应用时间序列分析 -
时间序列分析方法概述及应用
时间序列分析方法概述及应用时间序列分析是一种用于研究时间序列数据的统计方法，它涉及对时间序列的趋势、季节性和周期性等特性进行建模并进行预测。
本文将概述时间序列分析的基本方法，包括平滑方法、分解方法以及常用的时间序列模型，同时介绍时间序列分析在经济、金融、气象等领域的应用。
一、平滑方法平滑方法是最简单的时间序列分析方法之一，它通过移动平均或指数平滑技术来消除序列中的随机波动，以揭示序列的趋势。
其中，移动平均法通过计算一段时间内的均值来平滑序列，较少随机变动的影响。
指数平滑法则赋予更多的权重给最近的观测值，以更好地反映序列的变动趋势。
这些方法在预测短期波动趋势方面较为常用。
二、分解方法分解方法是将时间序列分解为趋势、季节性和随机成分的组合。
其中，趋势是指序列随时间变化的长期趋势；季节性则是指序列按照固定周期重复的短期波动。
常用的分解方法包括经典分解法和X-11季节性调整法。
经典分解法基于移动平均技术，将时间序列分解为趋势、季节性和残差成分。
X-11季节性调整法则是对时间序列中季节性的方法进行识别和去除，以得到季节调整后的数据。
三、时间序列模型时间序列模型是用数学模型来描述并预测时间序列的方法。
常见的时间序列模型包括AR模型、MA模型以及ARMA模型。
AR模型（自回归模型）是为了描述序列中当前值与过去的若干值之间的关系；MA 模型（滑动平均模型）是描述序列中当前值与过去的随机波动之间的关系；ARMA模型则是将AR模型和MA模型结合起来，以更好地描述时间序列的特性。
通过对时间序列建模，我们可以对未来的趋势和波动进行预测。
四、应用领域时间序列分析在许多领域都有广泛的应用。
在经济学中，时间序列分析可以用于分析经济指标的变动趋势、预测经济增长以及评估宏观经济政策的有效性。
在金融学中，时间序列分析可以用于预测股市指数的变动、评估风险以及制定投资策略。
此外，时间序列分析也被应用于气象、环境科学、医学等领域，以分析气象变化、环境污染水平以及流行病爆发的趋势。
王燕-应用时间序列分析
宽平稳
平稳时间序列的统计定义
满足如下条件的序列称为严平稳序列
正整数m, t1 , t 2 , , t m T， 正整数， 有
Ft1 ,t 2 t m ( x1 , x 2 , , x m ) Ft1 ,t 2 t m ( x1 , x 2 , , x m )
推荐软件——SAS
第二章
时间序列的预处理
本章结构
平稳性检验 纯随机性检验
2.1平稳性检验
特征统计量 平稳时间序列的定义 平稳时间序列的统计性质 平稳时间序列的意义 平稳性的检验
概率分布
概率分布的意义
随机变量族的统计特性完全由它们的联合分布函数 或联合密度函数决定
G.U.Yule
1927年，AR模型 1931年，MA模型，ARMA模型
G.T.Walker
核心阶段
G.E.P.Box和 G.M.Jenkins
1970年，出版《Time Series Analysis Forecasting and Control》 提出ARIMA模型（Box—Jenkins 模型） Box—Jenkins模型实际上是主要运用于单变 量、同方差场合的线性模型
描述性时序分析案例
德国业余天文学家施瓦尔发现太阳黑子的活动具有11年左右的周期
统计时序分析
频域分析方法 时域分析方法
频域分析方法
原理
假设任何一种无趋势的时间序列都可以分解成若干不同频率 的周期波动 早期的频域分析方法借助富里埃分析从频率的角度揭示时间 序列的规律 后来借助了傅里叶变换，用正弦、余弦项之和来逼近某个函 数 20世纪60年代，引入最大熵谱估计理论，进入现代谱分析阶 段 非常有用的动态数据分析方法，但是由于分析方法复杂，结 果抽象，有一定的使用局限性
