时间序列分析期末论文 (1)
时间序列论文——中国股市的时间序列预测
西南财经大学Southwestern University ofFinance and Economics时间序列分析期末论文论文题目：时间序列分析在中国股市上的运用年级专业：经数10级姓名：朱研天学号：41026103任课老师：林谦2013年10月时间序列分析在中国股市上的运用摘要时间序列在股市上具有以下两个特性：它有具有随机性但又不是完全随机；它非常容易从各种渠道获得。
因此，众多学者以及股票投资者甚至操盘手都希望能从中找出某些规律对股票价格或收益率进行准确预测。
如果能得到一个比较较准确的预测是意义重大的。
时间序列分析方法是近代发展起来的定量预测方法，相比起预测其他事物，它尤其适用于经济时间序列。
因为经济现象涉及的因素较多，关系比较复杂，从而难以用常规的量化模型进行预测分析。
相比于发达国家的市场经济体制，我国股市一方面具有优化资源配置的功能，但区别于成熟的发达国家股市，我国股市同时又具有投机性强，不稳定因素多的特点。
本文采用ARMA 模型对我国股市时间序列进行研究，并对其在分析我国股市时间序列的表现进行评价，得出一些简单的结论，在最后也对预测这件事情本身对于股票的影响进行了一些思考。
关键词中国股市时间序列分析ARMA模型预测目录第一章绪论1.1 题目的研究意义1.2 本文研究的主要内容与思路第二章我国股市时间序列的计量模型2.1 ARMA 模型的一般形式2.2 我国股市时间序列的ARMA 模型2.2.1 样本的选择2.2.2 样本的诊断模型识别2.2.3 模型的定阶及估计结果2.2.4 结果分析与讨论第三章总结与延伸3.1 预测与被预测对象第一章绪论1.1 题目的研究意义金融是国民经济的命脉，它的稳定对国民经济的稳定发展有着重要的作用。
另一方面，从世界各地的金融风波所引起的灾难性后果可以看出，金融市场出现动荡必将造成整个国民经济的波动。
股票市场是金融市场的重要组成部分，因此也与国民经济发展密切相关。
计量经济学时间序列分析论文
时间序列期末论文安徽财经大学姓名：鲍志祥班级：093财管二班学号：20093069073企业商品价格总指数的时间序列分析摘要利用Eviews软件判断企业商品价格总指数序列为非平稳序列且为非白噪声序列，对非平稳序列进行一阶差分后得到平稳序列，分析运用一阶自回归AR(1)模型拟合时间序列，由于总指数序列值之间密切的相关关系，且历史数据对未来的发展有一定影响，利用Forecast 命令预测未来4个月的企业商品价格总指数。
关键词：Eviews；平稳序列；AR(p)模型；一阶差分理论准备：拿到一个观察值序列之后,首先要判断它的平稳性.通过平稳性检验,序列可分为平稳序列和非平稳序列两大类.对于平稳序列,由于它不具有二阶矩形平稳的性质,所以对它的统计分析要周折一些,通常要进行进一步的检验、变换或处理之后，才能确定适当的拟和模型。
如果序列平稳，建模比较容易，但并不是所有的平稳序列都值得建模。
只有那些序列值之间具有密切的相关关系，历史数据对未来的发展有一定影响的序列，才值得我们花时间去挖掘历史数据中的有效信息，用于预测序列未来的发展。
如果序列值彼此之间没有任何相关性，那就意味着该序列是一个没有任何记忆的序列，过去的行为对将来的发展没有丝毫影响，这种序列我们称之为纯随机序列。
从统计分析的角度而言，纯随机序列是没有任何分析价值的序列。
如果序列xt是均值非平稳的，对其进行d次差分后，变成了平稳的序列Δdxt，这个差分后的平稳序列的适应性模型为ARMA(p,q) ，此时就称对原始序列xt建立了ARIMA(p,d,q)模型。
问题：判断企业商品价格总指数序列的平稳性与纯随机性，处理数据并利用拟合模型，预测未来4个月的企业商品价格总指数。
表1企业商品价格总指数数据（来源：东方财富网）图1企业商品价格总指数序列{x i}的时序图由图1我们可以看出序列在上下波动比较大，大致判断不具有平稳性。
图2 序列{x i}的自相关图由图2可知，自相关图呈正弦波指数衰减，为不平稳时间序列。
时间序列论文
