时间序列实验报告
第三章平稳时间序列分析
选择合适的模型拟合1950-2008年我国邮路及农村投递线路每年新增里程数序列，见表1：
表1 1950-2008年我国邮路及农村投递线路每年新增里程数序列
一、时间序列预处理
（一）时间序列平稳性检验
1.时序图检验
（1）工作文件的创建。打开EViews6.0软件，在主菜单中选择File/New/Workfile, 在弹出的对话框中，在Workfile structure type中选择Dated-regular frequency（时间序列数据），在Date specification下的Frequency中选择Annual(年度数)，在Start date中输入“1950”（表示起始年
份为1950年），在End date中输入“2008”（表示样本数据的结束年份为2008年），然后单击“OK”，完成工作文件的创建。
（2）样本数据的录入。选择菜单中的Quick/Empty group(Edit Series)命令，在弹出的Group对话框中，直接将数据录入，并分别命名为year（表示年份），X（表示新增里程数）。
（3）时序图。选择菜单中的Quick/graph…，在弹出的Series List中输入“year x”,然后单击“确定”，在Graph Options中的Specifi中选择“XYLine”,然后按“确定”，出现时序图，如图1所示：
图1 我国邮路及农村投递线路每年新增里程数序列时序图从图1中可以看出，该序列始终在一个常数值附近随机波动，而且波动的范围有界，因而可以初步认定序列是平稳的。为了进一步确认序列的平稳性，还需要分析其自相关图。
2.自相关图检验
选择菜单中的Quick/Series Statistics/Correlogram...,在Series Name 中输入x（表示作x序列的自相关图），点击OK，在Correlogram Specification 中的Correlogram of 中选择Level，在Lags to include中输入24，点击OK，得到图2：
从图2可以看出，序列的自相关系数一直都比较小，除滞后1阶和3阶的自相关系数落在2倍标准差范围以外，其他始终控制在2倍的标准差范围以内，可以认为该序列自始至终都在零轴附近波动，因而认定序列是平稳的。
（二）时间序列纯随机性检验
由于平稳序列通常具有短期相关性，这里构造延迟6期和12期的Q统计量，如表2：
表2 序列白噪声检验结果表
由表2可知，在各延迟阶数下Q检验统计量的P值都非常小（<0.0001），所以可以以很大的把握（置信水平>99.999%）断定我国邮路及农村投递线路每年新增里程数序列属于非白噪声序列。从而可以对这个平稳非白噪声序列进行进一步分析建模及预测。
二、模型识别
从图2可以看出，序列的自相关图显示除了1-3阶的自相关系数在2倍标准差
范围之外，其他阶数的自相关系数都在2倍标准差范围内波动，既可以将其看成是拖尾也可以将其看成是3阶截尾；偏自相关系图显示除了2阶的偏自相关系数在2倍标准差范围之外，其他阶数的偏自相关系数都在2倍标准差范围内波动，既可将其看成是拖尾也可将其看成是2阶截尾。从而将模型初步认定为:AR(2),MA(3)
三、参数估计
(一)AR(2)模型
在Eviews6.0主菜单中选择Q uick/Estimate Equation…,在弹出的对话框中，在Equation specification中输入“y c ar(1) ar(2)”在Method中选择LS-Least Squares (NLS and ARMA)；在Sample中输入“1950 2008”，然后按“确定”，即出现回归结果（如表3所示）：
表3 AR(2)模型回归结果
Dependent Variable: X
Method: Least Squares
Sample (adjusted): 1952 2008
Included observations: 57 after adjustments
Convergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C 10.83741 3.234053 3.351029 0.0015
AR(1) 0.728590 0.113885 6.397592 0.0000
AR(2) -0.544583 0.114077 -4.773838 0.0000
R-squared 0.453915 Mean dependent var 10.95316 Adjusted R-squared 0.433689 S.D. dependent var 26.47445 S.E. of regression 19.92298 Akaike info criterion 8.872821 Sum squared resid 21433.96 Schwarz criterion 8.980350 Log likelihood -249.8754 Hannan-Quinn criter. 8.914610 F-statistic 22.44281 Durbin-Watson stat 2.104218 Prob(F-statistic) 0.000000
Inverted AR Roots .36-.64i .36+.64i
从表3中可以看出，AR(2)模型为：
x
t =10.83741+
t
B
B
ε
2
*
544583
*
728590
.0
1
1
+
-
（二）MA（3）模型
在Eviews6.0主菜单中选择Q uick/Estimate Equation…,在弹出的对话框中，在Equation specification中输入“y c ma(1) ma(2) ma(3)”在Method 中选择LS-Least Squares (NLS and ARMA)；在Sample中输入“1950 2008”，然后按“确定”，即出现回归结果,但由于ma(2)的参数不显著，所以剔除掉，结果如下（如表4所示）：
表4 MA（3）模型回归结果
Dependent Variable: X
Method: Least Squares
Sample: 1950 2008
Included observations: 59
Convergence achieved after 13 iterations
MA Backcast: 1947 1949
Variable Coefficient Std. Error t-Statistic Prob.
