plot x*t=1 xhat*t=2/overlay; symbol2c=green v=star i=join; run; 运行结果:

分析:上图为该序列的时序图,可以看出其具有明显的线性递增趋势,故使用线性模型进行拟合:x t=a+bt+I t,t=1,2,3,…,12 分析:上图为拟合模型的参数估计值,其中a=9.7086,b=1.9829,它们的检验P值均小于0.0001,即小于显著性水平0.05,拒绝原假设,故其参数均显著。从而所拟合模型为:x t=9.7086+1.9829t.

分析:上图中绿色的线段为线性趋势拟合线,可以看出其与原数据基本吻合。 2.拟合非线性趋势 1.85 7.48 14.29 23.02 37.42 74.27 140.72 265.81 528.23 1040.27 2064.25 4113.73 8212.21 16405.95 程序: data xiti2; input x@@; t=_n_; cards; 1.85 7.48 14.29 23.02 37.42 74.27 140.72 265.81 528.23 1040.27 2064.25 4113.73 8212.21 16405.95 ; proc gplot data=xiti2; plot x*t; symbol c=red v=star i=none; run; proc nlin method=gauss; model x=a*b**t; parameters a=0.1 b=1.1; der.a=b**t; der.b=a*t*b**(t-1); output predicted=xh out=out; run; proc gplot data=out; plot x*t=1 xh*t=2/overlay;

goptions vsize=7cm hsize=10cm; data b; format time monyy5.; input monyy7. asr; dif=dif(asr) ; keep time asr dif; cards; Jan1999 50 Feb1999 54.5 Mar1999 51 Apr1999 49 May1999 50 Jun1999 52 Jul1999 49 Aug1999 49 Sep1999 55 Oct1999 58 Nov1999 60 Dec1999 67.6 Jan2000 62 Feb2000 58.4 Mar2000 55 Apr2000 52.7 May2000 54.4 Jun2000 55.9 Jul2000 53.6 Aug2000 53.4 Sep2000 58.7 Oct2000 62.8 Nov2000 64.2 Dec2000 73.9 Jan2001 66.9 Feb2001 61.7 Mar2001 58.5 Apr2001 56.3 May2001 60.1 Jun2001 60.3 Jul2001 58 Aug2001 58.5 Sep2001 64.3 Oct2001 68.5 Nov2001 70.6 Dec2001 79.2 Jan2002 72.4

Feb2002 67.3 Mar2002 62.9 Apr2002 60.7 May2002 65.9 Jun2002 65.8 Jul2002 62.9 Aug2002 63.6 Sep2002 70.5 Oct2002 76 Nov2002 79 Dec2002 85.1 Jan2003 79.9 Feb2003 73.5 Mar2003 69.5 Apr2003 64.8 May2003 67.6 Jun2003 73.4 Jul2003 70.2 Aug2003 71.6 Sep2003 79.3 Oct2003 85.5 Nov2003 88.5 Dec2003 98.4 Jan2004 90.8 Feb2004 81.8 Mar2004 78.8 Apr2004 75 May2004 81 Jun2004 83.9 Jul2004 80.1 Aug2004 81.1 Sep2004 89.7 Oct2004 98.7 Nov2004 101.7 Dec2004 116.3 Jan2005 103.7 Feb2005 94.2 Mar2005 89.1 Apr2005 86.2 May2005 91.9 Jun2005 98.6 Jul2005 92.2 Aug2005 96.1 Sep2005 103.5

