实验指导书(ARIMA模型建模与预测)
实验一arima模型建立与应用
实验一 ARIMA 模型建立与应用一、实验项目： ARIMA 模型建立与预测。
二、实验目的1、准确掌握 ARIMA （p,d,q ） 模型各种形式和基本原理；2、熟练识别 ARIMA （p,d,q ） 模型中的阶数 p,d,q 的方法；3、学会建立及检验 ARIMA （p,d,q ） 模型的方法；4、熟练掌握运用 ARIMA （p,d,q ） 模型对样本序列进行拟合和预测； 三、预备知识（一）模型1、AR （p ）（p 阶自回归模型）xt 1x t 1 2 xt 2p x t p ut其中u t 白噪声序列，3是常数（表示序列数据没有 0均值化）AR （p ）等价于（1 丄 2L 2丄p ）X tu tAR （p ）的特征方程是：（L ） 1 丄 2L 2pL pAR （p ）平稳的充要条件是特征根都在单位圆之外。
2、MA （ q ）（ q 阶移动平均模型）Xtut 1u t 1 2ut 2q ut qX t （1 1L 2L 2qL q）u t（L ）u t其中｛u t ｝是白噪声过程。
MA （ q ）平稳性MA （q ）是由u t 本身和q 个u t 的滞后项加权平均构造出来的，因此它是平 稳的。
MA （q ）可逆性（用自回归序列表示 u t ）u t ［ （L ）］ 1X t可逆条件：即［（L ）］ 1收敛的条件。
即3（ L ）每个特征根绝对值大于1,即 全部特征根在单位圆之外。
3、ARMA （p , q ）（自回归移动平均过程）(L)X t (L)u tARMA （p , q ）平稳性的条件是方程◎（ 条件是方程3（ L ） =0 的根全部在单位圆外。
Xt 1Xt 12 Xt 2p Xtput 1ut 12ut 2q ut2(L)X t (11L 2L 2pL p)X t(11L 2L 2qL q)u t(L)u tL ） =0 的根都在单位圆外；可逆性4、ARIMA (p , d , q )(单整自回归移动平均模型) 差分算子： x t x t x t 1 x t Lx t (1 L)x t2 2X tX t X t 1 (1 L)X t (1 L)X t 1 (1 L) X tddX t (1 L) X t对d 阶单整序列Xt~I(d)w tdX t (1 L)dX t则wt 是平稳序列，于是可对 wt 建立ARMA (p , q )模型，所得到的模型 称为Xt~ARIMA ( p ，d ，q )，模型形式是Wt 1Wt1 2 Wt2 p WtpUt 1Ut 12Ut 2q Ut q(L) dX t(L)u t由此可转化为ARMA 模型。
VR虚拟现实-实验一 ARIMA模型建立与应用 精品
实验一 ARIMA 模型建立与应用一、实验项目：ARIMA 模型建立与预测。
二、实验目的1、准确掌握ARIMA(p,d,q)模型各种形式和基本原理；2、熟练识别ARIMA(p,d,q)模型中的阶数p,d,q 的方法；3、学会建立及检验ARIMA(p,d,q)模型的方法；4、熟练掌握运用ARIMA(p,d,q)模型对样本序列进行拟合和预测； 三、预备知识（一）模型1、AR （p ）(p 阶自回归模型）t p t p t t t u x x x x +++++=---φφφδ 2211其中u t 白噪声序列，δ是常数（表示序列数据没有0均值化） AR （p ）等价于t t p p u x L L L +=----δφφφ)1(221AR （p ）的特征方程是：01)(221=----=Φp p L L L L φφφ AR （p ）平稳的充要条件是特征根都在单位圆之外。
2、MA （q ）（q 阶移动平均模型）q t q t t t t u u u u x ---+++++=θθθμ 2211t t q q t u L u L L L x )()1(221Θ=++++=-θθθμ其中{u t }是白噪声过程。
MA （q ）平稳性MA （q ）是由u t 本身和q 个u t 的滞后项加权平均构造出来的，因此它是平稳的。
MA （q ）可逆性（用自回归序列表示u t ）t t x L u 1)]([-Θ=可逆条件：即1)]([-ΘL 收敛的条件。
即Θ（L ）每个特征根绝对值大于1，即全部特征根在单位圆之外。
3、ARMA （p ，q ）（自回归移动平均过程）q t q t t t p t p t t t u u u u x x x x ------+++++++++=θθθδφφφ 22112211t t qq tp p t u L u L L L x L L L x L )()1()1()(221221Θ+=+++++=----=Φδθθθδφφφt t u L x L )()(Θ+=ΦδARMA （p ，q ）平稳性的条件是方程Φ（L ）=0的根都在单位圆外；可逆性条件是方程Θ（L ）=0的根全部在单位圆外。
