第七章时间序列分析()

第七章 时间序列分析

一、单项选择题

1.根据时期序列计算序时平均数应采用 ( ) A.几何平均法 B.加权算术平均法 C.简单算术平均法 D.首末折半法

２.间隔相等的时点序列计算序时平均数应采用 （ ） Ａ.几何平均法 B.加权算术平均法 C.简单算术平均法 D.首末折半法

３.逐日登记资料的时点序列计算序时平均数应采用 （ ） Ａ.几何平均法 B.加权算术平均法 C.简单算术平均法 D.首末折半法

４.具有可加性的时间序列是 （ ） Ａ.时点序列 Ｂ.时期序列 Ｃ.平均指标动态序列 Ｄ.相对指标动态序列

５.间断性的间隔不相等时点序列计算序时平均数，应采用 （ ） Ａ.以每次变动持续的时间长度对各时点水平加权平均 Ｂ.以数列的总速度按几何平均法计算 Ｃ.用各间隔长度对各间隔的平均水平加权平均 Ｄ.对各时点水平简单算术平均

6.时间序列中的派生序列是 （ ） A. 时期序列和时点序列 B.绝对数时间序列和相对数时间序列

C.绝对数时间序列和平均数时间序列

D.相对数时间序列和平均数时间序列

7.某企业生产某种产品,其产量年年增加5万吨,则该产品产量的环比增长速度 ( ) A.年年下降 B.年年增长 C.年年保持不变 D.无法做结论

8.某企业工业生产固定资产原值变动资料(单位:千元〉：1998年1月1日8000当年新增2400， 当年减少400试确定工业生产固定资产原值平均价值 （ ） A.10000 B.9000 C.5000 D.1500

9.某车间月初工作人员数资料如下 （ ） 一月 二月 三月 四月 五月 六月 七月 280 284 280 300 302 304 320 计算该车间上半年月平均工人数计算式是：

A.

i i

i

f f α∑∑

B.

i i

i

f f α∑∑

C.

i

n

α∑ D.1231

1

1

2

2

...1

n a a a a n -++++-

10.2003年上半年某商店各月初棉布商品库存〈千元〉为 一月 二月 三月 四月 五月 六月 七月

42 34 36 32 36 33 38

试确定上半年棉布平均商品库存。 （ ） A.35 B.30 C.35.7 D.40 11.某银行农业贷款余额(千元)如下： 2002年 1月1日 84 2002年 4月1日 81 2002年 7月1日 104 2002年 10月1日 106 2003年 1月1日 94

试确定农业贷款平均余额 （ ） A.93.8 B.76 C.95 D.117.25

12.2003年11月某企业在册工作人员发生了如下的变化(人)：

2003年11月1日在册919，2003年11月6日离开29，2003年11月21日录用15

试确定该企业11月份日平均在册工作人员数 （ ） A.900 B.905 C.912 D.919

13.某采购点12月1日有牛300头，12月5日卖出230头，12月19日购进130头。试确定该采购点月平均牛头数 （ ） A.154 B.186 C.200 D.250

14.某企业第一、第二季度和下半年的原材料平均库存额分别为10万元、15万元和20万元，则全年的平均库存额为： （ ） A.15万元 B.16.25万元 C.11.25万元 D.13.85万元

15.某地区粮食作物产量平均发展速度：1998-2000年为1.03，2001-2002年为1.05，试确定1998-2002五年的平均发展速度： （ ）

16.时间数列水平，若无季节变动影响，则季节比率为 （ ） A.０ B.１ C.小于１ D ．大于１

17.某现象发展趋势属于指数曲线型，它的数学模型为：x

y ab =，参数a 表示 （ ）

A.动态序列的平均水平

B.年平均发展速度

C.动态序列初始水平值

D.年平均增长量

18.对某商业企业1998—2002年商品销售额资料，以序列中项为原点，商品销售额的直线趋势方成为

61073c y t

=+，试利用该数学模型预测2004年商品销售额规模（单位：万元） （ ）

A.683万元

B.756万元

C.829万元

D.902万元

19.用5项移动平均测定长期趋势，修匀后的数列比原序列减少 （ ） A.5项 B.3项 C.4项 D.10项

20.在用按月平均法测定季节比率时，各月季节比率（%）之和应为 （ ） A.100% B.400% C.120% D.1200%

21.计算年距指标的目的是 （ ） A.为了反映时间序列中的季节变动 B.为了消除时间序列中的季节变动 C.为了反映时间序列中的循环变动 D. 为了消除时间序列中的长期趋势变动 22.某现象指标发展变化的速度平均来说是增长的，该指标的增长量是 （ ） A.年年增加 B.年年减少 C.年年保持同样增长量 D.无法做结论

23.长期趋势测定的移动平均法，移动的项数越多 （ ） A.显现出波动越大，修匀得越不平滑 B.显现出波动越小，修匀得越平滑 C.显现出波动越大，修匀得越平滑 D.显现出波动越小，修匀得越不平滑

24.某县1995—2000期间粮食产量（万吨）配合的直线趋势方程y=800+5.5t ，式中时间变量t=-5，-3，-1，1，3，5。为确定1996年的趋势值，代入的t 值应当是 （ ） A.1 B.-3 C.2 D.-1

25.假定被研究现象基本上按不变的发展速度发展,为描述现象变动的趋势,借以进行预测,应拟合的合适方程: ( ) A.直线趋势方程 B.指数曲线方程 C.直线或指数曲线方程均可 D.无法判定

二、多项选择题

1.下面哪几项是时期序列 ( ) A.我国近几年来的耕地总面积 B.我国历年新增人口数 C.我国历年图书出版量 D.我国历年黄金储备 E.某地区国有企业历年资金利税率