C 11.07177 3.092496 3.580207 0.0007
MA(1) 0.647784 0.125714 5.152841 0.0000
MA(3) -0.372678 0.127716 -2.918015 0.0051
R-squared 0.430334 Mean dependent var 11.26220 Adjusted R-squared 0.399262 S.D. dependent var 26.07973 S.E. of regression 20.21369 Akaike info criterion 8.915987 Sum squared resid 22472.64 Schwarz criterion 9.056837 Log likelihood -259.0216 Hannan-Quinn criter. 8.970969 F-statistic 13.84929 Durbin-Watson stat 1.862847 Prob(F-statistic) 0.000001
Inverted MA Roots .60 -.62+.49i -.62-.49i
从表4中可以看出，MA(3)模型为：
x
t =11.07177+(1-0.647784*B+0.372678*B3)
t
四、模型检验
（一）AR（2）模型的显著性检验
在Eviews6.0主菜单中选择Quick/Generate Series…,在弹出的对话框中，在Enter equation中输入“e=resid”,表示将resid存入e中，在Sample中输入“1950 2008”，然后按“ok”。选择菜单中的Quick/Series
Statistics/Correlogram...,在Series Name中输入e（表示作e序列的自相关图），点击OK，在Correlogram Specification中的Correlogram of 中选择Level，在Lags to include中输入24，点击OK，得到图3:
图3 AR(2)模型的残差自相关和偏自相关图
从图3可以看出，AR（2）模型的AC和PAC都没有显著异于0，Q统计量的P值都远远大于0.05，因此可以认为残差序列为白噪声序列，模型信息提取比较充分。此外从表3可以看出，滞后一阶和二阶参数的P值都很小，参数显著，因此整个模型比较精简，模型较优。
（二）MA(3)模型的显著性检验
在Eviews6.0主菜单中选择Quick/Generate Series…,在弹出的对话框中，在Enter equation中输入“e1=resid”,表示将resid存入e1中，在Sample 中输入“1978 2012”，然后按“ok”。选择菜单中的Quick/Series Statistics/Correlogram...,在Series Name中输入e1（表示作e1序列的自相关图），点击OK，在Correlogram Specification中的Correlogram of 中选择Level，在Lags to include中输入24，点击OK，得到图4：
图4 MA(3)模型的残差自相关和偏自相关图
从图4可以看出，MA(3)模型的AC 和PAC 都没有显著异于0，Q 统计量的P 值都远远大于0.05，因此可以认为残差序列为白噪声序列，模型信息提取比较充分。此外从表4可以看出，滞后一阶和三阶参数的P 值都很小，参数显著，因此整个模型比较精简，模型较优。
五、模型优化
从上面的分析可知，AR(2),MA(3)模型均显著，此时需要选择一个更好的模型，即选择相对最优模型。根据优化准则得到表5：
AIC=n*ln(^
2σ)+2(未知参数个数) SBC=n*ln(^2εσ)+ln （n ）(未知参数个数)
由表5可知，无论是使用AIC 准则还是使用SBC 准则，AR （2）模型都要优于MA （3）模型，所以此次实验中AR （2）模型是相对最优模型。
六、模型预测
在 Workfile 窗口点击Range,出现Change Workfile Range 窗口，将End data 由2008改为2009，点击OK，将Workfile中的Range扩展为1950-2009，以同样的方式将Sampl扩展为1950-2009。然后在Equation框中，点击Forecast,打开对话框，在Forecast sample中输入“1950 2009”，在Method中选择Static forecast，其他均为默认，点击OK，即得到预测值。如图5：
图5 Forecast过程预测效果图
（一）点预测
根据预测结果可知，2009年我国邮路及农村投递线路每年新增里程数约为9.20万公里。
（二）区间预测
从图5可以看出，2009年我国邮路及农村投递线路每年新增里程数呈下降趋势，且其预测区间在2倍标准差之间。模型预测的误差比较小。综合看来，模型的拟合效果比较好。
第四章非平稳序列的确定性分析
对1993-2000年中国社会消费品零售额序列进行确定性时序分析，见表1：
表1 1993-2000年中国社会消费品零售总额序列