实验三：ARIMA模型建模与预测实验报告
课程论文（2016 / 2017学年第 1 学期）课程名称应用时间序列分析指导单位经济学院指导教师易莹莹学生姓名班级学号学院(系) 经济学院专业经济统计学实验三ARIMA 模型建模与预测实验指导一、实验目的：了解ARIMA 模型的特点和建模过程，了解AR ，MA 和ARIMA 模型三者之间的区别与联系，掌握如何利用自相关系数和偏自相关系数对ARIMA 模型进行识别，利用最小二乘法等方法对ARIMA 模型进行估计，利用信息准则对估计的ARIMA 模型进行诊断，以及如何利用ARIMA 模型进行预测。
掌握在实证研究如何运用Eviews 软件进行ARIMA 模型的识别、诊断、估计和预测。
二、基本概念：所谓ARIMA 模型，是指将非平稳时间序列转化为平稳时间序列，然后将平稳的时间序列建立ARMA 模型。
ARIMA 模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA ）、自回归过程（AR ）、自回归移动平均过程（ARMA ）以及ARIMA 过程。
在ARIMA 模型的识别过程中，我们主要用到两个工具：自相关函数ACF ，偏自相关函数PACF 以及它们各自的相关图。
对于一个序列{}t X 而言，它的第j 阶自相关系数j ρ为它的j 阶自协方差除以方差，即j ρ＝j 0γγ，它是关于滞后期j 的函数，因此我们也称之为自相关函数，通常记ACF(j )。
偏自相关函数PACF(j )度量了消除中间滞后项影响后两滞后变量之间的相关关系。
三、实验任务：1、实验内容：（1）根据时序图的形状，采用相应的方法把非平稳序列平稳化；（2）对经过平稳化后的1950年到2005年中国进出口贸易总额数据建立合适的(,,)ARIMA p d q 模型，并能够利用此模型进行进出口贸易总额的预测。
2、实验要求：（1）深刻理解非平稳时间序列的概念和ARIMA 模型的建模思想；（2）如何通过观察自相关，偏自相关系数及其图形，利用最小二乘法，以及信息准则建立合适的ARIMA 模型；如何利用ARIMA 模型进行预测；（3）熟练掌握相关Eviews 操作，读懂模型参数估计结果。
eviews实验指导ARIMA模型建模与预测
eviews实验指导ARIMA模型建模与预测在数据分析和时间序列预测的领域中，ARIMA 模型是一种非常强大且实用的工具。
通过eviews 软件来实现ARIMA 模型的建模与预测，可以帮助我们更高效地处理和分析数据，做出更准确的预测。
接下来，让我们逐步深入了解如何使用eviews 进行ARIMA 模型的建模与预测。
首先，我们要明白什么是 ARIMA 模型。
ARIMA 全称为自回归移动平均整合模型（Autoregressive Integrated Moving Average Model），它由三个部分组成：自回归（AR）部分、差分（I）部分和移动平均（MA）部分。
自回归（AR）部分是指当前值与过去若干个值之间存在线性关系。
例如，如果说一个时间序列在 AR(2)模型下，那么当前值就与前两个值有关。
移动平均（MA）部分则表示当前值受到过去若干个随机误差项的线性影响。
差分（I）部分用于将非平稳的时间序列转化为平稳序列。
平稳序列在统计特性上，如均值、方差等，不随时间变化而变化。
在 eviews 中进行 ARIMA 模型建模与预测，第一步是数据的导入和预处理。
打开 eviews 软件后，选择“File”菜单中的“Open”选项，找到我们要分析的数据文件。
数据的格式通常可以是 Excel、CSV 等常见格式。
导入数据后，需要对数据进行初步的观察和分析，了解其基本特征，比如均值、方差、趋势等。
接下来，判断数据的平稳性。
这是非常关键的一步，因为 ARIMA 模型要求数据是平稳的。
我们可以通过绘制时间序列图、计算自相关函数（ACF）和偏自相关函数（PACF）来直观地判断数据的平稳性。
如果时间序列图呈现明显的趋势或周期性，或者自相关函数和偏自相关函数衰减缓慢，那么很可能数据是非平稳的。
对于非平稳的数据，我们需要进行差分处理。
在 eviews 中，可以通过“Quick”菜单中的“Generate Series”选项来实现差分操作。
ARIMA模型预测【范本模板】