2.某企业某种产品原材料月末库存资料如下:

则该动态数列

A.各项指标数值是连续统计的结果

B.各项指标数值反映的是现象在一段时期内发展的总量

C.各项指标数值是不连续统计的结果

D.各项指标数值反映的是现象在某一时点上的总量

E.各项指标数值可以相加得到5个月原材料库存总量

3.定基发展速度和环比发展速度的关系是 ( )

A.两者都属于速度指标

B.环比发展速度的连乘积等于定基发展速度

C.定基发展速度的连乘积等于环比发展速度

D.相邻两个定基发展速度之商等于相应的环比发展速度

E.相邻两个环比发展速度之商等于相应的定基发展速度

4.累积增长量与逐期增长量 ( )

A.前者基期水平不变,后者基期水平总在变动

B.二者存在关系式:逐期增长量之和=累积增长量

C.相邻的两个逐期增长量之差等于相应的累积增长量

D.这两个增长量都属于速度分析指标

E.根据这两个增长量都可以计算较长时期内的平均每期增长量

5.下列哪些属于序时平均数 ( )

A.一季度平均每月的职工人数

B.某产品产量某年各月的平均增长量

C.某企业职工第四季度人均产值

D.某商场职工某年月平均人均销售额

E.某地区近几年出口商品贸易额平均增长速度

6.下列数列哪些属于由两个时期序列对比构成的相对数或平均数动态数列 ( )

A.工业企业全员劳动生产率数列

B.百元产值利润率动态数列

C.产品产量计划完成程度动态数列

D.某单位人员构成动态数列

E.各种商品销售额所占比重动态数列

7.增长1%的绝对值 ( )

A.等于前期水平除以100

B.等于逐期增长量除以环比增长速度

C.等于逐期增长量除以环比发展速度

D.表示增加一个百分点所增加的绝对量

E. 表示增加一个百分点所增加的相对量

8.用水平法计算的平均发展速度，就是（）

A.各环比发展速度的几何平均数

B.各定基发展速度的几何平均数

C.n个环比发展速度连乘积的n次方根

D.最末水平与基期水平之比的n次方根

E．各定基发展速度之和的n次方根

9.编制时间序列应遵循的原则有（）

A.时间长短应该相等

B.总体范围应该一致

C.指标经济内容应该相同

D.指标的计算方法、计算价格和计量单位应该一致

E.指标数值的变化幅度应该一致

10.时期序列的特点有（）

A.数列中每一个指标数值的大小与其时间长短有直接关系

B.数列中各个指标数值可以相加

C.数列中每一个指标数值大小与其时间长短无直接关系

D.数列中各个指标数值不能相加

E.数列中每个指标数值，通常是通过连续不断登记而取得的

三、判断题

1.在各种动态数列中,指标值的大小都受到指标所反映的时期长短的制约 ( )

2.发展水平就是动态数列中的每一项具体指标数值,它只能表现为绝对数 ( )

3.若将1990-1995年末全民所有制企业固定资产净值按时间先后顺序排列,此种动态数列称为时点序列

( )

4.序时平均数与一般平均数完全相同,因为它们都是将各个变量值的差异抽象化了 ( )

5.定基发展速度等于相应各个环比发展速度的连乘积。所以定基增长速度也等于相应各个环比增长速度的连乘积 ( )

6.定基发展速度和环比发展速度之间的关系是：两个相邻时期的定基发展速度之积等于相应的环比发展速度 ( )

7.增长百分之一的绝对值表示的是：速度指标增长百分之一而增加的水平值 ( )

8.若逐期增长量每年相等,则其各年的环比发展速度是年年下降的 ( )

9.若环比增长速度每年相等,则其逐期增长量也是年年相等 ( )

10.季节变动指的就是现象受自然因素的影响而发生的一种有规律的变动 ( )

11.某产品产量在一段时期内发展变化的速度，平均来说是增长的，因此该产品产量的环比增长速度也

是年年上升的（）

12.各环比增长速度的连乘积加一等于定基增长速度加一（）

13.已知某市工业总产值1991年至2005年年增长速度分别为4%，5%，9%，11%和6%，则这五年的平均增长速度为6.97% （）

14.现象若无季节变动，则季节比率为零（）

15.可以用累计增长量除以时间数列的项数来计算平均增长量（）

16.用水平法计算的平均发展速度只取决于最初发展水平和最末发展水平，与中间各期发展水平无关

（）

17.平均增长速度不是根据各个增长速度直接来求得，而是根据平均发展速度计算的（）

18.呈直线趋势的时间序列，其各期环比发展速度大致相同（）

19.呈指数曲线趋势的时间序列，其逐期增长量大致相等（）

20.各期的环比发展速度连乘积等于最末期的定基发展速度，因此定基发展速度必大于各期的环比发展

速度（）

四、简答题：

1.何谓时间序列，它包括哪些构成要素？

2.比较时期序列与时点数列的不同。

3.为什么计算平均发展速度不用算术平均而用几何平均？

4.时间序列的构成因素有哪些？时间序列结构分析的两个基本模型是什么？它们的假设条件是什么？

五、计算题

1.某地区2000年底人口数为2000万人，假定以后每年以9‰的增长率增长；又假定该地区2000年粮食产量为120亿斤，要求到2005年平均每人粮食达到800斤，试计算2005年粮食产量应该达到多少？粮食产量每年平均增长速度如何？