.《时间序列分析》课程论文基于ARMAX模型的财政收入与税收的时间序列分析与预测班级：13级应用统计学1班学号：*********：乐乐基于ARMAX模型的财政收入与税收的时间序列分析与预测摘要财政收入，是指政府为履行其职能、实施公共政策和提供公共物品与服务需要而筹集的一切资金的总和，是衡量一国政府财力的重要指标。
其中税收收入是国家财政收入的重要组成部分，一般占到财政收入的90％以上，是政府机器的经济基础。
本文利用《应用时间序列分析》的知识通过sas 统计软件对1978-2012年中国财政收入与税收数据进行分析，通过单位根检验，发现两者都是非平稳时间序列，并且存在协整关系，所以拟合了ARIMAX模型。
由于残差序列非白噪声，所以对残差序列又进行了进一步的拟合，最后对模型进行预测，做出预测图。
关键词:财政收入与税收 ARIMAX模型预测一、引言财政与税收关系到国家发展、民生大计。
财政收入与税收对社会资源配置、收入分配、国民经济发展、企业经济活动、居民切身利益及政府决策行为都有重大影响。
近年来，随着我国经济的持续高速发展和国家财政与税收的大幅度增长，以及我国经济体制改革的不断深化和国家对经济发展宏观调控力度的不断加大，国家也适时出台了一系列有关财政与税收管理的新规定、新政策和新的监管制度。
可以看出两者地位越来越重要，作用越来越明显。
通过本文的分析，旨在找出两者的关系，为我国财政与税收做出合理的解释，为以后的收入做出合理的预测。
二、数据分析（一）、序列平稳性检验1、时序图：图 1 原数据时序图图1中，红色为y（财政收入）序列书序图；黑色为x（税收收入）序列时序图。
从时序图中可以看出x序列、y序列均显著非平稳。
并且两者都有明显的增加趋势。
2、单位根检验：表 1 序列x的单位根检验The ARIMA ProcedureAugmented Dickey-Fuller Unit Root TestsType Lags Rho Pr<Rho Tau Pr<Tau F Pr>F表 2 序列y的单位根检验Augmented Dickey-Fuller Unit Root Tests单位根检验的原假设H0：序列为非平稳序列，如果 P> 0.05，则接受原假设，认为序列非平稳，否者序列为平稳序列。
时间序列分析与预测论文
欢迎共阅对1950-2009年的新疆社会消费品零售总额的时间序列分析与预测利用1950-2009年的新疆社会消费品零售总额（记为：save，单位：万元）的时间序列数据进行分析，建立时间序列ARIMA模型，并预测未来10年的社会消费品零售总额。
表1 1950-2009年的新疆社会消费品零售总额1953 431981954 522161955 613791956 714641957 855781958 924901959 1105261960 1190591961 1067801962 1054541963 100837 1964 105406 1965 112970 1966 121349 1967 129530 1968 122971 1969 131318 1970 132306 1971 137958 1972 143416 1973 1546761998 3275210 1999 3473958 2000 3744999 2001 4063487 2002 4428871 2003 4211680 2004 5636520 2005 6402000 2006 7332000 2007 8575000 2008 10415000 2009 11775300;proc print data=a; Run;程序说明：这段程序是录入1950年到2009年的新疆社会消费品零售总额的数据。
data a;set work.a;proc gplot data=a;plot cost*date;symbol v=dot i=join c=black l=1w=2;run;的序列图上观察的结果是相同的。
因此需要对变量lnin进行一阶差分操作并对差分后的序列进行平稳性识别，程序如下：identify var=lc(1) nlag=30esacf p=(0:8) q=(0:8) minic p=(0:6) q=(0:6);run;识别过程结果会给出三个可能不同的模型，分别对这三个模型进行估计，已得到拟合最好模型。
统计学专业优秀毕业论文范本经济数据的时间序列分析与
