应用时间序列分析课程论文
应用时间序列论文
应用时间序列在A市GDP预测中的应用学院：商学院专业：金融学班别: 金融1103学生姓名: 王文倩指导教师: 于国才摘要时间序列分析(Time series analysis)是一种动态数据处理的统计方法。
该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。
GDP的增长是指一个国家或一个地区生产商品和劳务能力的增长。
GDP增长不仅代表了人均国民收入增加, 也包括社会制度结构的变化。
目前对投资与经济增长的关系研究一般认为, 投资与GDP增长之间存在着正相关关系, 即投资的增长会促进GDP增长。
改革开放以来, 投资在GDP增长中的作用越来越明显, 所以对GDP增长序列进行时间序列分析。
关键词：时间序列；GDP；预测分析一、时间序列相关概念（一）时间序列一个随着变量t变化的量y(t)，当t1 < t2 <…< t N<…时的观测值y(t1), y(t2),…y(t N), …构成离散有序的集合，称为一个时间序列，记为{y(t)}。
如果变量t表示时间，那么一组根据时间顺序排列的观测数据就是一个时间序列。
时间序列分析就是根据这种特殊的数据形成和发展的一套统计分析方法的完整体系。
一般在研究时间序列问题时会涉及下面的记号和概念：●指标集T指标集T够理解为时间t的取值范围。
对于一般的随机过程，它是一个连续的变化范围，例如取（-∞ , +∞)，此时前面随机过程可以记为{y(t),t∈(-∞ , +∞)}.●采样间隔△t采样间隔△t表示为时间序列中相邻两个数据的时间间隔。
在实际研究中，整个序列间一般都采取一致的时间间隔，这使得分析结果更有意义。
●平稳随机过程平稳随机过程定义如下：如果对∀ t1 , t2，…，t n，h∈T^和任意整数n,都能使(y t1,y t2,…,y tn)与(y t1+h,y t2+h,…,y tn+h)同分布，那么概率空间（W,F,P)上的随机过程{y(t),t∈T}称为（严）平稳过程。
时间序列分析论文
时间序列分析在我国居民消费价格指数预测上的引用摘要：时间序列是按照时间顺序取得的一系列数据，大多数的经济时间序列存在惯性，通过这种惯性分析可以由时间序列的历史数值对未来值进行预测。
文章主要利用时间序列的趋势外推方法对我国目前居民消费价格指数（CPI）进行了建模析和预测，以达到合理预期和分析的目的。
关键词：时间序列CPI 趋势预测1.我国居民消费价格指数的现状居民消费价格指数（Consumer Price Index，CPI）是一个反映居民家庭一般所购买的消费商品和服务价格水平变动情况的指标。
一般说来当CPI＞3% 的增幅时我们称为通货膨胀；而当CPI＞5% 的增幅时我们把他称为严重的通货膨胀。
如果消费价格指数升幅过大，表明通胀已经成为经济不稳定因素，央行会有紧缩货币政策和财政政策的风险，从而造成经济前景不明朗。
从国家统计局公布的2003年5月到2012年3月的数据可以明显的看出我国已经进入通货膨胀期，从2007年3月开始就超过3%的警戒线，然而从2007年7月开始更是每月都超过5%的严重通货膨胀的警戒线。
尽管国家已经采取了紧缩的货币政策如2007年6次上调存贷款基准利率；10次上调存款准备金率；加大央行票据发行力度和频率；以特别国债开展正回购操作等。
但是2011年3月以来我国还是维持在高的通货膨胀水平，因此进行居民消费价格指数的预测分析更显得尤为必要。
2.趋势模型的选择（时间数列分解模型）为了对我国CPI的变化有更加全面和深入的把握和认识，现观测从1994—2011年居民消费价格指数的全部数据，见表1。
表1 中国1994—2011 年居民消费价格指数由以上数据可以看出，因为居民消费价格指数受到如经济增长、特别是国家宏观货币政策等因素的影响，分析我国居民消费价格指数的变动不能简单地用一个线性模型来解释。
但是可以看出在一定的时期内，宏观经济波动不大的情况下，居民消费价格指数基本还是呈线性的。
因此笔者将这时间数列分段用线性模型分别分析居民消费价格指数在1994—1999 年、1999—2004年以及2004—2011 年这三个不同的经济状况下的变动情况。
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。
时间序列论文分析与综合
二○一二～二○一三学年第二学期时间序列分析与综合课程论文课程名称：时间序列分析与综合专业：控制理论与控制工程学号：姓名：课程教师：时间序列分析的MATLAB 应用摘要：Matlab 强大的科学计算和可视化功能使其在各个领域中得到了广泛的应用．采用Matlab 进行时序列分析可以极大地简化编程工作，并具有界面友好、操作方便的特点．介绍了使用Matlab 进行时间序列分析的基本方法和步骤，并通过实例进行了说明。