2.某企业2000-2005年间某产品产量资料如下：

（2）计算1995-2000年间该企业的年平均产量、年平均增长量(47)和年平均增长速度。

(3)分别用普通法和简捷法预测2006年的产量，并分析a与b的差别原因。

3.某企业有关资料如下表：

（2）计算1995—2005年的平均年销售产值、销售产值的平均增长量、平均发展速度、平均增长速度；

（3）计算职工人数的序时平均数和工人人数的年平均比重；

（4）计算全员劳动生产率的序时平均数；

（5）配合直线模型预测该企业2005—2007年的销售产值。

4.某产品专卖店2002-2005年各季节销售额资料如下表所示：

（2）计算2005年无季节变动情况下的销售额。

应用时间序列分析习题答案解析整理

第二章习题答案 2.1 （1）非平稳 （2）0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376 （3）典型的具有单调趋势的时间序列样本自相关图 2.2 （1）非平稳，时序图如下 （2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图

2.3 （1）自相关系数为：0.2023 0.013 0.042 -0.043 -0.179 -0.251 -0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118 （2）平稳序列 （3）白噪声序列 2.4 ，序列 LB=4.83，LB统计量对应的分位点为0.9634，P值为0.0363。显著性水平=0.05 不能视为纯随机序列。 2.5 （1）时序图与样本自相关图如下

（2） 非平稳 （3）非纯随机 2.6 （1）平稳，非纯随机序列（拟合模型参考：ARMA(1,2)） （2）差分序列平稳，非纯随机 第三章习题答案 3.1 解：1()0.7()()t t t E x E x E ε-=?+ 0)()7.01(=-t x E 0)(=t x E t t x ε=-）B 7.01( t t t B B B x εε)7.07.01()7.01(221Λ+++=-=- 229608.149 .011 )(εεσσ=-= t x Var 49.00212==ρφρ 022=φ 3.2 解：对于AR （2）模型： ?? ?=+=+==+=+=-3.05 .02110211212112011φρφρφρφρρφφρφρφρ 解得：???==15/115 /72 1φφ 3.3 解：根据该AR(2)模型的形式，易得：0)(=t x E 原模型可变为：t t t t x x x ε+-=--2115.08.0 2212122 ) 1)(1)(1(1)(σφφφφφφ-+--+-= t x Var 2) 15.08.01)(15.08.01)(15.01() 15.01(σ+++--+= =1.98232σ ?????=+==+==-=2209.04066.06957.0)1/(1221302112211ρφρφρρφρφρφφρ ?? ? ??=-====015.06957.033222111φφφρφ

多元时间序列建模分析

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;

统计学之时间序列分析报告

时间序列分析实验指导

4 2 -2 -4 50100150200250 统计与应用数学学院

前言 随着计算机技术的飞跃发展以及应用软件的普及，对高等院校的实验教学提出了越来越高的要求。为实现教育思想与教学理念的不断更新，在教学中必须注重对大学生动手能力的培训和创新思维的培养，注重学生知识、能力、素质的综合协调发展。为此，我们组织统计与应用数学学院的部分教师编写了系列实验教学指导书。 这套实验教学指导书具有以下特点： ①理论与实践相结合，书中的大量经济案例紧密联系我国的经济发展实际，有利于提高学生分析问题解决问题的能力。 ②理论教学与应用软件相结合，我们根据不同的课程分别介绍了SPSS、SAS、MATLAB、EVIEWS等软件的使用方法，有利于提高学生建立数学模型并能正确求解的能力。 这套实验教学指导书在编写的过程中始终得到财经大学教务处、实验室管理处以及统计与应用数学学院的关心、帮助和大力支持，对此我们表示衷心的感！ 限于我们的水平，欢迎各方面对教材存在的错误和不当之处予以批评指正。 统计与数学模型分析实验中心 2007年2月

目录

实验一 EVIEWS中时间序列相关函数操作 【实验目的】熟悉Eviews的操作：菜单方式，命令方式； 练习并掌握与时间序列分析相关的函数操作。 【实验容】 一、EViews软件的常用菜单方式和命令方式； 二、各种常用差分函数表达式； 三、时间序列的自相关和偏自相关图与函数； 【实验步骤】 一、EViews软件的常用菜单方式和命令方式； ㈠创建工作文件 ⒈菜单方式 启动EViews软件之后，进入EViews主窗口 在主菜单上依次点击File/New/Workfile，即选择新建对象的类型为工作文件，将弹出一个对话框，由用户选择数据的时间频率（frequency）、起始期和终止期。选择时间频率为Annual（年度），再分别点击起始期栏（Start date）和终止期栏（End date），输入相应的日期，然后点击OK按钮，将在EViews 软件的主显示窗口显示相应的工作文件窗口。 工作文件窗口是EViews的子窗口，工作文件一开始其中就包含了两个对象，一个是系数向量C（保存估计系数用），另一个是残差序列RESID（实际值与拟合值之差）。 ⒉命令方式 在EViews软件的命令窗口中直接键入CREATE命令，也可以建立工作文件。命令格式为：CREATE 时间频率类型起始期终止期 则菜单方式过程可写为：CREATE A 1985 1998 ㈡输入Y、X的数据 ⒈DATA命令方式 在EViews软件的命令窗口键入DATA命令，命令格式为： DATA <序列名1> <序列名2>…<序列名n>