《应用时间序列分析》课程教学大纲
《应用时间序列分析》课程教学大纲一、课程基本信息课程代码：课程名称：应用时间序列分析英文名称：Applied Time Series Analysis课程类别：专业课学时：48学分：3适用对象: 统计学、应用统计学、数据科学与大数据技术专业本科生考核方式：考试先修课程：数学分析、高等代数、概率论、数理统计二、课程简介时间序列分析是统计学科的一个重要分支，它主要研究随着时间的变化，事物发生、发展的过程，寻找事物发展变化的规律，并预测未来的走势。
在日常生产生活中，时间序列比比皆是，目前时间序列分析方法广泛地应用于经济、金融、天文、气象、海洋、物理、化学、医学、质量控制等诸多领域，成为众多行业经常使用的统计方法。
作为数理统计学的一个分支，时间序列分析遵循数理统计学的基本原理，但由于时间的不可重复性，使得我们在任意一个时刻只能获得唯一的序列观察值，这种特殊性的数据结构导致时间序列分析又存在其非常特殊，自成的一套分析方法。
应用时间序列分析根据时序分析方法对各种社会、金融等现象进行认识分析，并使用时间序列分析的相关软件，具有较强的应用性和可操作性。
本课程主要介绍时间序列分析的基本理论和方法，包括AR 模型，MA 模型，ARMA 模型，单位根检验法，平稳序列的模型识别方法、模型检验、优化、预测，非平稳时序模型，无季节效应的非平稳序列分析，有季节效应的非平稳序列分析，包括因素分解理论、指数平滑预测模型等时间序列分析理论和方法。
其次，R语言不仅是一款统计软件，还是一个可以进行交互式数据分析和探索的强大平台，金融、经济、医疗、数据挖掘等诸多领域都基于R研发它们的分析方法。
在这个平台上，时间序列分析方法可以非常便捷地嵌入其他领域的研究中，成为各行业实务分析的基础方法。
最重要的一点是，由于R语言的开放性和资源共享性，它可以汇集全球R用户的智慧和创造力，以惊人的速度发展。
在R平台上，新方法的更新速度是以周为单位计算的，这是传统统计软件所无法比拟的。
时间序列分析的应用与案例
交通流量分析
交通流量数据的收集与整理 时间序列分析在交通流量中的应用 交通流量预测模型的建立与评估 实际案例分析：交通拥堵预测与缓解策略
Hale Waihona Puke 销售预测与库存管理● 销售预测：利用时间序列分析方法，对未来销售趋势进行预测，为生产计划和库存管理提供依据。 ● 库存管理：通过时间序列分析，实时监控库存水平，避免库存积压和缺货现象，提高库存周转率
金融市场波动性预测： 利用时间序列分析方 法，预测金融市场的 波动性，帮助投资者 了解市场风险。
金融市场趋势预测： 通过对历史数据进行 分析，预测金融市场 的整体趋势，为投资 者提供投资方向。
气候变化研究
时间序列分析在气候变化研究中的应用 气候变化数据的收集与整理 气候变化趋势的预测与模拟 气候变化对环境和人类活动的影响评估
时间序列分析的应用 与案例
,a click to unlimited possibilities
汇报人：
目录 /目录
01
时间序列分析 概述
02
时间序列分析 的应用领域
03
时间序列分析 案例展示
04
时间序列分析 的优缺点及未 来发展趋势
01 时间序列分析概述
定义与特点
时间序列分析的 定义
时间序列分析的 特点
运行。
03 时间序列分析案例展示
股票价格预测案例
背景介绍：股票价格预测的意义和挑战
数据准备：选取合适的股票数据，进行预处理和特征提取
模型选择：选择适合的时间序列分析模型，如ARIMA、LSTM等
模型训练与评估：对选定的模型进行训练，并使用适当的评估指标对 预测结果进行评估
结果展示：展示预测结果，并分析模型的优缺点和改进方向
时间序列分析的应用
时间序列分析的应用时间序列分析是运用数学、统计学等方法对时间序列资料进行观察、分析和预测的一门学科。