2012.3 26 基于MATLAB 的太阳黑子时间序列 分析与仿真 周园 肖洪祥 董俊飞 桂林理工大学信息科学与工程学院 广西 541004 摘要:本文研究了时间序列的分析方法,具体分析了基于最大Lyapunov 指数的方法在太阳黑子时间序列分析中的应用。介绍利用MATLAB 对太阳黑子时间序列进行分析与仿真的方法,并给出相关的流程、程序和相应的仿真结果。最终证明太阳黑子时间序列是一个混沌时间序列。 关键词:混沌时间序列;最大Lyapunov 指数;太阳黑子数;仿真 0 引言 在非线性系统中,初始条件的微小变化,往往会导致结果以指数级的大小发生分离,这时我们称这个系统存在混沌。时间序列是非线性动力系统的一种模型。如果时间序列对初始条件敏感,采用传统线性时间序列分析方法将很难予以分析,因此传统时间序列预测模型对混沌时间序列的拟合和预测准确度都很差。经过混沌学的发展,可以使用序列本身的规律对其进行预测。Lyapunov 指数法即是其中之一。通过最大Lyapunov 指数的数值,可以判断一个时间序列是否是混沌时间序列,亦即该非线性系统中是否存在着混沌。本文对太阳黑子序列进行分析,证明其是一个混沌时间序列。 1 基于Lyapunov 指数的时间序列分析方法 对时间序列进行分析,首先必须进行相空间重构。根据有限的数据重构吸引子以研究系统动力行为的方法即是相空间重构。主要思想为:系统中每个分量的演化皆是由与之联系的其他分量所决定的,相关分量的信息隐含在任意其他分量的变化过程中,即是运用系统的任何一个观察量可以重构出整个系统的模型。 设时间序列为{}t x ,其中1,2,...,t N =。重构相空间m R 的元素组为: (1)(,,)(,,...,),T=1,2,3,...,T T T T m X m N X X X p τττ++-= (1) 其中,N 为重构相空间维数;τ为延迟时间间隔数,且为正整数;(1)p N m τ=--为时间序列嵌入相空间的向量数,N 为时间序列的数据点数。 由Tokens 定理,在理论条件下可任选τ。但在现实条件下时间序列都是有限长且有噪声的。因而在重构相空间时, τ的选取至关重要。目前所采用的方法大多是通过经验来选 择τ, 从而使得T X 和T X τ+相互独立并不完全相关。 Lyapunov 指数是描述奇异吸引子性质的数据量。在m 维离散系统中存在m 个Lyapunov 指数,即Lyapunov 指数族。正的Lyapunov 指数意为在此维度方向,系统以指数级速度分离。1983年,G.Grebogi 证明了若最大Lyapunov 指数 max 0λ>,则系统一定存在着混沌。因此要判断一个时间序 列是否为混沌时间序列,必须求出其最大Lyapunov 指数。为了保证领域点沿着不同的轨道运动,最近邻域点间必须有分离间隔。此处取分离间隔为/w T t =?,其中T 为用FFT 计算出的序列平均周期;t ?为序列的采样周期。 2 计算机仿真步骤 仿真步骤如图1所示。输入太阳黑子年平均序列,通过 FFT 算法计算得到其平均周期T 。计算分离间隔作为时间窗 ωτ。由公式得到嵌入维数m 。运用所得的参数使用Wolf 法 算出最大Lyapunov 指数。进而判断该序列是否是混沌序列。

时间序列分析实验报告 P185#1、某股票连续若干天的收盘价如表5-4 (行数据)所示。 表5-4 304 303 307 299 296 293301 293 301 295 284286 286 287 284 282278 281 278 277279 278 270 268 272 273 279 279280 275 271 277 278279 283 284 282 283279 280 280 279278 283 278 270 275 273 273 272275 273 273 272 273272 273 271 272 271273 277 274 274272 280 282 292 295 295 294 290 291 288 288 290 293 288 289 291 293 293 290 288 287 289 292 288 288 285 282 286 286 287 284 283 286 282 287 286 287 292 292 294 291 288 289 选择适当模型拟合该序列的发展,并估计下一天的收盘价。 解: (1)通过SA漱件画出上述序列的时序图如下: 程序: data example5_1; in put x@@; time=_ n_; cards ; 304 303 307 299296 293 301 293 301 295 284286286 287 284 282 278 281 278277 279 278 270 268 272 273279279 280 275 271 277 278 279283 284 282 283 279 280 280279278 283 278 270 275 273 273272 275 273 273 272 273 272273271 272 271 273 277 274 274272 280 282 292 295 295 294290291 288 288 290 293 288 289291 293 293 290 288 287 289292288 288 285 282 286 286 287284 283 286 282 287 286 287292292 294 291 288 289 proc gplot data =example5_1; plot x*time= 1; symbol1 c=black v=star i =join; run ; 上述程序所得时序图如下: 上述时序图显示,该序列具有长期趋势又含有一定的周期性,为典型的非平稳序列。又因为该序列呈现曲线形式,所以选择2阶差分。

