指数平滑方法适用于非平稳数据（即具有趋势和/或季节性的数据），其工作方式类似于指数移动平均线。预测是过去观察的加权平均值。这些模型更加强调最近的观察结果，因为权重随时间呈指数级变小。平滑方法很受欢迎，因为它们速度快（不需要大量计算）并且在预测方面相对可靠。（扫描本文最下方二维码获取全部完整源码和Jupyter Notebook 文件打包下载。）

Simple Exponential Smoothing，最基本的模型称为简单指数平滑（SES）。这类模型最适用于所考虑的时间序列不表现出任何趋势或季节性的情况。它们也适用于只有几个数据点的系列。

该模型通过平滑参数 α 进行参数化，其值介于 0 和 1 之间。值越高，对最近观察的权重就越大。当 α = 0 时，对未来的预测等于历史数据（模型拟合的数据）的平均值。当 α = 1 时，所有预测值都与训练数据中的最后一个观察值相同。

简单指数平滑的预测函数是平坦的，即所有的预测，无论时间跨度如何，都等于同一个值——最后一个级别的分量。这就是为什么这种方法只适用于既没有趋势也没有季节性的序列。

Holt 的模型是简单指数平滑（SES）的扩展，它通过将趋势分量添加到模型规范中来说明序列中的趋势。当数据存在趋势但没有季节性时，应使用此模型。

Holt 模型的一个问题是趋势在未来是恒定的，这意味着它会无限增加/减少。这就是模型的扩展通过添加阻尼参数 φ 来抑制趋势的原因。它使趋势在未来收敛到一个恒定值，从而有效地将其拉平。Hyndman 和 Athanasopoulos (2018) 指出 φ 很少小于 0.8，因为阻尼对较小的 φ 值具有非常强的影响。

最佳做法是限制 φ 的值，使其介于 0.8 和 0.98 之间，因为对于 φ = 1，阻尼模型等效于没有阻尼的模型。

在本文中，我们将向您展示如何将平滑方法应用于 Google 的每月股票价格（具有趋势且没有明显季节性的非平稳数据）。我们将模型与 年的价格进行拟合，并对 2018 年进行预测。

在下文中，我们将在相同的图上绘制多条线，每条线代表不同模型的类型。这就是为什么我们要确保这些线条清晰可辨，尤其是黑白线条。出于这个原因，我们将为绘图使用不同的调色板，即cubehelix：

执行以下步骤以使用指数平滑方法来创建对 Google 股票价格的预测。

2、下载调整后的谷歌股价数据：

6、拟合三个简单指数平滑（SES）模型并为它们创建预测：

7、绘制原始价格和模型的结果：

在前面的图中，我们可以看到我们在本文的介绍中描述的 SES 的特征——预测是一条平坦的线。我们还可以看到 statsmodels 优化程序选择的最优值接近 1。此外，第三个模型的拟合线实际上是观察到的价格向右移动的线。

8、拟合 Holt 平滑模型的三个变体并创建预测：

9、绘制原始价格和模型的结果：

在第 2 步到第 5 步中，我们下载了 年 Google 的股票价格，将这些值重新采样到每月频率，将数据拆分为训练（）和测试（2018）集，并绘制了系列图。

的值，但是，最佳实践是让 statsmodels 优化它以获得最佳拟合。这种优化是通过最小化残差平方和（误差）来完成的。我们使用预测方法创建了预测，该方法需要我们要预测的周期数（等于测试集的长度）。在第 7 步中，我们将结果可视化并将其与实际股票价格进行比较。我们使用拟合模型的拟合值方法提取模型的拟合值。

的情况一样，使用不带参数的 fit 方法会导致运行优化例程以确定参数的最佳值。我们可以通过运行fitted_model.params来访问它。在示例中，我们手动将阻尼参数的值指定为 0.99，因为优化器选择 1 作为最佳值，这在图上是无法区分的。在第 9 步中，我们将结果可视化。

无需过多赘述，此方法最适合具有趋势和季节性的数据。该模型有两种变体，它们具有加法或乘法季节性。在前一种中，季节变化在整个时间序列中或多或少是恒定的。在后者中，变化与时间的流逝成比例地变化。

从绘制的预测图中，我们可以看到，与 SES 和 Holt 的线性趋势模型相比，该模型更加灵活。序列开始时的极端拟合值是由于没有足够的观察值可供回溯（我们在处理月度数据时选择了seasonal_periods=12）。