第七章时间序列分析

第七章 时间序列分析 一、单项选择题 1. 根 据 时 期 序 列 计 算 序 时 平 均 数 应 采 用 ( ) A.几何平均法 B.加权算术平均法 C.简单算术平均法 D.首末折半法 ２.间隔相等的时点序列计算序时平均数应采用 （ ） Ａ.几何平均法 B.加权算术平均法 C.简单算术平均法 D.首末折半法 ３.逐日登记资料的时点序列计算序时平均数应采用 （ ） Ａ.几何平均法 B.加权算术平均法 C.简单算术平均法 D.首末折半法 ４.具有可加性的时间序列是 （ ） Ａ.时点序列 Ｂ.时期序列 Ｃ.平均指标动态序列 Ｄ.相对指标动态序列 ５.间断性的间隔不相等时点序列计算序时平均数，应采用 （ ） Ａ.以每次变动持续的时间长度对各时点水平加权平均 Ｂ.以数列的总速度按几何平均法计算 Ｃ.用各间隔长度对各间隔的平均水平加权平均 Ｄ.对各时点水平简单算术平均 6.时间序列中的派生序列是 （ ） A. 时期序列和时点序列 B.绝对数时间序列和相对数时间序列 C.绝对数时间序列和平均数时间序列 D.相对数时间序列和平均数时间序列 7.某企业生产某种产品,其产量年年增加5万吨,则该产品产量的环比增长速度 ( ) A.年年下降 B.年年增长 C.年年保持不变 D.无法做结论 8.某企业工业生产固定资产原值变动资料(单位:千元〉：1998年1月1日8000当年新增2400， 当年减少400试确定工业生产固定资产原值平均价值 （ ） A.10000 B.9000 C.5000 D.1500 9.某车间月初工作人员数资料如下 （ ） 一月 二月 三月 四月 五月 六月 七月 280 284 280 300 302 304 320 计算该车间上半年月平均工人数计算式是： A. i i i f f α∑∑ B. i i i f f α∑∑ C. i n α∑ D. 1231 1 1 2 2 ...1 n a a a a n -++++- 10.2003年上半年某商店各月初棉布商品库存〈千元〉为 一月 二月 三月 四月 五月 六月 七月 42 34 36 32 36 33 38 试确定上半年棉布平均商品库存。 （ ）

时间序列分析资料报告——ARMA模型实验

基于ARMA模型的社会融资规模增长分析 ————ARMA模型实验

第一部分实验分析目的及方法 一般说来,若时间序列满足平稳随机过程的性质,则可用经典的ARMA模型进行建模和预则。但是, 由于金融时间序列随机波动较大,很少满足ARMA模型的适用条件,无法直接采用该模型进行处理。通过对数化及差分处理后,将原本非平稳的序列处理为近似平稳的序列,可以采用ARMA模型进行建模和分析。 第二部分实验数据 2.1数据来源 数据来源于中经网统计数据库。具体数据见附录表5.1 。 2.2所选数据变量 社会融资规模指一定时期（每月、每季或每年）实体经济从金融体系获得的全部资金总额，为一增量概念，即期末余额减去期初余额的差额，或当期发行或发生额扣除当期兑付或偿还额的差额。社会融资规模作为重要的宏观监测指标，由实体经济需求所决定，反映金融体系对实体经济的资金量支持。 本实验拟选取2005年11月到2014年9月我国以月为单位的社会融资规模的数据来构建ARMA模型，并利用该模型进行分析预测。 第三部分 ARMA模型构建 3.1判断序列的平稳性 首先绘制出M的折线图，结果如下图：

图3.1 社会融资规模M曲线图 从图中可以看出，社会融资规模M序列具有一定的趋势性，由此可以初步判断该序列是非平稳的。此外，m在每年同时期出现相同的变动趋势，表明m还存在季节特征。下面对m的平稳性和季节性·进行进一步检验。 为了减少m的变动趋势以及异方差性，先对m进行对数化处理，记为lm，其时序图如下： 图3.2 lm曲线图

对数化后的趋势性减弱，但仍存在一定的趋势性，下面观察lm的自相关图 表3.1 lm的自相关图 上表可以看出，该lm序列的PACF只在滞后一期、二期和三期是显著的，ACF随着滞后结束的增加慢慢衰减至0，由此可以看出该序列表现出一定的平稳性。进一步进行单位根检验，由于存在较弱的趋势性且均值不为零，选择存在趋势项的形式，并根据AIC自动选择之后结束，单位根检验结果如下： 表3.2 单位根输出结果 Null Hypothesis: LM has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.*

典型时间序列模型分析

实验1典型时间序列模型分析 1、实验目的 熟悉三种典型的时间序列模型： AR 模型，MA 模型与ARMA 模型，学会运用Matlab 工具对 对上述三种模型进行统计特性分析，通过对2阶模型的仿真分析，探讨几种模型的适用范围， 并且通过实验分析理论分析与实验结果之间的差异。 2、实验原理 AR 模型分析： 设有AR(2)模型, X( n)=-0.3X( n-1)-0.5X( n-2)+W( n) 其中：W(n)是零均值正态白噪声，方差为 4。 (1 )用MATLAB 模拟产生X(n)的500观测点的样本函数，并绘出波形 (2) 用产生的500个观测点估计X(n)的均值和方差 (3) 画出理论的功率谱 (4) 估计X(n)的相关函数和功率谱 【分析】给定二阶的 AR 过程，可以用递推公式得出最终的输出序列。或者按照一个白噪声 通过线性系统的方式得到，这个系统的传递函数为： 这是一个全极点的滤波器，具有无限长的冲激响应。 对于功率谱，可以这样得到， 可以看出， FX w 完全由两个极点位置决定。 对于AR 模型的自相关函数，有下面的公式: \(0) 打⑴ 匚⑴… ^(0) ■ 1' G 2 W 0 JAP) 人9-1)… 凉0) _ 这称为Yule-Walker 方程，当相关长度大于 p 时，由递推式求出: r (r) + -1) + -■ + (7r - JJ )= 0 这样，就可以求出理论的 AR 模型的自相关序列。 H(z) 二 1 1 0.3z ， P x w +W 1 1 a 才 a 2z^