时间序列资料是在时间顺序下观察到的一系列变量值，例如股票收盘价、气候变化指标和销售数据等。
时间序列分析的应用广泛，下面就从不同领域的角度来介绍一些常见的应用及其方法。
1. 经济领域时间序列分析在经济领域的应用较为广泛，主要用于对宏观经济变量进行预测和分析。
主要方法包括趋势分析、季节性分析和周期性分析。
趋势分析可以用于预测经济增长趋势，季节性分析可以用于预测销售数据在不同季节的变化，周期性分析可以用于预测市场波动周期。
此外，时间序列分析还可以用于金融领域的波动率预测和风险管理。
2. 环境领域时间序列分析在环境领域的应用也相当重要。
例如，可以利用时间序列资料来分析气候变化趋势和减缓气候变化的措施效果。
常用的分析方法包括时间序列的平稳性分析、自回归滑动平均模型建立和灰色预测等。
3. 医学领域医学领域中，时间序列分析可用于病发率预测、药物效果评价等方面。
例如，疫情数据的时间序列分析可以用于控制疫情的扩散趋势，肿瘤病发率时间序列分析可用于对病人治疗和康复方案的预测。
4. 社交媒体领域随着社交媒体的普及，时间序列分析在社交媒体领域也有了广泛的应用。
例如，可以分析特定时段用户对某个事件的互动情况，利用时间序列分析挖掘用户对某个品牌的兴趣变化趋势等方面。
常用的分析方法包括自回归模型、指数平滑法等。
总的来说，时间序列分析是一种非常有用的数据分析方法，可以应用于诸多领域并取得良好的预测效果。
使用者需要选择合适的方法，结合实际情况进行分析。
此外，由于时间序列资料具有一定的随机性质，关键在于准确、全面地获取数据、选择合适的模型和算法来进行分析。
什么是时间序列分析？有哪些应用场景？
时间序列分析是一种统计方法，专门用于研究有序时间点上观测到的数值数据。
这些数据点按照时间顺序排列，形成了一条时间序列。
时间序列分析旨在揭示这些数据随时间变化的模式、趋势和周期性，并预测未来的走势。
这一方法广泛应用于各个领域，包括但不限于金融、经济、气象、生物学、医学、社会科学和工程等。
**一、时间序列分析的基本概念**1. **时间序列的定义**：时间序列是一组按时间顺序排列的数据点，通常用于反映某个或多个变量随时间的变化情况。
这些数据点可以是连续的（如每秒的气温），也可以是离散的（如每天的股票价格）。
2. **时间序列的构成**：时间序列通常由四个部分组成：趋势（Trend）、季节性（Seasonality）、周期性（Cyclicality）和随机性（Randomness）。
* **趋势**：长期变化的方向，可以是上升、下降或平稳的。
* **季节性**：由外部因素（如季节变化）引起的周期性变化。
* **周期性**：由内部因素（如经济周期）引起的周期性变化。
* **随机性**：无法预测的随机波动。
3. **时间序列的类型**：根据数据的性质和分析目标，时间序列可以分为平稳时间序列和非平稳时间序列。
平稳时间序列的统计特性（如均值和方差）不随时间变化，而非平稳时间序列则可能存在长期趋势或其他非恒定特性。
**二、时间序列分析方法**1. **描述性统计**：通过计算时间序列的均值、方差、标准差等指标，初步了解数据的分布情况。
2. **时间序列图**：通过绘制时间序列图，可以直观地观察数据的趋势、季节性和周期性。
3. **时间序列模型**：常用的时间序列模型包括自回归模型（AR）、移动平均模型（MA）和自回归移动平均模型（ARMA）等。
这些模型通过拟合历史数据来预测未来的趋势。
**三、时间序列分析的应用场景**1. **金融市场分析**：时间序列分析在金融市场分析中具有重要意义。
股票价格、汇率、债券收益率等金融数据都是典型的时间序列数据。
应用时间序列分析-何书元
2.随机项的估计
Rˆt xt Tˆt Sˆt ,t 1,2,,24.