时间序列分析课程实验报告 《时间序列分析》课程实验报告

一、上机练习(P124) 1.拟合线性趋势 12.79 14.02 12.92 18.27 21.22 18.81 25.73 26.27 26.75 28.73 31.71 33.95 程序: data xiti1; input x@@; t=_n_; cards; 12.79 14.02 12.92 18.27 21.22 18.81 25.73 26.27 26.75 28.73 31.71 33.95 ; proc gplot data=xiti1; plot x*t; symbol c=red v=star i=join; run; proc autoreg data=xiti1; model x=t; output predicted=xhat out=out; run; proc gplot data=out; plot x*t=1 xhat*t=2/overlay; symbol2c=green v=star i=join; run; 运行结果:

分析:上图为该序列的时序图,可以看出其具有明显的线性递增趋势,故使用线性模型进行拟合:x t=a+bt+I t,t=1,2,3,…,12 分析:上图为拟合模型的参数估计值,其中a=9.7086,b=1.9829,它们的检验P值均小于 0.0001,即小于显著性水平0.05,拒绝原假设,故其参数均显著。从而所拟合模型为: x t=9.7086+1.9829t.

分析:上图中绿色的线段为线性趋势拟合线,可以看出其与原数据基本吻合。 2.拟合非线性趋势 1.85 7.48 14.29 23.02 37.42 74.27 140.72 265.81 528.23 1040.27 2064.25 4113.73 8212.21 16405.95 程序: data xiti2; input x@@; t=_n_; cards; 1.85 7.48 14.29 23.02 37.42 74.27 140.72 265.81 528.23 1040.27 2064.25 4113.73 8212.21 16405.95 ; proc gplot data=xiti2; plot x*t; symbol c=red v=star i=none; run; proc nlin method=gauss; model x=a*b**t; parameters a=0.1 b=1.1; der.a=b**t; der.b=a*t*b**(t-1); output predicted=xh out=out; run; proc gplot data=out; plot x*t=1 xh*t=2/overlay;

§7.利用SPSS 和Matlab 进行时间序列预测 1.移动平均和滑动平均计算 例1:下表给出了某地区1990~2004年粮食产量数据(表1)。试分别用Matlab 和SPSS 软件,对该地区的粮食产量进行移动平均和和滑动平均计算。 表1 某地区1990~2004年粮食产量及其平滑结果 移动平均 滑动平均 年份 自然序号 粮食产量y (单位:104 t )三点移动 五点移动 三点滑动 五点滑动 1990 1 3149.44 1991 2 3303.66 3154.47 1992 3 3010.30 3010.30 3141.19 3242.44 1993 4 3109.61 3154.47 3253.04 3263.32 1994 5 3639.21 3141.19 3334.21 3295.88 1995 6 3253.80 3253.04 3242.44 3453.17 3461.80 1996 7 3466.50 3334.21 3263.32 3520.07 3618.81 1997 8 3839.90 3453.17 3295.88 3733.69 3692.89 1998 9 3894.66 3520.07 3461.80 3914.72 3892.78 1999 10 4009.61 3733.69 3618.81 4052.51 4019.78 2000 11 4253.25 3914.72 3692.89 4121.45 4075.78 2001 12 4101.50 4052.51 3892.78 4158.21 4148.58 2002 13 4119.88 4121.45 4019.78 4160.01 4227.01 2003 14 4258.65 4158.21 4075.78 4260.11 2004 15 4401.79 4160.01 4148.58 利用spss 进行移动平均计算主要有以下步骤: (1) 在菜单中依次选择transform->Create time series…,在弹出的对话框中 的单击function 下面的下拉条,选择Prior moving average 方法,span 框中输入数值为3(表示进行三点滑动平均)。