1. 产生样本函数，并画出波形 2. 题目中的AR过程相当于一个零均值正态白噪声通过线性系统后的输出，可以按照上面的方法进行描述。 clear all; b=[1]; a=[1 0.3 0.5]; % 由描述的差分方程，得到系统传递函数 h=impz(b,a,20); % 得到系统的单位冲激函数，在20点处已经可以认为值是0 randn('state',0); w=normrnd(0,2,1,500); % 产生题设的白噪声随机序列，标准差为 2 x=filter(b,a,w); % 通过线形系统，得到输出就是题目中要求的2阶AR过程 plot(x,'r'); ylabel('x(n)'); title(' 邹先雄——产生的AR随机序列'); grid on; 得到的输出序列波形为： 邹先雄——产生的AR随机序列 2. 估计均值和方差 可以首先计算出理论输出的均值和方差，得到m x =0 ，对于方差可以先求出理论自相 关输出，然后取零点的值。

第七章时间序列分析答案刘莹

第七章时间数列分析 一、填空题 1、时间指标数值 2、逐期增长量累计增长量 3、增长水平（或增长量）发展速度 4、本期水平去年同期水平 5、年距发展速度 1（或100%） 6、几何平均法方程法 7、同季（月）平均法趋势与季节模型法 8、平均季节比重法平均季节比率法 9、报告期水平基期水平 10、序时平均数（或动态平均数）平均数 11、和差 12、季节变动长期趋势 13、逐期增长量环比增长速度 14、长明显 1-5 A C C A D 6-10 A B A B B 三、多选题 1、CDE 2、ABDE 3、ABCE 4、ACDE 5、BDE 6、BD 7、ABCD 8、ACE 9、AE 10、ACE 四、简答题 1、序时平均数与一般平均数的异同。 答：（1）相同之处。二者都是将具体数值抽象化，用一个代表性的数指来代表总体的一般水平。 （2）不同之处。①计算的依据不同。一般平均数是根据变量数列计算的，而序时平均数则是根据时间数列计算的；②对比的指标不同。一般平均数是总体标志总量与总体单位总量对比的结果，而序时平均数则是时间数列各期发展水平的总和与时期项数对比的结果；③说明的问题不同。一般平均数说明现象在同一时间、不同空间上所达到的一般水平，而序时平均数则说明现象在同一空间、不同时间上所达到的一般水平。 2、时期数列与时点数列的区别。 答：①时期数列中的指标值为时期数，时点数列中的指标值为时点数；②时期数列中的指标值具有可加性，而时点数列中的指标值则不具有可加性；③时期数列中指标值的大小与时间间隔的长短有直接关系，而时点数列中指标值的大小与时间间隔的长短则没有直接关系；④时期数列中的指标值是通过连续调查取得的，而时点数列中的指标值则是通过一次性调查取得的。 3、时间数列的编制原则。 答：（1）基本原则：保持数列中的各项指标数值具有可比性。 （2）具体原则：①时间长短统一；②总体范围统一；③指标口径统一；④计算方法统一；⑤计量单位统一。 4、计算和应用平均速度应注意的问题。 答：①根据计算对象的特点选择计算方法；②根据研究目的选择基期；③用分段平均数补充说

时间序列分析及VAR模型

Lecture 6 6. Time series analysis: Multivariate models 6.1Learning outcomes ?Vector autoregression (VAR) ?Cointegration ?Vector error correction model (VECM) ?Application: pairs trading 6.2Vector autoregression (VAR)向量自回归 The classical linear regression model assumes strict exogeneity; hence, there is no serial correlation between error terms and any realisation of any independent variable (lead or lag). As we discovered, serial correlation (or autocorrelation) is very common in financial time series and panel data. Furthermore, we assumed a pre-defined relation of causality: explanatory variable affect the dependent variable? 传统的线性回归模型假设严格的外主性，误差项与可实现的独立变量之间没有序列相关性。金融时间序列及面板数据往往都有很强的自相关性，假定解释变量影响因变量。 We now relax bo什］assumptions using a VAR model. VAR models can be regarded as a generalisation of AR(p) processes by adding additional time series. Hence, we enter the field of multivariate time series analysis. VAR模型可以'"l作是在一般的自回归过程中加入时间序列。 Lefs look at a standard AR(p) process for hvo variables (y( and xj? (1)%= Ql + 琅］仇『一 +仏 (2)x t = a2 + - + ￡2t The next step is to allow that lagged values of xt can affect y( and vice versa. This means that we obtain a system of equations for two dependent variables(y(and xj?Both dependent variables are influenced by past realisations of y(and x t. By doing that, we violate strict exogeneity (see Lecture 2); however, we can use a more relaxed concept, namely weak exogeneity?As we use lagged values of bodi dependent variables, we can argue that these lagged values are known to us, as we observed them in the previous period? We call these variables predetermined? Predetermined (lagged) variables fulfil weak exogeneity in the sense that they have to be uncorrelated with the contemporaneoiis error term in t? We can still use OLS to estimate the following system of equations, which is called a VAR in reduced form. (3)+y 仇1化_丫+sr=i ^12 +￡it (4)X t = a2+2X1021”—, + _i + f2t

时间序列分析——最经典的

【时间简“识”】 说明：本文摘自于经管之家(原人大经济论坛) 作者：胖胖小龟宝。原版请到经管之家(原人大经济论坛) 查看。 1.带你看看时间序列的简史 现在前面的话—— 时间序列作为一门统计学，经济学相结合的学科，在我们论坛，特别是五区计量经济学中是热门讨论话题。本月楼主推出新的系列专题——时间简“识”，旨在对时间序列方面进行知识扫盲（扫盲，仅仅扫盲而已……），同时也想借此吸引一些专业人士能够协助讨论和帮助大家解疑答惑。 在统计学的必修课里，时间序列估计是遭吐槽的重点科目了，其理论性强，虽然应用领域十分广泛，但往往在实际操作中会遇到很多“令人发指”的问题。所以本帖就从基础开始，为大家絮叨絮叨那些关于“时间”的故事！ Long long ago，有多long估计大概7000年前吧，古埃及人把尼罗河涨落的情况逐天记录下来，这一记录也就被我们称作所谓的时间序列。记录这个河流涨落有什么意义当时的人们并不是随手一记，而是对这个时间序列进行了长期的观察。结果，他们发现尼罗河的涨落非常有规律。掌握了尼罗河泛滥的规律，这帮助了古埃及对农耕和居所有了规划，使农业迅速发展，从而创建了埃及灿烂的史前文明。