单位：亿元1993 1994 1995 1996 1997 1998 1999 2000 1月977.5 1192.2 1602.2 1909.1 2288.5 2549.5 2662.1 2774.7 2月892.5 1162.7 1491.5 1911.2 2213.5 2306.4 2538.4 2805.0 3月942.3 1167.5 1533.3 1860.1 2130.9 2279.7 2403.1 2627.0 4月941.3 1170.4 1548.7 1854.8 2100.5 2252.7 2356.8 2572.0 5月962.2 1213.7 1585.4 1898.3 2108.2 2265.2 2364.0 2637.0 6月1005.7 1281.1 1639.7 1966.0 2164.7 2326.0 2428.8 2645.0 7月963.8 1251.5 1623.6 1888.7 2102.5 2286.1 2380.3 2597.0 8月959.8 1286.0 1637.1 1916.4 2104.4 2314.6 2410.9 2636.0 9月1023.3 1396.2 1756.0 2083.5 2239.6 2443.1 2604.3 2854.0 10月1051.1 1444.1 1818.0 2148.3 2348.0 2536.0 2743.9 3029.0 11月1102.0 1553.8 1935.2 2290.1 2454.9 2652.2 2781.5 3108.0 12月1415.5 1932.2 2389.5 2848.6 2881.7 3131.4 3405.7 3680.0
一、时序图的绘制
（一）工作文件的创建。打开EViews6.0软件，在主菜单中选择File/New/Workfile, 在弹出的对话框中，在Workfile structure type中选择Dated-regular frequency（时间序列数据），在Date specification下的Frequency中选择Monthly(月份数)，在Start date中输入“1993.1”（表示起始年份为1993年1月），在End date中输入“2000.12”（表示样本数据的结束年份为2000年12月），然后单击“OK”，完成工作文件的创建。
（二）样本数据的录入。选择菜单中的Quick/Empty group(Edit Series)命令，在弹出的Group对话框中，直接将数据录入，并分别命名为year（表示时间），X（表示社会消费品零售总额）。
（三）时序图。选择菜单中的Quick/graph…，在弹出的Series List中输入“year x”,然后单击“确定”，在Graph Options中的Specifi中选择“XYLine”,然后按“确定”，出现时序图，如图1所示：
图1 中国社会消费品零售总额时序图
从图1可以看出，我国社会消费品零售额同时受到趋势和季节两个因素的影响，且其周期的振幅随着零售总额递增的趋势而加大，即季节与趋势之间有相互作用的关系。
二、拟合模型的选择
从图 1 的分析可知序列的季节波动的振幅随着趋势的变化而变化，因而可以尝试使用乘法模型或混合模型，在此次实验中使用混合模型拟合序列的发展：
x t =S
t
·(T
t
+I
t
)
三、季节调整
（一）计算序列的季节指数
打开X序列窗口，在该窗口中选择Proc-Seasonal Adjust-Moving Average Method…-OK,即出现12个月的季节因子（季节指数），如表2所示：
表2 社会消费品零售额12个月的季节因子表
Sample: 1993M01 2000M12
Included observations: 96
Ratio to Moving Average
Original Series: X
Adjusted Series: XSA
Scaling Factors:
1 1.047729
2 0.997587
3 0.962778
4 0.943209
5 0.947349
6 0.962394
7 0.932064
8 0.929475
9 0.985026
10 1.011190
11 1.051079
12 1.274102
（二）绘制季节指数图
将季节指数录入数据框中，并分别命名为“month(月份)”、“index（指数）”，选择菜单中的Quick/graph…，在弹出的Series List中输入“month index”,然后单击“确定”，在Graph Options中的Specifi中选择“XYLine”,然后按“确定”，出现时序图，如图2所示：
图2 中国社会消费品零售总额序列季节指数图
从季节指数图可以非常直观地看出每年的四季度是我国社会消费品销售旺季，而前三个季度的销售状况起伏不大，季节效应不明显。
（三）绘制季节调整后的时序图
序列X经季节调整后变为XSA序列，选择菜单中的Quick/graph…，在弹出的Series List中输入“year XSA”,然后单击“确定”，在Graph Options中的Specifi中选择“XYLine”,然后按“确定”，出现时序图，如图3所示：