· 《金融时间序列分析》 综合实验二 金融系金融工程专业2014 级姓名山洪国 学号20141206031048 实验地点:实训楼B305 实验日期:2017.04,21 实验题目:ARIMA模型应用 实验类型:基本操作训练 实验目的: 利用美元对欧元汇率1993年1月到2007年12月的月均价数据,进行ARIMA模型的识别、估计、检验及预测。 实验容: 1、创建Eviews文件,录入数据,对序列进行初步分析。绘制美元对欧元汇率月均价数据折线图,分析序列的基本趋势,初步判断序列的平稳性。 2、识别ARIMA(p,d,q)模型中的阶数p,d,q。运用单位根检验(ADF检验)确定单整阶数d;利用相关分析图确定自回归阶数p和移动平均阶数q。初步选择几个合适的备选模型。 3、ARIMA(p,d,q)模型的估计和检验。对备选模型进行估计和检验,并进行比较,

从中选择最优模型。 4、利用最优模型对2008年1月美元对欧元汇率的月均价进行外推预测。 评分标准:操作步骤正确,结果正确,分析符合实际,实验体会真切。 实验步骤: 1、根据所给的Excel 表格的数据,将表格的美元对欧元的汇率情况录入到EViews9中,并对所录入数据进行图形化的处理,所得到的图形结果如下图所示。(时间段:1993.01至2007.12) 0.6 0.7 0.8 0.9 1.0 1.1 1.2 EUR/USD 分析图形数据可得,欧元对美元的汇率波动情况较为明显,其中在1999年至2003年期间欧元和美元的比值一度在1.0以上。但近些年以来,欧元的汇率一度持续下滑,到了2007年底的时候和和美元的比值在0.7左右。

《统计软件实验报告》SPSS软件的上机实践应用 时间序列分析

数学与统计学学院 一、实验内容: 时间序列是指一个依时间顺序做成的观察资料的集合。时间序列分析过程中最常用的方法是:指数平滑、自回归、综合移动平均及季节分解。 本次实验研究就业理论中的就业人口总量问题。但人口经济的理论和实践表明,就业总量往往受到许多因素的制约,这些因素之间有着错综复杂的联系,因此,运用结构性的因果模型分析和预测就业总量往往是比较困难的。时间序列分析中的自回归求积分移动平均法(ARIMA)则是一个较好的选择。对于时间序列的短期预测来说,随机时序ARIMA是一种精度较高的模型。 我们已辽宁省历年(1969-2005)从业人员人数为数据基础建立一个就业总量的预测时间序列模型,通过spss建立模型并用此模型来预测就业总量的未来发展趋势。 二、实验目的: 1.准确理解时间序列分析的方法原理 2.学会实用SPSS建立时间序列变量 3.学会使用SPSS绘制时间序列图以反应时间序列的直观特征。

4.掌握时间序列模型的平稳化方法。 5.掌握时间序列模型的定阶方法。 6.学会使用SPSS建立时间序列模型与短期预测。 7.培养运用时间序列分析方法解决身边实际问题的能力。 三、实验分析: 总体分析: 先对数据进行必要的预处理和观察,直到它变成稳态后再用SPSS对数据进行分析。 数据的预处理阶段,将它分为三个步骤:首先,对有缺失值的数据进行修补,其次将数据资料定义为相应的时间序列,最后对时间序列数据的平稳性进行计算观察。 数据分析和建模阶段:根据时间序列的特征和分析的要求,选择恰当的模型进行数据建模和分析。 四、实验步骤: SPSS的数据准备包括数据文件的建立、时间定义和数据期间的指定。 SPSS的时间定义功能用来将数据编辑窗口中的一个或多个变量指定为时间序列变量,并给它们赋予相应的时间标志,具体操作步骤是: 1.选择菜单:Date→Define Dates,出现窗口:

时间序列MATLAB程序

时间序列 移动平均法 clc,clear y=[533.8 574.6 606.9 649.8 705.1 772.0 816.4 892.7 963.9 1015.1 1102.7]; m=length(y); n=[4,5];%n为移动平均的项数 for i=1:length(n) %由于n的取值不同,下面使用了细胞数组 for j=1:m-n(i)+1

yhat{i}(j)=sum(y(j:j+n(i)-1))/n(i); end y12(i)=yhat{i}(end);%提出第12月份的预测值 s(i)=sqrt(mean((y(n(i)+1:end)-yhat{i}(1:end-1)).^2));%求预测的标准误差end y12, s %分别显示两种方法的预测值和预测的标准误差 指数平滑 一次指数平滑 程序: clc,clear yt=load('dianqi.txt'); %读取dianqi.txt的数据, n=length(yt); %求yt的长度 alpha=[0.2 0.5 0.8]; %输入a的值 m=length(alpha) yhat(1,[1:m])=(yt(1)+yt(2))/2; %求第一个预测值索引

for i=2:n yhat(i,:)=alpha*yt(i-1)+(1-alpha).*yhat(i-1,:); end yhat %求预测值 err=sqrt(mean((repmat(yt,1,m)-yhat).^2)) %求预测的标准误差 xlswrite('dianqi.xls',yhat) %把预测数据写到Excel文件,准备在word表格中使用yhat1988=alpha*yt(n)+(1-alpha).*yhat(n,:) %求1988的预测值 二次指数平滑

小波分析—时间序列的多时间尺度分析 一、问题引入 1.时间序列(Time Series ) 时间序列是指将某种现象某一个统计指标在不同时间上的各个数值,按时间先后顺序排列而形成的序列。在时间序列研究中,时域和频域是常用的两种基本形式。其中: 时域分析具有时间定位能力,但无法得到关于时间序列变化的更多信息; 频域分析(如Fourier 变换)虽具有准确的频率定位功能,但仅适合平稳时间序列分析。 然而,许多现象(如河川径流、地震波、暴雨、洪水等)随时间的变化往往受到多种因素的综合影响,大都属于非平稳序列,它们不但具有趋势性、周期性等特征,还存在随机性、突变性以及“多时间尺度”结构,具有多层次演变规律。对于这类非平稳时间序列的研究,通常需要某一频段对应的时间信息,或某一时段的频域信息。显然,时域分析和频域分析对此均无能为力。 2.多时间尺度 河流因受季节气候和流域地下地质因素的综合作用的影响,就会呈现出时间尺度从日、月到年,甚至到千万年的多时间尺度径流变化特征。推而广之,这个尺度分析,可以运用到对人文历史的认识,以及我们个人生活及人生的思考。 3.小波分析 产生:基于以往对于时间序列分析的各种缺点,融合多时间尺度的理念,小波分析在上世纪80年代应运而生,为更好的研究时间序列问题提供了可能,它能清晰的揭示出隐藏在时间序列中的多种变化周期,充分反映系统在不同时间尺度中的变化趋势,并能对系统未来发展趋势进行定性估计。 优点: 相对于Fourier 分析:Fourier 分析只考虑时域和频域之间的一对一的映射,它以单个变量(时间或频率)的函数标示信号;小波分析则利用联合时间-尺度函数分析非平稳信号。 相对于时域分析:时域分析在时域平面上标示非平稳信号,小波分析描述非平稳信号虽然也在二维平面上,但不是在时域平面上,而是在所谓的时间尺度平面上,在小波分析中,人们可以在不同尺度上来观测信号这种对信号分析的多尺度观点是小波分析的基本特征。 应用范围: 目前,小波分析理论已在信号处理、图像压缩、模式识别、数值分析和大气科学等众多的非线性科学领域内得到了广泛的应用。在时间序列研究中,小波分析主要用于时间序列的消噪和滤波,突变点的监测和周期成分的识别以及多时间尺度的分析等。 二、小波分析基本原理 1. 小波函数 小波分析的基本思想是用一簇小波函数系来表示或逼近某一信号或函数。因此,小波函数是小波分析的关键,它是指具有震荡性、能够迅速衰减到零的一类函数,即小波函数)R (L )t (2 ∈ψ(有限能量空间)且满足: ?+∞ ∞-=0dt )t (ψ (1) 式中,)t (ψ为基小波函数,它可通过尺度的伸缩和时间轴上的平移构成一簇函数系: )a b t (a )t (2/1b ,a -=-ψψ 其中,0a R,b a,≠∈ (2)