1
-125
119
-64 61.9
14.7
-223.3 209.5 52.1 -136.8
-34.6 60
146.5 4.8
-121.1
87.6 -14.7
-38.3
4.8 -12.8 48 24.6
-30.5 -34.4
方法二：回归直线法
1790-1980年间每10年的美国人口总数
例4
1985至2000年广州月平均气温
例5
北京地区洪涝灾害数据
例5 虚线是成灾面积
图
一、时间序列的定义
时间序列:按时间次序排列的随机变量序列
X1, X 2,
(1.1)
n 个观测样本:随机序列的 n个有序观测值
x1, x2 ,, xn
(1.2)
《应用时间序列分析》
何书元 编著 北京大学出版社
广泛的应用领域：
金融经济 气象水文 信号处理 机械振动
………… 目的：描述、解释、预测、控制 本书主要介绍时间序列的基本知识、常用的建模和预测 方法
Wolfer记录的300年的太阳黑子数
光大证券2009.09.18-
《应用时间序列分析》
目录
第一章 时间序列 第二章 自回归模型 第三章 滑动平均模型与自回归滑动平均模型 第四章 均值和自协方差函数的估计 第五章 时间序列的预报 第六章 ARMA模型的参数估计
3. 随机项估计即为 {Xt Tˆt Sˆt}
方法一：分段趋势法
一、分段趋势图(年平均)
趋势项估计为
Tˆ1 Tˆ2 Tˆ3 Tˆ4 5873.0 Tˆ5 Tˆ6 Tˆ7 Tˆ8 5875.0 Tˆ9 Tˆ10 Tˆ11 Tˆ12 5853.0 Tˆ13 Tˆ14 Tˆ15 Tˆ16 6073.7 Tˆ17 Tˆ18 Tˆ19 Tˆ20 6262.6 Tˆ21 Tˆ22 Tˆ23 Tˆ24 6384.5
统计技术应用 时间序列分析
以及什 么调整 可能对过程趋 向某些 目 标值 产生影响 、或什么调
整能减少过程变异。
（ ） ３ 单击 【 选项 】 ，打开趋势分析 一 选项对话框 ，如图 ３ 。
５ 局 限性 和 注 意事 项
当为 了了解原 因和结 果而建立过程模型时 ，需要具备选择
＇ ０＇ ・ ４ １ ２ ｔ Ｏ ３ ｌ
日用 电 器 ｆＥｅ ｔｃ ｌ ｐｌ ｎ ｅ ｌｃｒ ａ ｉ Ａｐ ｉ ｃ ｓ ａ
本例标题 为 “ 线性模型拟合趋势分析 ”。
（ ） ４ 单击 【 存储 】 ，打开趋势分析 一 存储对话框 ， 如图 ４ 。 本例存储选中 “ 拟合值 ”和 “ 预测值 ”。
最适宜模型和使用诊断工具以改进模 型的技能水平。
表 １ 某 企 业 １９ ９ ０年 至 ２ ０ ０ ５年 的 各 年利 润 率
不 同 的时 间序 列 估 计 技 术 可能 具 有 不 同 的成 功 程 度 ，这 主
方差函数 的估计等 ；
４ 应用建立 的模型进行 预测预报 。 ）
３ 时 间序 列 分析 的用 途
时间序列分析的用途可 以概括为 ：
要取决 于时间序列的形态 ，以及针 对可获得的时间序列数据的 时 间周期数量所期望 的预测 周期的数量。模 型的选 择应 考虑分 析 的目标 、数据 的性质 、相关成本 以及各种模型 的分析和 预计
热 点 追 踪 ・ ｏｔｃ Ｈ ｔ ａｋ ｒ
Ｅ １ ｔ ｅ ｃ ｒ ｉ １ ｅ ａ Ａ ｐ ｐ ｌ ｉ ｃ ｅ ａ ｎ ８
３ 对建立 的模 型进 行检验 ，常用的方法有均值估计 、自协 ）
在 分析 中，包括或 遗漏某个观测值或一小组观测值 ，都可 能对模型产生重要影响 。因此 ，应理解有影响的观测值并与数 据中的 “ 离群值 ”相 区别 。
- 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)。
姓名：葛国峰学号：1122307851 编号：33 习题2.32.解：data b;input y@@;time=intnx('month','1jan1975'd,_n_-1);format time data;cards;330.45 330.97 331.64 332.87 333.61 333.55331.90 330.05 328.58 328.31 329.41 330.63331.63 332.46 333.36 334.45 334.82 334.32333.05 330.87 329.24 328.87 330.18 331.50332.81 333.23 334.55 335.82 336.44 335.99334.65 332.41 331.32 330.73 332.05 333.53334.66 335.07 336.33 337.39 337.65 337.57336.25 334.39 332.44 332.25 333.59 334.76335.89 336.44 337.63 338.54 339.06 338.95337.41 335.71 333.68 333.69 335.05 336.53337.81 338.16 339.88 340.57 341.19 340.87339.25 337.19 335.49 336.63 337.74 338.36;run;proc gplot;plot y*time;symbol1v=dot i=join c=black w=3;proc arima data=b;identify var=y nlag=24;run;（1）序列图：判断：由图形可知：该序列不平稳。
（2）The SAS System 10：20 Tuesday, September 20, 2013 1The ARIMA ProcedureWARNING: The value of NLAG is larger than 25% of the series length. The asymptotic approximations used for correlation based statistics and confidence intervals may be poor.Name of Variable = yMean of Working Series 334.5044Standard Deviation 3.151627Number of Observations 72AutocorrelationsLag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error0 9.932752 1.00000 | |********************| 01 9.014050 0.90751 | . |****************** | 0.1178512 7.168604 0.72171 | . |************** | 0.1917443 5.090716 0.51252 | . |********** | 0.2263504 3.474700 0.34982 | . |******* . | 0.2419325 2.452361 0.24690 | . |***** . | 