图3 消除季节影响之后的社会商品零售总额序列时序图
从图3可知，根据拟合模型假设X t =S t ·(T t +I t )，原始序列经季节调整后，即原始序列值除以相应的季节指数，就基本上消除了季节性因素对原序列的影响，而只剩下长期趋势波动和随机波动的影响：
^
t
t S X =T t +I t
（四）趋势拟合
根据季节调整后的社会商品零售总额序列时序图（图3）可知，该序列还存在一个基本线性递增的长期趋势。于是考虑用一元线性回归进行趋势拟合：
^
t T =a+bt
利用最小二乘法对模型进行参数估计。定义TREND 序列，在主菜单中选择Quick-Estimate Equation ，弹出Equation Estimation 对话框，在Sqecification 中的Equation sqecification 中输入“XSA C TREND ”,其他均为默认项，单击OK,结果如表3所示：
表3 趋势序列拟合结果表 Dependent Variable: XSA
Method: Least Squares Sample: 1993M01 2000M12 Included observations: 96
Variable Coefficient Std. Error t-Statistic Prob. C 995.5169 21.26096 46.82371 0.0000 TREND 21.13009 0.380622 55.51462
0.0000 R-squared 0.970402 Mean dependent var
2020.326 Adjusted R-squared 0.970087 S.D. dependent var 597.5254 S.E. of regression 103.3443 Akaike info criterion 12.13462 Sum squared resid 1003925. Schwarz criterion 12.18805 Log likelihood -580.4619 Hannan-Quinn criter. 12.15622 F-statistic 3081.874 Durbin-Watson stat 0.193032 Prob(F-statistic) 0.000000
从表3可以看出，参数显著不为0，故容易得到该线性趋势模型为：
^
t T =995.5169+21.1301t ，t=1,2，…，96
根据该线性趋势模型可以得到拟合后的效果图，如图4所示：
图4 线性趋势拟合图
从图4可以直观的看出，该线性趋势模型的对原序列的拟合效果良好。 四、残差检验
用原序列值除以季节指数，再减去长期趋势拟合值之后的残差项就可以视为是随机波动的影响。
^
t
t S x -^
t T =I t
在Eviews6.0主菜单中选择Quick/Generate Series…,在弹出的对话框中，在Enter equation 中输入“e=xsa-xsaf ”,其他均为默认，然后按“ok ”。选择菜单中的Quick/graph …，在弹出的Series List 中输入“year e ”,然后单击“确定”，在Graph Options 中的Specifi 中选择“Scatter(散点图)”,然后按“确定”，出现时序图，如图5所示：
图5显示残差序列仍然存在一定的相关性。这说明拟合的这个模型还没有把原序列中蕴涵的相关信息充分提取出来，这是确定性分析方法常见的缺点。因素分解方法的侧重点在于快速、便捷地提取确定性信息，但对于信息提取的充分性常常不能保证。
五、短期预测
利用拟合模型可以对序列进行短期预测，第t期的预测值为：
^
)(l x t =^
l
t
S
+
·
^
l
t
T
+
此次实验中，对2001年各月份中国社会消费品零售总额进行预测，在Workfile 窗口点击Range,出现Change Workfile Range 窗口，将End data 由2000.12改为2001.12，点击OK，将Workfile中的Range扩展为1993.01-2001.12，以同样的方式将Sampl扩展为1993.01-2001.12。然后在Equation框中，点击Forecast,打开对话框，在Forecast sample中输入“1993.01 2001.12”，在Method 中选择Static forecast，其他均为默认，点击OK，即得到预测值。将2001年各月份中国社会消费品零售总额季节指数、趋势值及预测值总结如下（表4）：
表4 季节指数、趋势值及预测值表
将1993-2000年中国社会消费品零售总额观察值与估计值序列联合作图，如图6所示：
图6 拟合效果图
根据图6的直观显示，可以看出所拟合的确定性时序分析模型对该序列总体变化规律的把握还是比较准确的。这说明，尽管确定性因素分解方法对信息的提取不够充分，但是由于确定性因素影响非常强劲，相对而言，残差序列的影响非常微弱，遗漏残差序列中蕴涵的小部分相关信息，对模型的拟合精度没有显著的影响。所以该确定性因素分解模型仍然是显著有效的。
第四章非平稳序列的随机分析
对1952-1988年中国农业实际国民收入指数序列建模，见表1：