河南工程学院课程设计 《时间序列分析课程设计》学生姓名学号: 学院:理学院 专业班级: 专业课程:时间序列分析课程设计指导教师: 2017年 6 月 2 日

目录 1. 实验一澳大利亚常住人口变动分析..... 错误!未定义书签。 实验目的............................................... 错误!未定义书签。 实验原理............................................... 错误!未定义书签。 实验内容............................................... 错误!未定义书签。 实验过程............................................... 错误!未定义书签。 2. 实验二我国铁路货运量分析........... 错误!未定义书签。 实验目的............................................... 错误!未定义书签。 实验原理............................................... 错误!未定义书签。 实验内容............................................... 错误!未定义书签。 实验过程............................................... 错误!未定义书签。 3. 实验三美国月度事故死亡数据分析...... 错误!未定义书签。 实验目的............................................... 错误!未定义书签。 实验原理............................................... 错误!未定义书签。 实验内容............................................... 错误!未定义书签。 实验过程............................................... 错误!未定义书签。课程设计体会 ............................ 错误!未定义书签。

时间序列 移动平均法 clc,clear y=[533.8 574.6 606.9 649.8 705.1 772.0 816.4 892.7 963.9 1015.1 1102.7]; m=length(y); n=[4,5];%n为移动平均的项数 for i=1:length(n) %由于n的取值不同,下面使用了细胞数组 for j=1:m-n(i)+1

yhat{i}(j)=sum(y(j:j+n(i)-1))/n(i); end y12(i)=yhat{i}(end);%提出第12月份的预测值 s(i)=sqrt(mean((y(n(i)+1:end)-yhat{i}(1:end-1)).^2));%求预测的标准误差end y12, s %分别显示两种方法的预测值和预测的标准误差 指数平滑 一次指数平滑 程序: clc,clear yt=load('dianqi.txt'); %读取dianqi.txt的数据, n=length(yt); %求yt的长度 alpha=[0.2 0.5 0.8]; %输入a的值 m=length(alpha) yhat(1,[1:m])=(yt(1)+yt(2))/2; %求第一个预测值索引 for i=2:n yhat(i,:)=alpha*yt(i-1)+(1-alpha).*yhat(i-1,:);

end yhat %求预测值 err=sqrt(mean((repmat(yt,1,m)-yhat).^2)) %求预测的标准误差 xlswrite('dianqi.xls',yhat) %把预测数据写到Excel文件,准备在word表格中使用yhat1988=alpha*yt(n)+(1-alpha).*yhat(n,:) %求1988的预测值 二次指数平滑

第三章平稳时间序列分析 选择合适的模型拟合1950-2008年我国邮路及农村投递线路每年新增里程数序列,见表1: 表1 1950-2008年我国邮路及农村投递线路每年新增里程数序列 一、时间序列预处理 (一)时间序列平稳性检验 1.时序图检验 (1)工作文件的创建。打开EViews6.0软件,在主菜单中选择File/New/Workfile, 在弹出的对话框中,在Workfile structure type中选择Dated-regular frequency(时间序列数据),在Date specification下的Frequency中选择Annual(年度数),在Start date中输入“1950”(表示起始年