扫描本文最下方二维码获取全部完整源码和Jupyter Notebook 文件打包下载。

↓↓长按扫码获取完整源码↓↓

《eviews图像及结果分析》由会员分享，可在线阅读，更多相关《eviews图像及结果分析（33页珍藏版）》请在装配图网上搜索。

1、第4章 图形和统计量分析EViews软件提供了序列(Series)和序列组(Group)等对象的各种视图、统计分析方法和过程。当序列对象中输入数据后，就可对序列对象中输入的数据进行统计分析，并且可以通过图、表等形式进行描述。本章将介绍序列和序列组对象图形的生成和描述性统计量及其检验。4.1 图 形 对 象图形(Graph)对象可以形成序列和序列组等对象的各种视图，如线图(Line)、散点图(Scatter)以及饼图(Pie)等。通过图形可以进一步观察和分析数据的变化趋势和规律。下面介绍图形对象的基本操作。4.1.1 图形(Graph)对象的生成图形对象也是工作文件中的基本对象之一。要生成图形对

2、象需首先打开序列对象窗口或序列组对象窗口，选择对象窗口工具栏中的“View”|“Graph”选项。选择的对象类型不同，将弹出不同的窗口。如果在序列对象窗口下选择“View”|“Graph”选项，将弹出如图4-1所示的界面。图4-1 序列窗口下图形对象的生成此时“Graph”弹出的菜单中有6种图形可供选择。“Line”表示生成的是折线图，如图4-2所示，其横轴表示时间或序列的顺序，纵轴表示序列对象观测值的大小。“Area”表示生成面积图，其图形的形状与“Line”(折线图)相同，不同的是“Area”(面积图)曲线下方是被填满的，而“Line”(折线图)下方是空白。图4-2 “Line”折线图“B

3、ar”表示为条形图，用条状的高度表示观测值的大小。“Spike”表示尖峰图，由竖线组成，每根竖线的高度代表观测值的大小。“Seasonal Stacked Line”表示生成的是季节性堆叠图，“Seasonal Split Line”表示生成的是季节性分割线。如果在序列组(群)对象窗口下选择“View”|“Graph”选项，将弹出如图4-3所示的界面。这里有9种图形可供选择。其前4种与上面讲述的相同。图4-3 序列组(群)窗口下图对象的生成其中，“Scatter” 表示生成散点图。在“Scatter”弹出的菜单中有5个选项，分别是“Simple Scatter”(简单散点图)、“Scatter

Pairs”(XY成对散点图)。当序列组中包含两个序列对象时，第一个序列对象的观测值构成散点图的横坐标，第二个序列对象的观测值构成散点图的纵坐标，如图4-4所示。当序列组中有三个以上的序列对象时，第一个序列对象构成散点图的横坐标，其余序列对象构成散点图的纵坐标。图4-4 简单散点图(“Simple Scatter”)“XY line”表示X与Y的折线图，横纵坐标分别表示两

5、个序列对象的观测值。“Error Bar”表示误差长条图，“High-Low”表示高低图，“Pie”表示饼图。另外，在序列组(群)对象窗口下还可通过选择“View”|“Multiple Graphs”选项来生成图形。此时图形显示在不同的坐标系中，即每个序列对象各形成一个图形，并显示在同一个窗口中。除上面介绍的在序列对象窗口中生成图对象外，还可以通过选择EViews主菜单中的“Quick”|“Graph”选项来生成。在“Graph”的菜单中选择图的类型，将弹出图4-5所示的文本框。在文本框内输入序列或序列组的名称，例如“fdi”，然后单击“OK”按钮，即可打开相应的图。此时所生成的图对象未被命名

6、，单击图对象窗口中的“Name”按钮即可命名。图4-5 生成图对象的文本框4.1.2 图形的冻结在上面所介绍的两种图对象生成方法中，通过“Quick”|“Graph”选项生成图形对象，单击图对象窗口工具栏中的“Name”选项，在弹出的对话框中输入该对象的名称，单击“OK”按钮后该对象即可被保存，并在工作文件窗口中显示图对象的图标。但直接在序列对象窗口中形成的图形未被保存，当序列对象中的观测值发生改变时，或当前工作文件的样本范围发生变化时，图形也将随之改变。如果要保留所建立的图形，使之不随样本及观测值的改变而发生变化，则可以通过序列对象窗口中的“Freeze”键来冻结图形。EViews软件将被冻