统计学专业优秀毕业论文范本经济数据的时间序列分析与预测在统计学专业的毕业论文中，经济数据的时间序列分析与预测是一个重要的研究方向。
本文将为大家提供一个优秀的论文范本，以展示在统计学专业中，如何进行经济数据的时间序列分析与预测。
一、引言经济数据是经济学研究的基础，而时间序列分析和预测是处理经济数据的重要方法之一。
时间序列分析旨在通过对历史数据的观察和分析，揭示数据内在的规律和趋势，为未来经济变化提供预测依据。
因此，时间序列分析在经济学中具有重要的研究价值和实际应用意义。
二、数据收集与整理经济数据的时间序列分析首先需要收集和整理相关的数据集。
收集数据的来源可以包括政府部门、研究机构、行业协会等。
在数据整理过程中，需要对数据进行清洗、处理异常值和缺失值，并将数据进行合适的时间区间划分。
三、时间序列模型的选择与建立时间序列模型是进行时间序列分析和预测的数学工具。
在选择时间序列模型时，需要根据数据的性质和特点进行合理的选择。
常用的时间序列模型包括ARMA模型、ARCH模型、GARCH模型等。
根据数据的特征，可以通过模型的拟合度、残差检验等指标进行模型的选择与建立。
四、模型参数估计与检验在时间序列模型建立完成后，需要对模型的参数进行估计和检验。
常用的参数估计方法包括极大似然估计、最小二乘估计等。
而模型的检验则可以通过残差分析、模型拟合度检验、序列平稳性检验等指标进行。
五、时间序列预测与评估时间序列预测是时间序列分析的重要任务之一。
通过对历史数据的观察和模型的建立，可以利用已有的信息对未来的经济发展进行预测。
常用的时间序列预测方法包括平滑法、回归法、ARIMA模型等。
在进行时间序列预测时，需要对预测结果进行评估，包括均方误差、平均绝对误差等指标。
六、实证分析与结果讨论在论文中，应该选取合适的经济数据进行实证分析，并对实证分析的结果进行详细的讨论和解释。
可以对模型的拟合度、稳定性、预测准确度等进行分析，并结合实际情况进行解释和推论。
时间序列分析课程论文
时间序列分析课程论文 Document serial number【UU89WT-UU98YT-UU8CB-UUUT-UUT108】对70个化学反应数据序列建立时间序列模型班级：统计二班姓名：李灿对70个化学反应数据序列建立时间序列模型一、数据平稳性检验（1）用时序图进行初步判断Xt时序图从时序图可以看出70个化学反应的数据是平稳的，但这个判断比较粗糙，需要用统计方法进一步验证。
（2）用序列相关性进行检验Xt自相关图从相关图看出，自相关系数从二阶后迅速衰减为0，说明序列是平稳的。
（3）对该序列做单位根检验检验结果如下图所示T检验统计量的相伴概率值很显着，说明不存在绝对值大于1的单位根，说明序列是平稳的。
二、对序列进行的随机性进行检验Xt自相关图最后一列白噪声检验的Q统计量和相应的伴随概率表明序列存在相关性，因此序列为非白噪声序列。
我们可以对序列采用B-J方法建模研究。
三、模型识别（即模型定阶）从自相关图可以看出自相关系数前两阶显着异于零外，其他都落入两倍标准差内，所以可以考虑用MA（2）拟合；偏自相关系数除了第一个显着异于零外，其他都落入两倍标准差内，且由非零转变为零的过程非常突然，所以可以尝试用AR(1)进行拟合；还可以考虑用ARMA（1,2）进行拟合。
对原序列做描述统计分析见图1，可见序列均值非0，我们通常对0均值平稳序列做建模分析，所以需要在原序列基础上生成一个新的0均值序列。
新序列的描述统计量见图2，相当于在原序列基础上作了个整体平移，所以统计特性没有发生根本改变。
我们对序列x进行分析。
Xt的描述统计量中心化处理后的Xt的描述统计图四、对模型的参数进行估计（1）尝试用AR（1）进行拟合从表中的数据可以看出T统计量的相伴概率非常显着，且模型的特征根在单位圆内，说明该过程是平稳的。
所以可得到如下AR（1）模型：（2）尝试用MA（2）模型进行拟合从表中可以看出MA（1）和MA（2）的相伴概率在显着性水平为的情况下是显着的，所以可以建立如下MA(2)模型(3)尝试建立ARMA（1，2）模型由参数估计结果看出，各系数均不显着，说明模型并不适合拟合ARMA(1，2) 模型。
应用时间序列分析课程论文