好~~从上面那个故事我们看到了 1、时间序列的定义——按照时间的顺序把随机事件变化发展的过程记录下来就构成了一个时间序列。 2、时间序列分析的定义——对时间序列进行观察、研究，找寻它变化发展的规律，预测它将来的走势就是时间序列分析。 既然有了序列，那怎么拿来分析呢 时间序列分析方法分为描述性时序分析和统计时序分析。 1、描述性时序分析——通过直观的数据比较或绘图观测，寻找序列中蕴含的发展规律，这种分析方法就称为描述性时序分析 描述性时序分析方法具有操作简单、直观有效的特点，它通常是人们进行统计时序分析的第一步。 2、统计时序分析 （1）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 发展过程： 1）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 2）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 3）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 特点：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 （2）时域分析方法

时间序列分析期末论文 (1)

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：

时间序列分析课程设计报告 (1)

中国铁路客运量的时间序列分析辜予薇1303050225统计0502

摘要 首先，本文对中国铁路客运的现状及影响客运量的因素作了简要的分析，并说明了运用时间序列分析方法对中国铁路客运量作预测的现实意义。 接下来，文中收集到了从2002年1月至2008年10月中国铁路客运量的数据，经过一系列分析，对野值进行了相应的替换，并通过平稳化和零均值化将原序列转化为适宜建立时间序列模型的新序列X。 然后，本文用Box-Jekins方法对序列X进行初步识别，拟合出基本模型，并使用F检验定阶法和最佳准则函数定阶法确定模型的阶数，建立了AR(1)模型。 其后，本文还使用Pandit-Wu方法建立起了ARMA(4,3)模型，并将此模型与之前的AR(1)模型作了简单的对比。 在模型建立后，本文分别用两个模型进行了内插和外推预测，比较了它们的预测误差，最后肯定了ARMA(4,3)模型的优越性，并对预测结果进行了简单的分析，提出了自己的建议。 关键词平稳化 Box-Jekins F检验最佳准则函数 Pandit-Wu 预测

1引言 铁路由于具有运距长、全天候、安全性强、运能大、受自然铁条件影响小的优点，在众多的交通工具中具有得天独厚的优势，无论在货运和客运上，都受到社会公众的亲睐。[1]而铁路客运又是我国交通运输体系中与老百姓联系最紧密的运输方式，无论远赴他乡的学子，还是行色匆匆的打工仔，都于长长的列车有着不解之缘。 而我们知道，在高峰时期购票难的问题一直困扰着广大的出行者，现时值春运，国家和有关部门及时获取信息，有效地统筹安排铁道和列车资源就显得尤为重要。 我们认为，在众多的信息中，打算乘火车出行的人数是一个关键，它直接关系着有关部门需要开派多少车的问题。如果车派少了，必然有部分的出行者由于无法买到车票而耽误行程，造成社会公众的不满；但另一方面，如果开派的列车数超过了实际需要，就会有过度“不满员”的情况，不仅加大了列车的运行成本，还造成了资源的浪费。 但由于有关部门也不可能精确地知道未来究竟有多少人打算乘火车出行，所以只有根据历史的规律结合当下的实际情况进行预测。时间序列分析正是这样一种立足于历史，以预测和控制未来现象的方法，在处理这个问题上是有一定的可行性的。 2问题分析 从理论上来讲，影响一个时期铁路客运量的因素有很多，我认为最重要的应该有下面几个： A：节假日分布。一般来讲，节假日分布密集的时期的出行的人数会较一般时段有所增加，如春节前后主要是农民工和学生构成强大的客流，而“五一”和“十一”黄金周外出旅游的人也会大大增加铁路客运压力。 B：外部竞争因素。这主要是指飞机和汽车等交通工具的票价高低。如果某一时段飞机票价居高不下，而一些时间较充裕或购买力不够强的旅客则会选择乘

时间序列分析法原理及步骤

时间序列分析法原理及步骤 ----目标变量随决策变量随时间序列变化系统 一、认识时间序列变动特征 认识时间序列所具有的变动特征, 以便在系统预测时选择采用不同的方法 1》随机性:均匀分布、无规则分布,可能符合某统计分布(用因变量的散点图和直方图及其包含的正态分布检验随机性, 大多服从正态分布 2》平稳性:样本序列的自相关函数在某一固定水平线附近摆动, 即方差和数学期望稳定为常数 识别序列特征可利用函数 ACF :其中是的 k 阶自 协方差,且 平稳过程的自相关系数和偏自相关系数都会以某种方式衰减趋于 0, 前者测度当前序列与先前序列之间简单和常规的相关程度, 后者是在控制其它先前序列的影响后,测度当前序列与某一先前序列之间的相关程度。实际上, 预测模型大都难以满足这些条件, 现实的经济、金融、商业等序列都是非稳定的,但通过数据处理可以变换为平稳的。 二、选择模型形式和参数检验 1》自回归 AR(p模型

模型意义仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用,不受模型变量互相独立的假设条件约束,所构成的模型可以消除普通回归预测方法中由于自变量选择、多重共线性的比你更造成的困难用 PACF 函数判别 (从 p 阶开始的所有偏自相关系数均为 0 2》移动平均 MA(q模型 识别条件