ARIMA模型预测一、模型选择预测是重要的统计技术，对于领导层进行科学决策具有不可替代的支撑作用.常用的预测方法包括定性预测法、传统时间序列预测（如移动平均预测、指数平滑预测）、现代时间序列预测(如ARIMA模型）、灰色预测（GM)、线性回归预测、非线性曲线预测、马尔可夫预测等方法。
综合考量方法简捷性、科学性原则，我选择ARIMA模型预测、GM（1,1)模型预测两种方法进行预测,并将结果相互比对,权衡取舍，从而选择最佳的预测结果。
二ARIMA模型预测（一）预测软件选择-—--R软件ARIMA模型预测，可实现的软件较多，如SPSS、SAS、Eviews、R等。
使用R 软件建模预测的优点是:第一，R是世最强大、最有前景的软件,已经成为美国的主流。
第二，R是免费软件。
而SPSS、SAS、Eviews正版软件极为昂贵，盗版存在侵权问题，可以引起法律纠纷.第三、R软件可以将程序保存为一个程序文件,略加修改便可用于其它数据的建模预测，便于方法的推广。
（二）指标和数据指标是销售量（x），样本区间是1964-2013年，保存文本文件data。
txt中.（三）预测的具体步骤1、准备工作（1）下载安装R软件目前最新版本是R3。
1.2，发布日期是2014-10—31，下载地址是http://www。
r—/.我使用的是R3。
1.1。
（2)把数据文件data.txt文件复制“我的文档"①。
（3）把data.txt文件读入R软件，并起个名字。
具体操作是：打开R软件，输入（输入每一行后，回车）：①我的文档是默认的工作目录，也可以修改自定义工作目录。
data=read.table("data.txt",header=T）data ＃查看数据①回车表示执行。
完成上面操作后，R窗口会显示：（4）把销售额（x)转化为时间序列格式x=ts(x，start=1964）x结果：2、对x进行平稳性检验ARMA模型的一个前提条件是,要求数列是平稳时间序列。
ARIMA模型的概念和构造实验报告
ARIMA模型的概念和构造实验报告学院：经济管理学院专业：姓名：学号：2015年5月11日目录1、实验目的 (2)1.1 实验原因 (2)1.2 基本概念 (2)2、实验内容 (2)3、试验过程 (2)3.1 模型的识别 (2)3.1.1导入数据 (2)3.1.2模型的识别 (3)3.2 模型的估计 (5)3.3模型的诊断 (6)3.4模型的预测 (8)1、实验目的1.1 实验原因在经济领域中建立的回归模型通常都是根据经济金融理论找出对某些变量有影响的其他变量，建立合适的模型，再对模型进行估计。
但这不是在所有情况下都适用的，有些变量可能根本无法观测，或者观测频率与原始数据频率不一致不能应用到模型中，在此情况下引入了一种新的建模思想，不采用其他变量，因变量仅对它的滞后值以及随机误差项的现值和滞后值回归。
即自回归单整移动平均模型，简称ARIMA模型。
1.2 基本概念如果随机误差项的各期望值之间存在着相关关系，这时，称随机误差项之间存在自相关性或序列相关。
假设我们需要计算X和Y之间的相关性，Z代表其他所有的变量，X和Y的偏相关系数可以认为是X和Z线性回归得到的残差Rx与Y和Z线性回归得到的残差Ry之间的简单相关系数，即偏相关系数。
ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。
这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。
现代统计方法、计量经济模型在某种程度上已经能够帮助企业对未来进行预测。
本实验主要是根据原始数据序列，以及利用eviews计算出的自相关和偏自相关系数对ARIMA模型进行识别、诊断、估计和预测。
2、实验内容选择北辰实业2006-11-1至2009-11-1的收盘价周数据为原始数据。
利用原始数据在eviews中建立合适的ARIMA模型，并利用模型对数据进行预测。
3、试验过程3.1 模型的识别3.1.1导入数据将数据导入eviews，数据命名为bc。
eviews实验指导(ARIMA模型建模与预测)
eviews实验指导(ARIMA模型建模与预测) eviews实验指导(ARIMA模型建模与预测)ARIMA模型是一种常用的时间序列分析方法，可以用于建模和预测时间序列数据。
在eviews软件中，我们可以利用其强大的功能进行ARIMA模型的建模和预测分析。
一、数据准备与导入在进行ARIMA模型建模之前，首先需要准备好相关的时间序列数据，并导入eviews软件中。
可以通过以下步骤进行操作：1. 创建一个新的工作文件，点击"File" -> "New" -> "Workfile"，选择合适的时间范围和频率。
2. 在eviews软件中，点击"Quick" -> "Read Text"，导入包含时间序列数据的文本文件。