应用时间序列分析课程论文班级：13应用统计1班学号：20133695 ：彭鹏学习了本学期的应用时间序列分析课程内容，学习了使用EVIEWS软件对平稳时间序列的平稳性进行分析，学习平稳时间序列模型的建立、学会根据自相关系数和偏自相关系数判断ARMA模型的阶数p 和q，学会利用信息准则对估计的ARMA模型进行诊断，以及掌握利用ARMA模型进行预测。
在统计研究中，有大量的数据是按照时间顺序排列的，用数学方法来表述就是使用一组随机序列表示随机事件的时间序列即为{Xt}通常的ARMR建模过程，B-J方法具体步骤如下：一、对时间序列进行特性分析。
从随机性、平稳性、季节性考虑。
对于一个非平稳时间序列，假设要建模首先将其平稳化，其方法有三种：1差分，一些序列可以通过差分使其平稳化。
2季节差分，如果序列具有周期波动特点，为了消除周期波动的影响，通常引用季节差分。
3函数变换与差分结合运用，某些序列如果具有某类函数趋势，我们可以先引入某种函数变换将序列转化为线性趋势，然后再进行差分以消除线性趋势。
二、模型识别与建立。
模型识别和模型定阶。
三、模型的评价，并利用模型进行评价。
下面从网上搜寻数据，1949-2014年城镇人口数(单位万人，其中有些年份缺失数据，数据来源于中国统计年鉴)。
进行处理分析绘制序列时序图有看来有明显增长趋势为非平稳序列，进行一阶差分y=d(r):由图得出序列y仍然非平稳1.对原序列进行二阶差分z=d(r,2) 相关图检验：序列z为平稳序列，进行单位根检验：拒绝有单位根的原假设，即为平稳序列。
有相关图看出为非白噪声序列。
可见均值非零；在原序列上生成0均值序列在输入x=z-28.59184得到序列x为0均值的平稳非白噪声序列由相关图看出自相关系数一阶截尾，考虑MA(1)模型Xt=εεt-1我们用拟合的有效模型进行短期预测，比方我们预预测未来5年的城镇人口，首先需要扩展样本期，在命令栏输入expand 1 56，回车则样本序列长度就变成56了，且最后面5个变量值为空。
硕士研究生时间序列论文考试1
基于ARCH族模型对我国汇率制度改革后汇率的波动分析摘要：本文通过ARCH族模型来对人民币/美元汇率收益率进行建模，结果发现汇改后外汇市场效率有所提高，外汇市场的风险可由过去的风险程度加以预测。
GARCH-M模型相对于GARCH模型来说拟合效果更好。
由TARCH、EGARCH、EGARCH-M模型的研究显示人民币/美元汇率收益率存在杠杆效应，存在明显的非对称性，还不具备具有的高风险高回报的风险溢价效应特征。
关键字：汇率波动；汇率收益率；ARCH族模型一、研究背景与意义2005年7月21日，中国人民银行发布公告，我国开始实行以市场供求为基础、参考一篮子货币进行调节、有管理的浮动汇率制度。
人民币汇率不再盯住单一美元，形成更富弹性的人民币汇率机制。
人民币汇率问题已成为全球性的一个重大课题，其实一直以来，汇率都是一个非常重要的经济指标，汇率的变动受到诸多经济因素的影响，反过来汇率变动也对经济产生多方面的影响。
显然，弄清人民币汇率近期变动态势，对于人民币汇率政策的正确选择具有重要意义。
本文通过研究人民币兑主要货币汇率的变动趋势来分析人民币汇率的波动特征。
并通过ARCH族模型来对人民币/美元汇率收益率进行建模，并分析其波动的杠杆效应和风险溢价效应。
二、国内外对汇率分析方法的研究目前国内外对汇率行为的理论与其实证研究主要是从两个方面来进行的：一方面是从影响汇率的各种因素出发，寻找汇率与这些因素之间所存在的某种关系，也称为基础因素分析法；另一方面则是从汇率运动的本身出发，研究其本身的波动状况并对其进行预测，也称为技术分析法，其一般使用的是时间序列分析方法。
技术分析法主要是根据汇率自身时间序列的历史数据，建立单变量的时间序列模型。
如指数平滑模型（Exponential Smoothing Model）、回归模型（AR）和移动平均模型（MA）等。
随着研究的深入，还产生了如贝叶斯向量自回归模型（BVAR），阀值模型（Threshold Model）、博克斯－詹金斯模型（Box-Jenkins，又称ARIMA）和自回归条件异方差(ARCH)模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
. . .