7、结的图形以一个图(Graph)对象的形式保存在工作文件中。当选择序列对象窗口中的“Freeze”键时，会弹出图对象窗口。其中有几个键值得关注，一个是“AddText”功能键，通过它可以将文字显示在图形中，并且可以选择显示的位置。一个是“Line/Shade”功能键，通过它可以改变图形的背景颜色，横纵坐标轴的线条类型和颜色等。还有一个是“Remove”功能键，可以用来删除图形中的一些附加要素。例如，将在图形中所建立的文字删除，应首先用鼠标单击所需删除的内容，使其被选中，然后单击“Remove”键，则文字即被删除。用同样的方法也可以删除为图形所设置的颜色等。4.1.3 图形的复制如果需要将图形保存

8、到其他文件中，例如放在Word文档中，则选择图对象窗口中的“Proc”|“Copy”选项，然后在弹出的对话框中单击“OK”按钮。或者将鼠标移动到图形上，右击，在弹出的快捷菜单中选择“Copy”命令。再打开需要粘贴的文件，进行粘贴即可。4.2 描述性统计量EViews软件中包含一些基本的描述性统计量，有直方图、均值、方差、协方差、自相关等。本节主要介绍序列和序列组对象窗口下的描述性统计量及其检验。4.2.1 描述性统计量概述序列窗口下的描述性统计量和序列组窗口下的描述性统计量有所不同。在序列窗口下有4种描述性统计量，分别是“Histogram and Stats”(直方图和统计量)、“Stats

10、”(直方图和统计量)，能显示序列对象的直方图和描述性统计量的值。下面以建立好的序列对象“fdi”为例来进行说明。如图4-6所示，图的左侧显示的是该序列对象的直方图，为观测值的频率分布。右侧分三个部分，最上面显示的是序列对象的名称、样本的范围和样本数量。中间部分显示的是各统计量的值。其中，“Mean”表示均值，即序列对象观测值的平均值；“Median”表示中位数，即从小到大排列的序列对象观测值的中间值，是对序列分布中心的一个大致估计；“Maximum”和“Minimum”表示的是该序列观测值中的最大值和最小值；“Std.Dev”表示标准差，用来衡量序列观测值的离散程度。其计算公式为(4-1)式中

11、，为标准差，N为样本观测值个数，xi是样本观测值，为样本均值。图4-6 序列对象“fdi”的直方图分布形状和相关统计量的描述“Skewness”表示偏度，用来衡量观测值分布偏离均值的状况。其计算公式为(4-2)式中，是变量方差的有偏估计。当S=0时，序列的分布是对称的，如正态分布；当S 0时，序列分布为右偏；当S 0，所以我国的外商直接投资(fdi)的分布是不对称的，为右偏分布形态。“Kurtosis”表示峰度，用来衡量序列分布的凸起状况。其计算公式为(4-3)正态分布的K值为3，当K 3时，序列对象的分布凸起程度大于正态分布的凸起程度；当K 3，外商直接投资(fdi)的分布呈尖峰状态。最下方

12、是JB(Jarque-Bera)统计量及其相应的概率(Probability)。JB统计量用来检验序列观测值是否服从正态分布，该检验的零假设为样本服从正态分布。在零假设下，JB统计量服从2(2)分布。根据第1章所介绍的假设检验，P(Probability)值为拒绝原假设所犯第类错误的概率。在本例中P值接近于0，因而可在1%的显著性水平下拒绝零假设，即序列不服从正态分布。第二个选项是“Stats Table”(统计表)，它将描述性统计量值通过电子表格的形式显示在对象窗口中。第三个选项是“Stats by Classification”(分类统计量)，它将样本分为若干组后再对各组观测值分别进行描述

13、统计。选择此项后将弹出如图4-7所示的对话框，其中包括三部分内容。在左边“Statistics”选项中勾选需要显示的统计量，其中“# of NAs”为无观测个数，“Observations”为观测值个数。在“Series/Group for classify”中输入需分类的序列或序列组对象名称，右侧“Output Layout”为输出结果的显示形式。选择好后单击“OK”按钮即可。图4-7 “Stats by Classification”(分类统计量)对话框第四个选项是“Boxplots by Classification”(分类箱线图/箱尾图)，将序列分布按照箱线图/箱尾图进行分类。箱线图(