确保文本文件中的数据格式正确，并根据需要设置导入选项。
3. 确认数据已经成功导入，可以通过在工作文件窗口中查看和编辑数据。
二、ARIMA模型建模在eviews中，建立ARIMA模型需要进行以下步骤：1. 点击"Quick" -> "Estimate Equation"，打开方程估计对话框。
2. 在对话框中，选择要建模的时间序列变量，并选择ARIMA模型。
根据数据的特点，可以选择不同的AR、MA和差分阶数。
3. 设置其他参数，如是否包含常数项、是否进行季节性调整等。
根据具体分析需求进行选取。
4. 点击"OK"，进行模型估计。
eviews将自动计算出ARIMA模型的系数估计和相应的统计指标。
5. 检查模型的拟合优度，可以通过观察残差序列的ACF和PACF图、Ljung-Box检验等方法来判断模型是否合适。
三、模型诊断与改进建立ARIMA模型后，需要对模型进行诊断，以确保其满足建模的基本假设。
常见的诊断方法包括：1. 检查模型的残差序列是否为白噪声，可以通过观察残差序列的ACF和PACF图、Ljung-Box检验等方法来判断。
时间序列上机实验-ARIMA模型建立(季节乘积模型)资料
实验二 ARIMA 模型的建立一、实验目的熟悉ARIMA 模型，掌握利用ARIMA 模型建模过程，学会利用自相关系数和偏自相关系数对ARIMA 模型进行识别，利用最小二乘法等方法对ARIMA 模型进行估计，利用信息准则对估计的ARIMA 模型进行诊断，以及学会利用ARIMA 模型进行预测。
掌握在实证研究如何运用Eviews 软件进行ARIMA 模型的识别、诊断、估计和预测。
二、基本概念ARIMA 模型，即将非平稳时间序列转化为平稳时间序列，然后将平稳的时间序列建立ARMA 模型。
ARIMA 模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA ）、自回归过程（AR ）、自回归移动平均过程（ARMA ）以及ARIMA 过程。
在ARIMA 模型的识别过程中，主要用到两个工具：自相关函数ACF ，偏自相关函数PACF 以及它们各自的相关图。
对于一个序列{}t X 而言，它的第j 阶自相关系数j ρ为它的j 阶自协方差除以方差，即j ρ＝j 0γ ，它是关于滞后期j 的函数，因此我们也称之为自相关函数，通常记ACF(j )。
偏自相关函数PACF(j )度量了消除中间滞后项影响后两滞后变量之间的相关关系。
三、实验内容（1）根据时序图的形状，采用相应的方法把非平稳序列平稳化；（2）对经过平稳化后的2000年1月到2011年10月美国的失业率数据建立ARIMA （,,p d q ）模型，并利用此模型进行失业率的预测。
四、实验要求：了解ARIMA 模型的特点和建模过程，了解AR ，MA 和ARIMA 模型三者之间的区别与联系，掌握如何利用自相关系数和偏自相关系数对ARIMA 模型进行识别，利用最小二乘法等方法对ARIMA 模型进行估计，利用信息准则对估计的ARIMA 模型进行诊断，以及如何利用ARIMA 模型进行预测。
五、实验步骤（1） 输入原始数据打开Eviews 软件，选择“File ”菜单中的“New--Workfile ”选项，在“Workfile structure type ”栏中选择“Dated-regular frequency ”，在“Frequency ”栏中选择“Monthly ”，分别在起始月输入1991.01，终止月输入2010.12，点击ok ，见图1。
- 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)。
实验指导书（ARIMA 模型建模与预测）例：我国1952-2011年的进出口总额数据建模及预测1、模型识别和定阶（1）数据录入打开 Eviews 软件，选择"File ”菜单中的"New--Workfile ”选项，在"Workfile structure type ”栏选择"Dated -regular frequency”，在"Date specification”栏中分别选择“ Annual ” （年数据），分别在起始年输入 1952，终止年输入 2011，文件名输入 “im_ex ”，点击ok ,见下图，这样就建立了一个工作文件。