平稳时间序列的偏相关系数和自相关系数均不截尾,但较快收敛到 0, 则该时间序列可能是 ARMA(p,q模型。实际问题中,多数要用此模型。因此建模解模的主要工作时求解 p,q 和φ、θ的值,检验和的值。 模型阶数 实际应用中 p,q 一般不超过 2. 3》自回归综合移动平均 ARIMA(p,d,q模型 模型含义 模型形式类似 ARMA(p,q模型, 但数据必须经过特殊处理。特别当线性时间序列非平稳时,不能直接利用 ARMA(p,q模型,但可以利用有限阶差分使非平稳时间序列平稳化,实际应用中 d (差分次数一般不超过 2. 模型识别 平稳时间序列的偏相关系数和自相关系数均不截尾,且缓慢衰减收敛,则该时间序列可能是 ARIMA(p,d,q模型。若时间序列存在周期性波动, 则可按时间周期进

Eviews时间序列分析实例.

Eviews时间序列分析实例 时间序列是市场预测中经常涉及的一类数据形式，本书第七章对它进行了比较详细的介绍。通过第七章的学习，读者了解了什么是时间序列，并接触到有关时间序列分析方法的原理和一些分析实例。本节的主要内容是说明如何使用Eviews软件进行分析。 一、指数平滑法实例 所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规律，但确实存在某种前后关联的时间序列的短期预测。由于其他很多分析方法都不具有这种特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。 （－）一次指数平滑 一次指数平滑又称单指数平滑。它最突出的优点是方法非常简单，甚至只要样本末期的平滑值，就可以得到预测结果。 一次指数平滑的特点是：能够跟踪数据变化。这一特点所有指数都具有。预测过程中添加最新的样本数据后，新数据应取代老数据的地位，老数据会逐渐居于次要的地位，直至被淘汰。这样，预测值总是反映最新的数据结构。 一次指数平滑有局限性。第一，预测值不能反映趋势变动、季节波动等有规律的变动；第二，这种方法多适用于短期预测，而不适合作中长期的预测；第三，由于预测值是历史数据的均值，因此与实际序列的变化相比有滞后现象。 指数平滑预测是否理想，很大程度上取决于平滑系数。Eviews提供两种确定指数平滑系数的方法：自动给定和人工确定。选择自动给定，系统将按照预测误差平方和最小原则自动确定系数。如果系数接近1，说明该序列近似纯随机序列，这时最新的观测值就是最理想的预测值。 出于预测的考虑，有时系统给定的系数不是很理想，用户需要自己指定平滑系数值。平滑系数取什么值比较合适呢？一般来说，如果序列变化比较平缓，平滑系数值应该比较小，比如小于0.l；如果序列变化比较剧烈，平滑系数值可以取得大一些，如0.3～0.5。若平滑系数值大于0.5才能跟上序列的变化，表明序列有很强的趋势，不能采用一次指数平滑进行预测。 ［例1］某企业食盐销售量预测。现在拥有最近连续30个月份的历史资料（见表l），试预测下一月份销售量。 表1 某企业食盐销售量单位：吨 解：使用Eviews对数据进行分析，第一步是建立工作文件和录入数据。有关操作在本

时间序列分析实验报告汇总.doc

《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;

现代时间序列分析模型

现代时间序列分析模型§1 时间序列平稳性和单位根检验§2 协整与误差修正模型经典时间序列分析模型： MA、AR、ARMA 平稳时间序列模型分析时间序列自身的变化规律现代时间序列分析模型：分析时间序列之间的关系单位根检验、协整检验现代宏观计量经济学§1 时间序列平稳性和单位根检验一、时间序列的平稳性二、单整序列三、单位根检验一、时间序列的平稳性 Stationary Time Series ⒈问题的提出经典计量经济模型常用到的数据有：时间序列数据（time-series data ；截面数据cross-sectional data 平行/面板数据（panel data/time-series cross-section data 时间序列数据是最常见，也是最常用到的数据。经典回归分析暗含着一个重要假设：数据是平稳的。数据非平稳，大样本下的统计推断基础――“一致性”要求――被破怀。数据非平稳，往往导致出现“虚假回归”（Spurious Regression）问题。表现为两个本来没有任何因果关系的变量，却有很高的相关性。例如：如果有两列时间序列数据表现出一致的变化趋势（非平稳的），即使它们没有任何有意义的关系，但进行回归也可表现出较高的可决系数。 2、平稳性的定义假定某个时间序列是由某一随机过程（stochastic process）生成的，即假定时间序列 Xt （t 1, 2, …）的每一个数值都是从一个概率分布中随机得到，如果满足下列条件：均值E Xt ?是与时间t 无关的常数；方差Var Xt ?2是与时间t 无关的常数；协方差Cov Xt,Xt+k ?k 是只与时期间隔k有关，与时间t 无关的常数；则称该随机时间序列是平稳的（stationary ，