14、Boxplot)也称为箱尾图，是利用数据统计量来描述数据的一种方法，它可以粗略地看出数据是否具有对称性，分布的分散程度等。图4-8所示为fdi序列的分类箱线图。图4-8 fdi序列对象的分类箱线图(“Boxplots by Classification”)(2) 序列组窗口下的描述性统计量在序列组(Group)对象窗口下选择工具栏中的“View”| “Descriptive Statistics”(描述性统计量)选项，将弹出3个选项。第一个选项是“Common Sample”(普通样本)，选择该项将得到含有均值、中位数、最大/小值等统计量的一张电子表格。“Common Sample”要求各序列

15、对象的样本范围相同，不能含有NA符(空值)。第二个选项是“Individual Samples”(个体样本)，选择该项后弹出的界面也是含有均值、中位数、最大/小值等统计量的一张电子表格。与“Common Sample”不同的是，该选项中序列对象所包含的观测值个数可以不同。第三个选项是“Boxplots”(箱线图/箱尾图)，其生成的图形与图4-8相似。不同的是横坐标轴为序列名称。其实，序列对象和序列组对象的描述统计量相同，只是在窗口中显示的形式不同。序列组对象窗口中的描述性统计量是各个序列对象统计量的组合。4.2.2 描述性统计量检验 在序列对象窗口“View”|“Tests for

17、按钮即可得到输出结果。对于均值检验，如果标准差已知，可在右侧“Enter s.d. if”文本框中输入标准差的值。图4-9 fdi序列对象的简单假设检验对话框均值(Mean)检验、方差(Variance)检验和中位数(Median)检验的零假设和备择假设均为H0： =m(给定的数值)H1： m根据输出结果中的P值来判定是否接受原假设。例如，如果P值小于0.05，说明在5%的显著性水平下可以拒绝零假设，即均值、方差或者中位数不等于给定值。分组齐性检验(“Equality Tests by Classification”)同样包括均值(Mean)检验、方差(Variance)检验和中位数(Medi

19、1所示的对话框，其中包括均值(Mean)检验、中位数(Median)检验和方差(Variance)检验，其检验方法与上面介绍的序列对象中的检验方法相同。选中一种检验后单击“OK”按钮即可。当选中“Common sample”复选框时，要求每个序列对象的当前样本范围内的观测值数目相同(不含NA)，否则样本观测值数目可以不同。 图4-10 fdi序列对象的分组齐性检验对话框 图4-11 序列组对象检验对话框实验04-01：表4-1中列出了2003年1月到2005年12月中国对法国地区的进出口贸易总额，单位为万美元。请建立新序列对象保存该数据并进行简单假设检验。表4-1 .12中

20、国对法国地区的进出口贸易总额日 期进出口贸易总额日 期进出口贸易总额日 期进出口贸易总额 2 1 6 4 7 0 3 4

854 339 758 064 944数据来源：中国海关统计网第一步，创建一个时间范围为2003年1月至2005年12月的工作文件，取名为t

22、rade，在该工作文件中建立序列对象，命名为zf，并将数据导入到序列对象中。操作方法参照第2和第3章相关部分。第二步，选择序列对象“zf”工具栏中的“View”| “Tests for Descriptive Stats” | “Simple Hypothesis Tests”选项将弹出如图4-12所示的对话框。图4-12 zf序列对象的简单假设检验对话框在“Mean”文本框中输入均值“800000”， 在“Variance”文本框中输入方差“500000”， 在“Median”文本框中输入中位数“800000”，然后单击“OK”按钮，将得到序列对象“zf”的简单假设检验结果，如图4-13所示

23、。第三步，分析输出结果。根据输出结果中的P值来判定是否接受原假设，简单假设检验的原假设为均值、方差与中位数等于给定值。在图4-13中，均值的P值为0.4314，大于0.05，说明在5%的显著性水平下可以接受零假设，即均值等于给定值；方差的P值为0.0000，小于0.05，说明在5%的显著性水平下可以拒绝零假设，即方差不等于给定值；中位数的P值为1.0000，远远大于0.05，说明在5%的显著性水平下可以接受零假设，即中位数等于给定值。图4-13 zf序列对象的简单假设检验输出结果4.3 相 关 分 析在EViews软件中可以对序列和序列组对象进行相关分析，从而判定序列对象是否存在自相关问题。单

24、击序列或序列组对象窗口工具栏中的“View”|“Correlogram”(相关图)选项，弹出图4-14所示的对话框。需说明的是，序列组中的“View”|“Correlogram”选项分析的是第一个序列对象的相关性。如果要得到两个序列对象的交叉相关图，需选择“View”|“Cross Correlogram”选项。图4-14 相关分析对话框在图4-14 “Correlogram of”中选择相关图的序列类型，“Level”表示原序列，“1st difference”表示一阶差分序列，“2nd difference”表示二阶差分序列。在“Lags to include”中输入最大滞后期，这个要根据