在 workfile 中新建序列im_ex , 并录入数据 （点击 File/Import/ReadText-Lotus-Excel …，File | Edit Object View 卩iroc Quick Options Window HelpNew ► □pen iSaveFetch from DB... T5D Fi le Im port-.DRI Bask Economics Database... Read Text-Lctu s-Excel...找到相应的Excel 数据集，打开数据集，出现如下图的窗口，在“ Data order ”选项中 选择“ By observation-series in columns”即按照观察值顺序录入，第一个数据是从B15开始的，所以在“ Upper-left data cell ”中输入B15,本例只有一列数据，在“ Namesfor series or number if named in file ”中输入序列的名字 im_ex ，点击ok ，则录入了数据）：import Ex port PrintPtFrtl Setup-.,.Excel Spreadthtei Import —JData orderQ By Obssrvalkn「senes h cokums目Y Scries - series in rowiUpper^eft daiacefl Excd 5 4 sheet name Names for scries or Nuniw if named in fteIHIJK IinCKKt sample 1952 2D 11""I Write dak/ote 曰髓比$ H申烧1和rm审tFrst caiiendar dayLast Qtendsr day■Vrltfi senes namesReset iflEpk to：O Current sample-Q WafkHe rangeQ To md af rangeOK | Cwictl(2) 时序图判断平稳性双击序列im_ex，点击view/Graph/line ，得到下列对话框:显著非平稳。
得到如下该序列的时序图，由图形可以看出该序列呈指数上升趋势，直观来看,(3)原始数据的对数处理因为数据有指数上升趋势，为了减小波动，对其对数化，在Eviews命令框中输入相应的命令"series y=log(im_ex) ”就得到对数序列，其时序图见下图，对数化后的序列远没有原始序列波动剧烈：Y从图上仍然直观看出序列不平稳，进一步考察序列y的自相关图和偏自相关图:Correlogiram of YDate. 12/1 an 3 Time. 15:47 Sample: 1952 2011Included o&scrvadORS' 60.Autocorrelation Partial Correlalion从自相关系数可以看出，呈周期衰减到零的速度非常缓慢，所以断定 y 序列非平稳。
为了证实这个结论，进一步对其做 ADF 检验。
双击序列y ，点击view/unit root test，出现下图的对话框，我们对序列y 本身进行检验，所以选择“ Level ”；序列y 存在明显的线性趋势，所以 选择对带常数项和线性趋势项的模型进行检验，其他采用默认设置，点击ok 。
检验结果见下图，可以看出在显著性水平 0.05下，接受存在一个单位根的原假设，进一步验证了原序列不平稳。
为了找出其非平稳的阶数， 需要对其一阶差分序列和二阶差分序 列等进行ADF 检验。
AugmencBd Dtcke^-Fuller Unit R OO IT BSE on ¥Null Hj-pathesis: Y has a unit root Ex.gigeinaus Cansfianl, Linear TrendLag Lenglh 1 (.Automalie based on SIC, MAXLAG=10)l-St artisticProb." D 祀畑pFM 曰怕引引日tislic必208：233Q 灯切Tesl critical values: 1 % level-4.1242655% llev^l -3.^89228 10% l«vel -3.173114*MacKinndjn (1996) Qne-si-d^d一-一E=;E=:c ・・・・0.950 0.953 DJI0 -0.023 0J75 -O.01G 0 831 -0.052 Q 785 -0 045 0.739 -G.Q4Q 0.692 -0.022 0J546 -0.02& 0.600 <033 0.551 -0.052 &501 -0 05& 0 J50 -0.049 0.400 -Q.Q13 0.361 -0.031 0.300 -0.058 0 247 -0.066 0191 -0 074 0.135 -0.051 0.085 0.019 0.035 -0.03i211 -0.013 -0.025 22 -0.058 -0.006 23 -0 099 -0.006 24 -0.140 -0.049* 25 -actea -0.022 26 -0.219 ・0.037 27 -0L 255 -0.017 26 -0.28& 0.03157.897 D.DQD 11171 0.000 161.64 0 000 207.51 0 000 349 33 Q OOO 2B&.83 Q DOD 320.49 D.DQD 350.3B 0. ODD 376.61 0 000 399.21 OOO O 418.26 0 000 433.