份为1950年),在End date中输入“2008”(表示样本数据的结束年份为2008年),然后单击“OK”,完成工作文件的创建。 (2)样本数据的录入。选择菜单中的Quick/Empty group(Edit Series)命令,在弹出的Group对话框中,直接将数据录入,并分别命名为year(表示年份),X(表示新增里程数)。 (3)时序图。选择菜单中的Quick/graph…,在弹出的Series List中输入“year x”,然后单击“确定”,在Graph Options中的Specifi中选择“XYLine”,然后按“确定”,出现时序图,如图1所示: 图1 我国邮路及农村投递线路每年新增里程数序列时序图从图1中可以看出,该序列始终在一个常数值附近随机波动,而且波动的围有界,因而可以初步认定序列是平稳的。为了进一步确认序列的平稳性,还需要分析其自相关图。 2.自相关图检验 选择菜单中的Quick/Series Statistics/Correlogram...,在Series Name 中输入x(表示作x序列的自相关图),点击OK,在Correlogram Specification 中的Correlogram of 中选择Level,在Lags to include中输入24,点击OK,得到图2:

时间序列分析SAS软件实验报告: 以我国2002第一季度到2012年第一季度国内生产总值数据(季节效应模型)分析 班级:统计系统计0姓名: 学号: 指导老师: 20 年月日

时间序列分析报告 一、前言 【摘要】2012年3月5日温家宝代表国务院向大会作政府工作报告。温家宝在报告中提出,2012年国内生产总值增长7.5%。这是我国国内生产总值(GDP)预期增长目标八年来首次低于8%。 温家宝说,今年经济社会发展的主要预期目标是:国内生产总值增长7.5%;城镇新增就业900万人以上,城镇登记失业率控制在4.6%以内;居民消费价格涨幅控制在4%左右;进出口总额增长10%左右,国际收支状况继续改善。同时,要在产业结构调整、自主创新、节能减排等方面取得新进展,城乡居民收入实际增长和经济增长保持同步。 他指出,这里要着重说明,国内生产总值增长目标略微调低,主要是要与“十二五”规划目标逐步衔接,引导各方面把工作着力点放到加快转变经济发展方式、切实提高经济发展质量和效益上来,以利于实现更长时期、更高水平、更好质量发展。提出居民消费价格涨幅控制在4%左右,综合考虑了输入性通胀因素、要素成本上升影响以及居民承受能力,也为价格改革预留一定空间。 对于这一预期目标的调整,温家宝解释说,主要是要与“十二五”规划目标逐步衔接,引导各方面把工作着力点放到加快转变经济发展方式、切实提高经济发展质量和效益上来,以利于实现更长时期、更高水平、更好质量发展。 央行货币政策委员会委员李稻葵表示,未来若干年中国经济增长速度会有所放缓,这个放缓是必要的,是经济发展方式转变的一个必然要求。 【关键词】“十二五”规划目标国内生产总值增长率增速放缓提高发展质量附表:国内生产总值(2012年1季度) 绝对额(亿元)比去年同期增长(%) 国内生产总值107995.0 8.1 第一产业6922.0 3.8 第二产业51450.5 9.1 第三产业49622.5 7.5 注1:绝对额按现价计算,增长速度按不变价计算。注2:该表为初步核算数据。 GDP环比增长速度 环比增长速度(%) 2011年1季度 2.2 2季度 2.3 3季度 2.4 4季度 1.9 2012年1季度 1.8 注:环比增长速度为经季节调整与上一季度对比的增长速度。 此表是我国2012年第一季度国内生产总值及与2011年同期比较来源:前瞻网

实验报告 课程名称时间序列分析 实验项目名称ARCH建模 班级与班级代码1125040 实验室名称(或课室)北4-602 专业统计学 任课教师陈根 学号:11250401213 姓名:柯跃 实验日期:2014年6月08日 广东财经大学教务处制