.. ..
课 程 论 文
时间序列分析
题 目 时间序列模型在人口增长中的应用
学 院 数学与统计学院
专 业 统计学
班 级 统计（二）班
学生
殷婷 2010101217
指导教师 翠霞
职 称
2012 年 10 月 29 日
. . .
.. ..
引 言
人口问题是一个世界各国普遍关注的问题。人作为一种资源，主
要体现在人既是生产者，又是消费者。作为生产者，人能够发挥主观
能动性，加速科技进步，促进社会经济的发展；作为消费者，面对有
限的自然资源，人在发展的同时却又不得不考虑人口数量的问题。我
国是一个人口大国，人口数量多，增长快，人口素质低；由于人口众
多，不仅造成人均资源的数量很少，而且造成住房、教育、就业等方
面的很大压力。所以人口数量是社会最为关注的问题，每年新增加的
国民生产总值有相当一部分被新增加的人口所抵消，从而造成社会再
生产投入不足，严重影响了国民经济的可持续发展。因此，认真分析
研究我国目前的人口发展现状和特点，采取切实可行的措施控制人口
的高速增长，已经成为我国目前经济发展中需要解决的首要问题。
本文通过时间序列模型对人口的增长进行预测，国家制定未来人
口发展目标和生育政策等有关人口政策的基础，对于国民经济计划的
制定和社会战略目标的决策具有重要参考价值。人口的预测，作为经
济、社会研究的需要，应用越来越广泛，也越来越受到人们的重视。
在描绘未来小康社会的蓝图时，首先应要考虑的是未来中国的人口数
量、结构、分布、劳动力、负担系数等等，而这又必须通过人口的预
测来一一显示。人口数量在时间上的变化，可以用时间序列模型来预
测其继后期的数量。
本文通过时间序列分析的方法对人口增长建立模型,取得了较好
. . .
.. ..
的预测结果。时间序列分析是研究动态数据的动态结构和发展变化规
律的统计方法。以1990年至2008年中国人口总数为例,用时间序列
分析Eviews软件建立模型,并对人口的增长进行预测,研究时间序列
模型在人口增长中的应用。
基本假设
(1) 在预测中国人口的增长趋势时，假设全国人口数量的变化是
封闭的即人口的出生率和死亡率是自然变化的，而不考虑与其他国家
的迁移状况；
(2)在预测的年限，不会出现意外事件使人口发生很大的波动，
如战争，疾病；
(3) 题目数据能够代表全国的整体人数。。
问题分析
根据抽样的基本原理，预测人口增长趋势最直接的方法就是预测
出人口总数的增长量，因此我们运用中华人民国国家统计局得到的
1990年到2008年度总人口数据。考虑到迁移率、死亡率、出生率、
年龄结构等多个因素对人口数量的影响，求解人口增长趋势的关键是
如何在我们的模型中充分的利用这些影响因素从而使我们的预测结
果具有较高的精确性。
研究数据：
. . .
.. ..
年份 总人数
1990 114333
1991 115823
1992 117171
1993 118517
1994 119850
1995 121121
1996 122389
1997 123626
1998 124761
1999 125786
2000 126743
2001 127627
2002 128453
2003 129227
2004 129988
2005 130756
2006 131448
2007 132129
2008 132802
. . .
.. ..
分析：这是通过原始数据得到的散点图，可以看出人数呈现的是逐渐上升的趋势。
研究步骤:
分析描述性统计量，由以上数据计算总人数的均值和标准差：
总人数 的均值 = 124871
总人数 的标准差 = 5787.78
观察值个数=19
运用eviews软件对白噪声序列进行检验：
步骤为：1.导入数据，选择file—new—workfile导入数据，再选择
file—import—read text lotus——excel，输入相关数据名称（X）。
2.打开resid序列，view，correlogram，差分阶数选择
level，点击“确定”。
所以可以对起建模。同时得到样本的自相关图
. . .
.. ..