数学建模时间序列分析

基于Excel的时间序列预测与分析 1 时序分析方法简介 1.1时间序列相关概念 1.1.1 时间序列的内涵以及组成因素 所谓时间序列就是将某一指标在不同时间上的不同数值，按照时间的先后顺序排列而成的数列。如经济领域中每年的产值、国民收入、商品在市场上的销量、股票数据的变化情况等，社会领域中某一地区的人口数、医院患者人数、铁路客流量等，自然领域的太阳黑子数、月降水量、河流流量等等，都形成了一个时间序列。人们希望通过对这些时间序列的分析，从中发现和揭示现象的发展变化规律，或从动态的角度描述某一现象和其他现象之间的内在数量关系及其变化规律，从而尽可能多的从中提取出所需要的准确信息，并将这些知识和信息用于预测，以掌握和控制未来行为。 时间序列的变化受许多因素的影响 ,有些起着长期的、决定性的作用 ,使其呈现出某种趋势和一定的规律性；有些则起着短期的、非决定性的作用，使其呈现出某种不规则性。在分析时间序列的变动规律时，事实上不可能对每个影响因素都一一划分开来，分别去作精确分析。但我们能将众多影响因素，按照对现象变化影响的类型，划分成若干时间序列的构成因素，然后对这几类构成要素分别进行分析，以揭示时间序列的变动规律性。影响时间序列的构成因素可归纳为以下四种: (1)趋势性(Trend),指现象随时间推移朝着一定方向呈现出持续渐进地上升、下降或平稳的变化或移动。这一变化通常是许多长期因素的结果。 (2)周期性(Cyclic)，指时间序列表现为循环于趋势线上方和下方的点序列并持续一年以上的有规则变动。这种因素是因经济多年的周期性变动产生的。比如，高速通货膨胀时期后面紧接的温和通货膨胀时期将会使许多时间序列表现为交替地出现于一条总体递增 地趋势线上下方。 (3)季节性变化(Seasonal variation)，指现象受季节性影响 ,按一固定周期呈现出的周期波动变化。尽管我们通常将一个时间序列中的季节变化认为是以1年为期的，但是季节因素还可以被用于表示时间长度小于1年的有规则重复形态。比如，每日交通量数据表现出为期1天的“季节性”变化，即高峰期到达高峰水平，而一天的其他时期车流量较小，从午夜到次日清晨最小。

时间序列分析课程论文

摘要 时间序列分析是应用广泛的数量分析方法，主要描述和探索事物随时间发生变化的数量规律，时间序列分析中最典型的ARMA模型和ARIMA模型在近几年的相关研究中有较多的应用并得到广泛关注，而本文基于国家统计局公布的江西省1978—2014年的城镇化水平为分析数据，选择ARIMA模型进行建模处理，一方面是因为ARIMA模型在非平稳时间时间序列分析方面具有独特的优势，另一方面是模型能很好地拟合江西省城镇化发展水平的走势，模型的精度较好反映数据的真实水平。 对于实际问题的分析，结合当前我省城镇化发展水平的形势，本文以有明确记录以来的江西省城镇化率统计数据为依据，并根据SAS软件对这些数据序列的平稳性与纯随机性进行检验，并利用SAS软件处理的结果判断该数据是否为平稳序列且为非白噪声序列，通过对数据进行一阶差分等一系列处理，运用模型拟合数据时间序列，由于时间序列数据之间的相关关系，且历史数据对未来的发展有一定影响，结合对模型有很好预测结果，得出所有预测误差均没有超过１%，而且用来预测未来五年江西省城镇化发展水平达到60%，与省政府预计2020年常住人口城镇化率达到或接近60%的目标基本保持一致，进一步体现了模型拟合的优越性，为对本省未来实现户籍改革一体化、全面提高城市化水平提供了可借鉴的参考且为省政府在制定健全人口信息管理体系政策方面提出建议。 针对分析出的结果以及相关文献资料的查阅，为江西省城镇化发展总结以下几点政策建议：（1）以人为本，科学发展；（2）改革旧体制，消除体制障碍；（3）加大投融资体制改革，多渠道筹措城市建设资金；（4）改善和加强归城镇化的宏观调控。

一、引言 所谓城市化便是伴随经济增长城市增多和城市人口比重上升，首先，城市化是工业化推动的结果，即工业和商业发展形成聚集经济、进而产生对农村劳动力的持续不断的需求；其次，城市预期收入远高于农村，生活条件和个人发展条件比农村优越，因而吸引农村人口大量涌入城市；再次，农村劳动生产率的提高将越来越多的农村劳动力排挤出了农业生产领域，于是农村剩余劳动力就不得不去非农领域特别是城市寻找就业机会。可见，“在一个连续均衡的国民经济中，城市化可能表现为因果链条上的各类事件的最后结果，以导致工业化的贸易和需求的变化开端，以农村劳动力向城市就业的平缓移动为结果。但是，从农村向城市定居迁移的发生早于对劳动力需求的增长，并且越来越由期望的收入决定，而不是现在的工资。因此，除了把城市化看成是生产结构变化的结果以外，还必须把它看成是某种程度上分散的发展过程。此过程受未来收入和对就业的期望，以及政府支出的分配和各种社会因素的影响。”此外，城市化也受到了政府人口流动、迁移和城市就业相关政策的制约，在以时间序列分析中的模型分析中国城市化问题时必须强调的一点。 江西的城镇虽然产生较早，但长期以来商品经济发展缓慢，城市数目少，规模偏小，功能不够健全，因此，拟合模型并预测未来江西省城市化发展水平对于促进我省经济发展，加快城市化进程有重要意义。 二、江西省城市化发展水平的演变过程 在1978—1990年这12年间，江西的城镇化水平较低，平均只有19.31%，年增长率在1%左右，增长速度比较缓慢。从1991—2000年，江西城市化水平将近增长了10%左右，在这一时间段里，城镇化增长率有了一定的提高，但由于这一段时间相关有利影响较多，所以相对而言这段时间的城镇化水平的增长幅度也相对较小。从2001—2010年，江西城市化水平有了较大改观，开始步入城市化的快车道。从江西省城镇化水平的整个发展历程来看，江西的城镇化率在全国的平均水平之下，发展速度也很缓慢，究其原因，与江西省的工业、地理位置、人口等因素有很大关系。江西地处全国中部，多丘陵山区，交通不便，工业欠发达，农村人口基础大。这些因素总体制约了江西城镇化发展水平，所以根据城镇化水