0.2488586 2.017285 0.20309 | . |**** . | 0.2522377 2.087944 0.21021 | . |**** . | 0.2544988 2.625108 0.26429 | . |***** . | 0.2568989 3.618821 0.36433 | . |******* . | 0.26064710 4.814571 0.48472 | . |**********. | 0.26762711 5.806306 0.58456 | . |************ | 0.27955412 5.979308 0.60198 | . |************ | 0.29604513 5.149264 0.51841 | . |********** . | 0.31258414 3.660844 0.36856 | . |******* . | 0.32430515 2.053220 0.20671 | . |**** . | 0.33007216 0.808334 0.08138 | . |** . | 0.33186517 0.013455 0.00135 | . | . | 0.33214218 -0.322607 -.03248 | . *| . | 0.33214219 -0.269167 -.02710 | . *| . | 0.33218620 0.111604 0.01124 | . | . | 0.33221721 0.821916 0.08275 | . |** . | 0.33222222 1.689632 0.17011 | . |*** . | 0.33250823 2.415631 0.24320 | . |***** . | 0.33371524 2.508248 0.25252 | . |***** . | 0.336167"." marks two standard errors（3）The SAS System 10：20 Tuesday, September 20, 2013 2The ARIMA ProcedureInverse AutocorrelationsLag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 11 -0.58082 | ************| . |2 -0.02712 | . *| . |3 0.20008 | . |****. |4 -0.12866 | . ***| . |5 0.07658 | . |** . |6 -0.06197 | . *| . |7 0.03185 | . |* . |8 0.02403 | . | . |9 -0.10454 | . **| . |10 0.17130 | . |*** . |11 -0.12291 | . **| . |12 -0.00765 | . | . |13 0.04289 | . |* . |14 -0.05806 | . *| . |15 0.11307 | . |** . |16 -0.10786 | . **| . |17 0.02081 | . | . |18 0.06299 | . |* . |19 -0.06869 | . *| . |20 0.02879 | . |* . |21 -0.03841 | . *| . |22 0.09736 | . |** . |23 -0.09477 | . **| . |24 0.03281 | . |* . |Partial AutocorrelationsLag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 11 0.90751 | . |****************** |2 -0.57732 | ************| . |3 0.02855 | . |* . |4 0.23812 | . |***** |5 -0.03355 | . *| . |6 0.06915 | . |* . |7 0.15640 | . |*** . |8 0.17931 | . |****. |9 0.25748 | . |***** |10 0.10993 | . |** . |11 0.00617 | . | . |12 -0.25943 | *****| . |13 -0.17679 | .****| . |14 0.02902 | . |* . |15 -0.03960 | . *| . |16 0.01081 | . | . |17 -0.09768 | . **| . |18 -0.02402 | . | . |The SAS System 10：20 Tuesday, September 20, 2013 3The ARIMA ProcedurePartial AutocorrelationsLag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 119 0.00630 | . | . |20 -0.08454 | . **| . |21 0.06247 | . |* . |22 0.01467 | . | . |23 0.02958 | . |* . |24 -0.10605 | . **|. | Autocorrelation Check for White NoiseTo Chi- Pr >Lag Square DF ChiSq --------------------Autocorrelations--------------------6 139.50 6 <.0001 0.908 0.722 0.513 0.350 0.247 0.20312 242.38 12 <.0001 0.210 0.264 0.364 0.485 0.585 0.60218 283.85 18 <.0001 0.518 0.369 0.207 0.081 0.001 -0.03224 301.25 24 <.0001 -0.027 0.011 0.083 0.170 0.243 0.253解释：从自相关图中可以看出：这是一种递增趋势的非平稳数列。