25、样本容量而定。然后单击“OK”按钮，将得到相关图。图4-15所示为fdi序列对象原序列的相关图，最大滞后期为16。其中，“Autocorrelation”表示自相关图，“Partial Correlation”表示偏自相关图。右侧表中的第一列自然序数是滞后期从1到16(最大滞后期)的值，与自相关图和偏自相关图对应。“AC”列是估计的自相关系数值，“PAC”列是估计的偏自相关系数值，它们的数值与左侧图相对应。“Q-Stat”表示Q统计量数值，“Prob”表示的是Q统计量取值大于该样本计算的Q值的概率。该Q统计量的原假设为序列是非自相关的，如果P值大于给定的显著性水平(如1%)，则接受原假设，即序

26、列非自相关；如果P值小于给定的显著性水平，则拒绝原假设，即序列存在自相关。图4-15中的P值显示，该序列对象fdi是自相关的。图4-15 fdi相关图在序列组对象窗口中，除了可以得到相关图外还可以得到相关矩阵。选择序列组对象窗口工具栏中的“View”|“Correlation”|“Common Sample”/“Pairwise Samples”后，得到图4-16所示的相关矩阵表。表中的数值代表两个变量的相关性，数值可正可负。当数值大于0.9时，两个变量高度相关。实验04-02：建立一个年的工作文件，频率为“Annual”，然后建立两个序列对象，将表4-2中的数据输入到序列对象

28、9 878.3 084.8数据来源于中国国家统计局网站第一步，建立序列对象GDP和CPI，并将表4-2中的数据导入序列对象中。第二步，建立含有序列对象GDP和CPI的群对象，命名为gx。第三步，选择群对象窗口工具栏中的“View”|“Correlations”(相关分析)|“Common Sample”选项，会得到GDP与CPI间的相关关系数据。如图4-16所示，GDP(国内生产总值)与CPI(居民消费价格指数)间存在负相关关系，相关程度为0.555 391。图4-16 GDP与CPI相关关系4.4 单位根检验单位根检验(Unit Root Tes

29、t)主要用来判定时间序列的平稳性。如果一个时间序列的均值或者协方差函数随时间变化而改变，那么这个序列就是不平稳的时间序列。如果该时间序列经过一阶差分后变为平稳序列，则称该序列为一阶单整序列，记作I(1)；如果是经过d次差分后才平稳，则称为d阶单整序列，记作I(d)。要对时间序列进行单位根检验，首先应打开序列对象窗口，选择工具栏中的“View”|“Unit Root Test”选项，会弹出如图4-17所示的对话框。该对话框包括4个区域。在“Test type”列表中选择一种检验方法。Eviews 5.1为用户提供了6种单位根检验的方法，有“Augmented DickeyFuller”(ADF)

in”中选择序列形式，“Level”表示对原序列进行单位根检验，“1st difference”表示对一阶差分序列进行单位根检验，“2nd difference”表示对二阶差分序列进行单位根检验。图4-17 单位根检验对话框“

31、Lag length”表示消除序列相关所需的滞后阶数，在该区域有两个单选按钮。在“Automatic selection”(自动选择)中有两个文本框，第一个文本框的下拉列表中有6个准则，常用的是“AIC”和“SC”最小准则，系统在默认状态下显示的是SC准则；在第二个文本框中输入最大滞后阶数，一般系统会根据样本容量而自动给出一个数值。如果选中“User

32、不包含趋势项和截距项)。可根据图形来确定是否包含趋势项和截距项。实验04-03：根据实验04-02中建立的序列对象CPI和GDP进行单位根检验。下面介绍详细的操作过程。第一步，打开序列CPI对象窗口，选择工具栏中的“View”|“Graph”|“Line”选项，会得到CPI的趋势图，如图4-18所示。如果曲线是从原点出发则在单位根检验式中不含有截距项，否则就包含截距项。如果曲线有明显上升或下降的趋势，那么在单位根检验式中就包含趋势项。所以CPI的单位根检验中应包含截距项，不包含趋势项。图4-18

selection”中选择“Akaike Info Criterion”(AIC)准则。然后单击“OK”按钮，就会得到图4-20所示的结果。图4-19 序列CPI的单位根检验对话框图4-20 序列CPI的单位根检验输出结果第三步，根据输出内容进行单位根检