^3 0 DOD 嗣&匪D.DQD456.52 0. DM 464.06 0.000 469.21 0 000 472.37 OQOQ 473.9-9 Q DOD 474.65 D.OO D 474.75 a.DOD 474.7B 0.000 475.10 0 000 476 09 QOOO 475.11 0 OOQ 4B1.55 D.DOD 466.30 O.DOD 494.14 0.000 S03.&8 0 000AC PAC Q-Stat Prob I I20(4) 差分次数d 的确定y 序列显著非平稳，现对其一阶差分序列进行ADF 检验。
在对y 的一阶差分序列进行 ADF单位根检验之前，需要明确 y 的一阶差分序列的趋势特征。
在 Eviews 命令框中输入相应的 命令"series dy 仁D(y) ”就得到对数序列的一阶差分序列dy1，其时序图见下图DY1检验结果见下图，可以看出在显著性水平0.05下，拒绝存在单位根的原假设，说明序列y 的一阶差分序列是平稳序列，因此d=1。
Augmented Dk:key-Fuller Unil RooE TesG on D(Y)Hull HiDothesis: D(Y) has a untl root Exogenous: Conaiarrtlag Lengih" 0 (Automatic 如旳d on SIC,1-SlaEislieProb?Augmented Dickey-Fullertest slailstlc ^4.839293 0.0002Test critjcal value s: levellevel10% level-3 54a2oa-2.912631 -2.59402?■MacKinnon (199*5) ona -fldad 沪询山".(5) 建立一阶差分序列在 Eviews 对话框中输入"series x=y-y(-1) ”或"series x=y-y(-1)”，并点击"回车”，便得到了经过一阶差分处理后的新序列x ,其时序图见下图，从直观上来看，序列 x 也是平稳的，这就可以对 x 序列进行ARMA 模型分析了。
由y 的一阶差分序列的时序图可见， 一阶差分序列不具有趋势特征, 因此，在下图对序列 y 的单位根检验的对话框中选择" 1st differenee 项、不带趋势项的模型进行检验，其他采用默认设置，点击ok 。
Unit Root Test但具有非零的均值。
6（6）模型识别和定阶双击序列x ,点击view/Correlogram ，出现下图对话框,Coneloqrain of XDate:Tim?仃:朋Sample. 1952 2011 included observationsAutocorrelaliw Partial Correlation AC PAC Q-Stal Prob1=111 0.412 0.412 1D.554 0.&D1 1 1 |匚|2 O.DJO 4).157 1D.654 0.M5 i 1 1 1 13 0.00£1 0.057 10.654 0.014 1 1 1 14 0/012 <005 10.664 0 031 1 D |1】I5 0^82 0.094 11.116 0.049 11g 0.242 0.210 15.103 Q.Q19 1 T31 1 I 7 D.233 D.0S2 1B.855 O.ODP ■ 11 1 1 i B 0.131 0.011 20.070 0.010 1 ZP 13 1 9 0.1S4 0113 21.362 0.0111 Di' 1 1 1 10 0 131 0.056 22.623 0.012 1 i| c 1 11 0 005 -0,092 22.625 0.020- |III 1112 -0.-034 七.0昶 22.713 0.030从x 的自相关函数图和偏自相关函数图中我们可以看到，偏自相关系数是明显截尾的， 而自相关系数在滞后 6阶和7阶的时候落在2倍标准差的边缘。