3.解（1）The SAS System 07:00 saturday, September 21, 2013 3 The ARIMA ProcedureWARNING: The value of NLAG is larger than 25% of the series length. The asymptotic approximations used for correlation based statistics and confidence intervals may be poor.Name of Variable = yMean of Working Series 98.12361Standard Deviation 48.93531Number of Observations 72AutocorrelationsLag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error0 2394.665 1.00000 | |********************| 01 124.786 0.05211 | . |* . | 0.1178512 -114.286 -.04773 | . *| . | 0.1181713 -258.859 -.10810 | . **| . | 0.1184384 -522.593 -.21823 | .****| . | 0.1198015 -301.208 -.12578 | . ***| . | 0.1252006 -143.875 -.06008 | . *| . | 0.1269437 69.899041 0.02919 | . |* . | 0.1273388 -179.450 -.07494 | . *| . | 0.1274309 -59.394302 -.02480 | . | . | 0.12804110 84.477704 0.03528 | . |* . | 0.12810811 387.659 0.16188 | . |*** . | 0.12824312 642.829 0.26844 | . |***** | 0.13105013 -29.665211 -.01239 | . | . | 0.13847714 95.360212 0.03982 | . |* . | 0.13849215 -380.392 -.15885 | . ***| . | 0.13865116 -356.928 -.14905 | . ***| . | 0.14115617 -461.638 -.19278 | . ****| . | 0.14332518 163.505 0.06828 | . |* . | 0.14688319 -150.758 -.06296 | . *| . | 0.14732320 222.713 0.09300 | . |** . | 0.14769621 396.093 0.16541 | . |*** . | 0.14850722 -166.053 -.06934 | . *| . | 0.15104423 307.584 0.12845 | . |*** . | 0.15148624 125.349 0.05234 | . |* . | 0.152991"." marks two standard errors判断：由该序列的时序图可知周期性的平稳数列（3）The SAS System 07:00 saturday, September 21, 2013 3The ARIMA ProcedureInverse AutocorrelationsLag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 11 0.01388 | . | . |2 0.18092 | . |****. |3 0.07951 | . |** . |4 0.19614 | . |****. |5 0.08263 | . |** . |6 0.06712 | . |* . |7 -0.04348 | . *| . |8 0.03328 | . |* . |9 0.10540 | . |** . |10 -0.04671 | . *| . |11 -0.03890 | . *| . |12 -0.17068 | . ***| . |13 0.10690 | . |** . |14 -0.05577 | . *| . |15 0.06454 | . |* . |16 -0.02009 | . | . |17 0.12211 | . |** . |18 -0.06930 | . *| . |19 0.09803 | . |** . |20 -0.06746 | . *| . |21 -0.07246 | . *| . |22 0.08905 | . |** . |23 -0.04974 | . *| . |24 -0.01327 | . | . |Partial AutocorrelationsLag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 11 0.05211 | . |* . |2 -0.05058 | . *| . |3 -0.10339 | . **| . |4 -0.21302 | .****| . |5 -0.12668 | . ***| . |6 -0.09591 | . **| . |7 -0.03342 | . *| . |8 -0.17421 | . ***| . |9 -0.11437 | . **| . |10 -0.05064 | . *| . |11 0.10671 | . |** . |12 0.22503 | . |***** |13 -0.03372 | . *| . |14 0.09978 | . |** . |15 -0.04635 | . *| . |16 -0.00085 | . | . |17 -0.16166 | . ***| . |18 0.08878 | . |** . |The SAS System 07:00 saturday, September 21, 2013 3The ARIMA ProcedurePartial AutocorrelationsLag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 119 -0.15989 | . ***| . |20 0.09844 | . |** . |21 0.07272 | . |* . |22 -0.11805 | . **| . |23 0.06340 | . |* . |24 0.01689 | . | . |Autocorrelation Check for White NoiseTo Chi- Pr >Lag Square DF ChiSq --------------------Autocorrelations--------------------6 6.56 6 0.3634 0.052 -0.048 -0.108 -0.218 -0.126 -0.06012 15.94 12 0.1938 0.029 -0.075 -0.025 0.035 0.162 0.26818 24.64 18 0.1352 -0.012 0.040 -0.159 -0.149 -0.193 0.06824 31.39 24 0.1428 -0.063 0.093 0.165 -0.069 0.128 0.052判断：由于p的值都大于a，，所以该序列为纯随机序列。