一、问题的提出1984年美国的MathWorks 公司推出了Matlab ，在许多领域得到了充分的利用．其强大的科学计算与可视化功能，开放式的可扩展环境以及其各种功能强大的工具箱(ToolBox)，使得它成为计算机辅助设计与分析、算法研究和应用开发的基本工具和首选平台．时间序列分析是采用参数模型对观测得到的有序随机数据进行分析的一种处理方法，通过时间序列可以对系统的动态特性进行分析、对系统的状态进行预测，从而为系统的状态监控和故障诊断提供依据．Matlab 工具箱中包含了许多函数，借助于这些函数可以方便地实现系统的时间序列分析．二、时间序列分析原理及实现时间序列分析(auto Regressive moving Average)是对有序的随机数据(信号)处理的一种方法，它的出发点是承认数据的有序性和相关性，通过数据内部的相互关系来辨识系统的变化规律，它的建模方法是将系统的输出看作是在白噪声输入下的响应．具体地讲，就是针对一组试验数据，建立系统的参数模型，ARMA(m ，n)的参数模型可以表示为：10()()()m nx t x t t τλτλϕτϕσλ==+-=-∑∑ (1) 式中：{ (t)， (t 一1)， (t 一2)⋯ 。
(t —m)}为有序的时间序列，{ (t)， (t 一1)，⋯ ， (t —A)}为有序的白噪声序列，方程的左边为系统的自回归部分，它反映了系统的固有特性，右边表示系统的滑动平均部分，当0τϕ=时为MA 模型，当0λϕ=时为AR 模型．辨识系统模型参数的方法有很多种，常用的方法主要有最dx-乘法、辅助变量法、Marple 法等．根据不同的需要和研究对象可以采用不同的建模方法．在建立了系统的模型后，可以对系统的状态进行预测、分析预测误差、进行谱分析．关于这些算法的基本原理，可以参考文献[2～4]，这些在Matlab 中都提供了相应的函数．采用Matlab 进行时间序列分析主要包括4步．1)数据的读人Matlab 采用类似于C 语言的方式进行数据的读人，可以直接从数据文件中将数据读到一个矩阵中．fid=fopen(fileName ，，r ，)； ％打开一个文件进行读写data=fscanf(fid ，'g')； ％ 将数据读人到data 中status=fclose(fid)； ％ 释放文件句柄2)建立模型在获得所要分析的数据后可以对数据进行建模，本文主要介绍2个函数： th = ar(y ，n)；h = ivar(y ，n)；ar(y ，n)函数采用最小二乘法进行模型参数的估计，该函数要求输入噪声为白噪声，当输入噪声为色噪声时，不能保证模型参数的估计值的无偏性和一致收敛性．而ivar(y ，n)则采用最优辅助变量的方法进行参数的估计，计算得到的参数模型存放在th 中．th 中的数据采用Matlab 独有的THETA 格式模型进行定义．通过th2arx()函数可以得到模型参数和THETA 格式的转换．3)模型分析模型的分析包括模型的仿真、预测及误差分析和谱分析．e= pe(y ，th)；y1= idsim(y ，th)；y1= predict(y ，th)；y2=th2ff(th)；pe(y ，th)用于计算模型实测值与估计值之间的误差，误差值存放在e 中. idsim (y ，th)对输入的数据进行仿真，并将仿真结果存放在y 中.dict(y ，th)则针对模型的输人数据和模型格式进行预测，并将预测值存放在Y 中，th2f(th)可以实现求数据的频响函数．4)图形输出Matlab 提供了强大的数据输入输出的功能．对数据的分析结果，可以采用图形的方式进行直观的表示，常用的针对时间序列分析的绘图函数有：Plot(x,y1,x,y2 )，在同一个图中对分析结果进行表示．Bodeplot(e)，直接画出波德图．Ffplot(e)，画频谱图．Nyqplot()，画奈氏图．三、Theta 模型参数Theta 格式是Matlab 系统辨识工具箱中通用的参数模型格式，Theta 模型的定义可以分为两种，即基于输入输出表示的Theta 模型和基于状态空间表示的Theta 模型．基于输入输出的Theta 模型可以对应各种输入输出参数模型，如AR 、ARX 、ARMA 、BJ 等；基于状态空间表示的Theta 模型则与连续或离散状态空间参数模型对应，它们的信息都以矩阵的形式存储，但模型信息数据的组织结构不同．在时间序列分析中，常用的是第一种数据模型，其结构可以表示为：1111()()()()()()()()()()()n nu nu n B q B q C q A q y t u t nk u t nk e t F q F q D q =-+Λ+-+ （2） 公式(2)中，A(q)、B(q)、F(q)( =1，2⋯ ．^n)、C(q)、D(q)为平移算子q 的多项式，其阶次分别为M 、nbi 、nfi( =1，2⋯ ．，n)、ItC 、nd ，nix 为系统的输入变量个数．设n 为所有多项式的阶次之和，令r=max(凡，7，6+3nu)，则系统的输入输出The —ta 模型格式为如下定义的(3+凡)X r 矩阵，矩阵中每行的内容表示为：1)矩阵的第1行为估计方差，采样时间 ，输入个数眦，各个多项式的阶次M 、nb、ItC、nd、nf,nk；2)第2行为最终预测误差FPE，模型生成的13期、时间和命令；3)第3行为估计参数的向量，即A、、C、D、F 的系数；4)第4行到第3+凡行为估计的方差矩阵；5)对于连续系统，该矩阵可能增加到凡+4行，其中包含系统的死区时间．