分析：从上图可知，看q统计量的伴随p值，可以看出该人口总数序列为非白噪
声序列，自相关函数图和偏自相关函数图中，除了延迟1阶的偏自相关系数显著
大一2倍标准差之外，其他的偏自相关系数都在2倍标准差围做小值变动，所以
该自相关系数可视为1阶截尾。因此该X序列设定为AR模型。于是对于系列X，
我们初步建立了AR（1）模型。
平稳性检验：
. . .
.. ..
分析：
ADF检验的结果，拒绝原假设，认为该序列没有单位根，该序列是平稳
的。同样，序列与时间之间的关系还有很多，比如指数曲线，生命曲线等，其回
归模型的建立。参数估计等方法与回归分析相同。
模型参数估计
. . .
.. ..
AR(1)回归结果
图：模型拟合图
分析：可以看到，解释变量的系数估计值在5%的显著性水平下都是显著的。模
型拟合图，残差波动围绕在0值波动，拟合值差距不大，可以看出AR模型
：
模型显著性检验
. . .
.. ..
图：模型残差
图：残差的平稳性和纯随机性检验
分析：对残差序列进行白噪声检验，可以看出ACF和PACF都没有显著异于0，
. . .
.. ..
且，q统计量对应的p值都小于0.05，所以该序列平稳。
模型的预测
点击“forecast”，会弹出一个对话框，在eviews中有两种预测方式，“dynamic”
和“static”，前者是根据所选择的一定的估计区间，进行多步向前预测，后者
只滚动的进行向前一步预测，即每预测一次，用真实值代替预测值，加入到估计
区间，再进一步向前预测。
先估计2003年到2008年的X的总人数，可以根据对话框自行选择，得到如
下结果：
分析：
图中实线代表X的预测值，两条虚线则提供了两倍标准差的置信区间。
可以看到，正如我们在前面所讲的，随着预测时间的增长，预测值很快趋向于序
列的均值，图中右边列出的是评价预测的一些标准，如平均预测误差平方根
（rmse）为78.79787，theil不相等系数为0.000301，表示预测能力比较好。
下面再利用“static”方法估计2004年到2008年的X，方法如上可以得到如下
结果：
. . .
.. ..
分析：方差比例的下降表明较好的模拟了实际序列的波动，theil不等系数为
0.014605，表明模型的预测结果较为理想。
模型优化
当一个拟合模型通过了检验，说明在一定的显著水平下，该模型能有效地拟
合观察值序列的波动，但这种有效模型不是唯一的。
优化的目的，是为了选择相对最优模型。
. . .
.. ..
分析：由上图可知，滞后二阶参数不显著，不需要进行深入判断
。
综合分析：
使用了时间序列分析的方法对全国的总人口数据序列建立了自回归
预测模型，并利用模型对2003到2008年的数值进行预测和对照。预测结果与实际
值比较如下表所示。一阶自回归模型经济意义比较明确，可以处理随时间变化的
波动，模型在短期预测比较准确，平均绝对年份实际值预测值相对误差(％) 平
均误差误差为0.289%，但随着预测期的延长，预测误差可能会出现逐渐增大的情
况。尽管如此，其短期预测精度还是比较高的。
年份 实际值 预测值 相对误差 平均
2003 129227 128951 0.151
0.289
2004 129988 129970 0.010
2005 130756 130990 0.127
2006 131448 132010 0.302
2007 132129 133030 0.482
2008 132802 134050 0.664
由此可见，时间序时间序列预测法是一种重要的预测方法，其模型比较简单，
对资料的要求比较单一，只需变量本身的历史数据，在实际中有着广泛的适用性。
在应用中，应该根据所要解决的问题及问题的特点等方面因素来综合考虑并选择
相对最优的模型。
从上可以看出时间序列分析对中国人口自然增长的问题建立模型, 揭示了
中国大陆人口自然增长的变化情况, 并用此模型进行了预测,预测效果较好, 说
明此方法对人口的预报有一定的参考价值。
参考文献
[1] 王燕 著，《应用时间序列分析（第二版）》，中国人名大学，2008。
[2] 吴怀宇 《时间序列分析与综合》
[3] 中华人民国国家统计局 ，中国统计年鉴
[4] 晓峒．《计量经济学软件EViews使用指南》 南开大学
[5] 子奈 《计量经济学》 高等教育