姓名实验报告成绩 评语: 指导教师(签名) 年月日说明:指导教师评分后,实验报告交院(系)办公室保存。

一.实验目的: 将Merck股票从1946年6月到2008年12月的月简单收益变换成对数收益率,并解决下列问题: (a)对数收益率中有没有明显的相关性?用自相关系数和5%的显著性水平来 回答该问题。如果有,则移除序列相关性。 (b)此对数收益率存在ARCH效应么?如果(a)部分中有序列相关性,则该部分 用其残差序列。用Ljung-Box统计量,对收益率平方(或残差的平方)的6个间隔和12个间隔的自相关系数,在5%的显著性水平下回答该问题。(c)对数据识别一个ARCH模型,然后给数据拟合被识别的模型,写出所拟合 的模型。 二.实验设备: 计算机、R-3.0.3 三.实验过程及得出的结论: 1.加载安装包并引入实验数据 2.按实验目的输入实验代码,从运行结果得出结论 (a)①对数收益率中有显著的序列相关性。 通过自相关系数和5%的显著性水平解答:

02040 6080100 0.00.20.40 .60.8 1.0Lag A C F Series lmrk 图1 Merck 股票对数收益率的自相关系数 样本ACF 的值并没有在两个标准差之内,说明5%水平下它们与0有显著差别,对于对数收益率,Ljung-Box 统计量为Q(12)= 27.2364,对应的p 值为0.007144,p

河南工程学院课程设计《时间序列分析课程设计》学生姓名学号: 学院:理学院 专业班级: 专业课程:时间序列分析课程设计 指导教师: 2017年6月2日

目录 1. 实验一澳大利亚常住人口变动分析 (1) 1.1 实验目的 (1) 1.2 实验原理 (1) 1.3 实验内容 (2) 1.4 实验过程 (3) 2. 实验二我国铁路货运量分析 (8) 2.1 实验目的 (8) 2.2 实验原理 (8) 2.3 实验内容 (9) 2.4 实验过程 (10) 3. 实验三美国月度事故死亡数据分析 (14) 3.1 实验目的 (14) 3.2 实验原理 (15) 3.3 实验内容 (15) 3.4 实验过程 (16) 课程设计体会 (19)

1.实验一澳大利亚常住人口变动分析 1971年9月—1993年6月澳大利亚常住人口变动(单位:千人)情况如表1-1所示(行数据)。 表1-1 (1)判断该序列的平稳性与纯随机性。 (2)选择适当模型拟合该序列的发展。 (3)绘制该序列拟合及未来5年预测序列图。 1.1 实验目的 掌握用SAS软件对数据进行相关性分析,判断序列的平稳性与纯随机性,选择模型拟合序列发展。 1.2 实验原理 (1)平稳性检验与纯随机性检验 对序列的平稳性检验有两种方法,一种是根据时序图和自相关图显示的特征做出判断的图检验法;另一种是单位根检验法。

(2)模型识别 先对模型进行定阶,选出相对最优的模型,下一步就是要估计模型中未知参数的值,以确定模型的口径,并对拟合好的模型进行显著性诊断。 (3)模型预测 模型拟合好之后,利用该模型对序列进行短期预测。 1.3 实验内容 (1)判断该序列的平稳性与纯随机性 时序图检验,根据平稳时间序列均值、方差为常数的性质,平稳序列的时序图应该显示出该序列始终在一个常识值附近波动,而且波动的范围有界。如果序列的时序图显示该序列有明显的趋势性或周期性,那么它通常不是平稳序列。 对自相关图进行检验时,可以用SAS 系统ARIMA 过程中的IDENTIFY 语句来做自相关图。 而单位根检验我们用到的是DF 检验。以1阶自回归序列为例: 11t t t x x φε-=+ 该序列的特征方程为: 0λφ-= 特征根为: λφ= 当特征根在单位圆内时: 11φ< 该序列平稳。 当特征根在单位圆上或单位圆外时: 11φ≥ 该序列非平稳。 对于纯随机性检验,既白噪声检验,可以用SAS 系统中的IDENTIFY 语句来输出白噪声检验的结果。 (2)选择适当模型拟合该序列的发展

相关文档
最新文档