对于时间序列分析而言，在生成Theta模型以后，需要根据不同的需要对该模型进行分析，以便从中提取所需的估计参数以及最终的误差．四、应用实例为了对上面的方法进行说明，采用5个问题加以说明，第1个问题利用小波时间序列进行消噪或压缩.第2个问题利用ddencmp和wdencmp函数实现数据降噪.第3个问题利用函数wavedec对时间序列进行一维多分辨分析.第4个问题用wthcoef对时间序列的小波系数进行阈值处理.第5个问题利用wprcoef，由wpdec 得到的t对时间蓄力分解的一位小波包系数重构.5个问题的源程序如下：问题1格式:（1）[xc,cxc,lxc,perf0,petfl2]=wdencmp('gbl,x,'wname',N,thr,sorh,keepapp)（2）[xc,cxc,lxc,perf0,perfl2]=wdencmp('lvd',x,'wname',N,thr,sorh) （3）[xc,cxc,lxc,perf0,pefgl2]=wdencmp('lvd',C,L,'wname',N,thr,sorh) 说明:x：待消噪或压缩的时间序列。
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：131412820姓名：崔乐乐基于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 Tests表 2 序列y的单位根检验Augmented Dickey-Fuller Unit Root TestsType Lags Rho Pr<Rho Tau Pr<Tau F Pr>FZero Mean 0 6.28020.999917.990.99991 6.01590.9999 5.020.9999Sing Mean 0 6.22760.999914.350.9999157.070.0011 6.01740.9999 4.690.999912.190.001Trend 0 5.55330.99997.70.9999104.870.0011 5.56610.9999 3.870.999911.550.001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。
时间序列 毕业论文
时间序列毕业论文时间序列是一种研究时间相关数据的统计方法，它在各个领域都有广泛的应用。
作为一种重要的数据分析工具，时间序列分析在经济学、金融学、气象学、环境科学等领域具有重要的研究价值和实际应用。
在经济学中，时间序列分析被广泛应用于经济预测、经济政策制定和经济波动研究等方面。
通过对历史数据进行分析和建模，可以预测未来的经济发展趋势，为政府和企业的决策提供科学的依据。
例如，通过对就业数据的时间序列分析，可以预测未来的就业趋势，为政府制定就业政策提供重要参考。
在金融学中，时间序列分析被广泛应用于股票价格预测、风险管理和投资组合优化等方面。
通过对历史股票价格数据的分析，可以发现价格的规律性和周期性，从而制定相应的投资策略。
例如，通过对股票价格的时间序列分析，可以发现股票价格存在一定的波动规律，从而在适当的时机进行买入和卖出，获取更好的投资回报。
在气象学中，时间序列分析被广泛应用于天气预测、气候变化研究和灾害预警等方面。
通过对历史气象数据的分析，可以预测未来的天气变化趋势，为农业生产、交通出行和防灾减灾提供重要参考。
例如，通过对气温、降水量等气象数据的时间序列分析，可以预测未来的气候变化趋势，为制定应对气候变化的政策提供科学依据。
在环境科学中，时间序列分析被广泛应用于环境监测、环境污染控制和自然资源管理等方面。
通过对历史环境数据的分析，可以发现环境变化的规律性和趋势，从而制定相应的环境保护和治理措施。
例如，通过对大气污染物浓度的时间序列分析，可以了解大气污染的季节性变化和长期趋势，为制定减排政策和改善空气质量提供科学依据。
总之，时间序列分析作为一种重要的数据分析方法，对于预测、决策和规划具有重要的意义。
它不仅可以帮助我们了解数据的变化规律和趋势，还可以为我们提供科学的决策依据。
在未来的研究中，我们可以进一步深化时间序列分析的方法和应用，为各个领域的发展和进步做出更大的贡献。
- 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)。
应用时间序列分析课程论文
班级：13应用统计1班学号：20133695 姓名：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，若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=εt-0.0844111εt-1
我们用拟合的有效模型进行短期预测，比如我们预预测未来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。
用动态预测如上下图，
预测值存放在XF序列中，此时我们可以观察原序列x和xf之间的动态关系，
动态预测值几乎是一条直线。
输入d(x,2) c ma(1) 对原序列进行动态预测，
打开xf得到5个预测值52到56如下图。