34、验的结果分析。由图4-20显示的内容可知，系统自动选择的滞后期是0，根据P值可接受原假设，即序列CPI有一个单位根。图下方列出的是单位根检验的方程，最下面是方程的拟合优度(Rsquared)、标准差(S.E.of regression)及F统计量(FStatistic)等数值。这些内容将在下一章中进行详解。需注意的是，在图4-20中有“Warning”(警告)的提示，要求样本在20个以上，样本太小得到的结果未必准确。4.5 Granger因果检验Granger因果检验用来分析两个序列间的因果关系是否存在。主要是看当期的变量Y能在多大程度上被以前的变量X所解释，以及加入变量X的滞后期后，是否会提

35、高对变量Y的解释程度。如果X对预测Y有帮助，或者X与Y的相关系数在统计上显著，那么变量Y就是由变量X“Granger”引起的。Granger因果关系检验就是检验一个变量的滞后变量是否可以放入其他变量的方程中。如果该变量受到其他变量滞后期的影响，则称两个变量间存在Granger因果关系。Granger因果检验要在序列组(Group)对象窗口中完成，我们以表4-2里的数据为例。首先建立一个含有序列GDP和序列CPI的序列组，打开序列组对象窗口，选择工具栏中的“View”|“Granger Causality”选项，在弹出的对话框中输入滞后期，如图4-21所示，然后单击“OK”按钮，就会得到图4-1

36、6所示的分析结果。一般情况下，Granger因果检验的滞后期要根据AIC和SC准则来确定，关于滞后期确定的问题会在后面的章节中进行详述。图4-21 Granger因果检验对话框Granger因果检验的原假设是变量X不是变量Y的Granger因，同样Y也不是X的Granger因。在图4-22中，最上面给出了操作日期、样本范围和滞后期。“Null

040.01，接受原假设)。这里需要说明的是，EViews软件会根据样本容量来限定输入滞后期的最大值，当输入的数值过大时，软件会自动给出提示。4.6 本 章 小 结本章主要介绍了序列和序列组对象中图形的生成方法和一些基本的描述性统计量及相关分析。通过本章学习，可以掌握图形对象的生成、冻结和复制等基本操作方法。熟悉EViews软件中的一些描述性统计

38、量及其检验，检验方法主要包括均值检验、中位数检验和方差检验。相关分析是用来判断序列对象是否存在自相关问题，有关自相关问题将会在第5章中进行详细讲述。本章还着重讲解了序列对象的单位根检验和序列组(群)对象的Granger因果检验方法，这两种检验方法常用于时间序列对象检验中，因而在后面模型建立的相关章节中将继续被提及。4.7 习 题1. 填空题(1)

39、、_。(3) 序列对象窗口中所包含的描述性统计量的检验主要有均值(Mean)检验、_、_。(4) 相关分析主要用来判定该序列对象的_问题。(5) 如果在相关矩阵表中得到的数值是负数，说明两个序列对象是_关系。2. 选择题(1) 在描述性统计量中“Skewness”表示偏度，用来衡量观测值分布偏离均值的状况，当偏度的数值_时，序列分布右偏。A. 小于0 B. 大于0C. 等于0 D. 小于3(2) 在描述性统计量中“Kurtosis”表示峰度，用来衡量序列分布的凸起状况，当峰度的数值_时，序列分布呈尖峰状态。A. 大于3 B. 小于3C. 等于3 D. 小于0(3) 在单位根检验中，如果该时间序

40、列经过一阶差分后变为平稳序列，则称该序列为_序列，记作_。A. 一阶单整，I(1) B. 一阶单整，I(0)C. 二阶单整，I(0) D. 二阶单整，I(1)(4) 常用来确定单位根检验滞后阶数的准则是_。A. AIC准则 B. SC准则C. AIC和SC最小准则 D. MS准则(5) Granger因果检验的原假设是_。A. 变量X不是变量Y的Granger因。 B.

41、据附表中的数据建立序列对象CK(出口)和NY(能源消耗总量)并输入数据，然后对两个序列对象进行视图分析，在序列对象窗口中生成图形并冻结。附表 我国年对外出口额和能源消耗总量年 份出口(亿美元)能源消费总量(万吨标准煤)3 . 917. .12 182.) 绘制序列对象CK和NY的直方图，并分析相关统计量。(3) 对序列对象CK进行简单假设检验。(4) 对序列对象CK和NY分别进行单位根检验，并分析检验结果。(5) 检验序列CK与NY的Granger因果关系。74 / 33文档可自由编辑