表1 1952-1988年中国农业实际国民收入指数序列
（以1952年农业国民收入总额为基数100）
一、ARIMA模型
（一）时间序列平稳性检验
1.时序图检验
（1）工作文件的创建。打开EViews6.0软件，在主菜单中选择File/New/Workfile, 在弹出的对话框中，在Workfile structure type中选择Dated-regular frequency（时间序列数据），在Date specification下的Frequency中选择Annual(年度数)，在Start date中输入“1952”（表示起始年份为1952年），在End date中输入“1988”（表示样本数据的结束年份为1988
年），然后单击“OK”，完成工作文件的创建。
（2）样本数据的录入。选择菜单中的Quick/Empty group(Edit Series)命令，在弹出的Group对话框中，直接将数据录入，并分别命名为year（表示年份），X（表示农业国民收入总额）。
（3）时序图。选择菜单中的Quick/graph…，在弹出的Series List中输入“year x”,然后单击“确定”，在Graph Options中的Specifi中选择“XYLine”,然后按“确定”，出现时序图，如图1所示：
图1 1952-1988年中国农业实际国民收入指数时序图
从图1可以看出，该序列有显著的趋势，为典型的非平稳序列。由于原序列呈现出近似线性趋势，所以选择1阶差分。
（4）一阶差分时序图。选择菜单中的Quick/Generate Series…,在弹出的对话框中，在Enter equation中输入“y=d(x)”,表示将x序列进行一阶差分后存入y中，在Sample中输入“1952 1988”，按“ok”。然后选择菜单中的Quick/graph…，在弹出的Series List中输入“year y”,然后单击“确定”，在Graph Options中的Specifi中选择“XYLine”,然后按“确定”，出现时序图，如图2所示：
图2 中国农业实际国民收入指数
1阶差分后序列时序图
图2显示，差分后序列在均值附近比较稳定地波动。为了进一步确定平稳性，考察差分后序列的自相关图。
2.自相关图检验
选择菜单中的Quick/Series Statistics/Correlogram...,在Series Name 中输入y （表示作y 序列的自相关图），点击OK ，在Correlogram Specification 中的Correlogram of 中选择Level ，在Lags to include 中输入24，点击OK ，得到图3:
图3 y 序列的自相关和偏自相关图
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;
速度知觉实验报告
速度知觉 实验报告 指导老师： 班级： 姓名：学号：时间： 一、引言 速度知觉反应了每个人对速度感觉的差异，速度知觉也是各项劳动实践中和各项体育运 动中不可缺少的技术指标。驾驶员超车要估计前面车子的速度，要估计对面来车的速度，要 估计前面横越车子、行人的速度足球运动员在赛场上要对足球滚动的速度，其他运动员跑动 速度要做出敏捷快速的判断，所以准确掌握速度判断能力是很有用的。本实验是用平均误差 法来分析实验数据，从而得出不同状态下，被试者的速度知觉是否有不同。 平均差误法（method of average error）又称调整法，再造法，均等法，是最古老且 最基本的传统心理物理法之一。它最适用于测量绝对阈限和等值，也可用于测量差别阈限。 平均差误法的比较（变异）刺激大都是由被试操作或调整而产生的连续量的变化。接近 阈限时，被试可反复调整，直到其满意为止。被试调整到在感觉上相等的两个刺激值，其物 理强度之差的绝对值的平均数就是所求的阈限值。由于被试参与操作，也容易产生动作误差。 例如，从小于标准刺激调整到与标准刺激相等，和从大于标准刺激调整到与标准刺激相等， 其结果就可能不同。其计算公式如下： ae=∑∣x-s∣/n 式中，｜x－s｜：每次测得的绝对误差 x：被试估计时间 s：标准时间 n：实验次数 用这个方法测得的阈限值比用其它两种方法测得的要小一些，因为其差别阈限处于上下 限之间的主观相等地带之内，而绝对阈限则50%次感觉到的强度之下。由于平均差误法获得 数据的标准和计算的方法与其他方法不同，它所测得的结果可以说只是一个阈限的近似值。 因此，用此法测得的阈限不能直接与用其他方法测得的阈限进行比较。 二、实验目的 运用平均误差法分析得出在不同状态下人的速度知觉。 三、实验方法 3.1 被试 1名被试，年龄21岁左右。 3.2 仪器 名称：ep509速度知觉测试仪器 组成：仪器的正面是由知觉箱、被试反应键和活动挡板组成。 仪器的背面是由控制操作面板、反应键插座和电源插座组成。控制操作面板上有许多开 关和按钮：计时器、位置选择开关（远和近）、速度选择开关（快和慢）、启动按钮、复位按 钮、电源开关和实验/演示切换开关。 3.3 操作 1.将电源线连接到220v交流电上。 2.将反映键的插头接到知觉箱的插座上。 3.打开电 源。 4.速度选择开关有快、慢两档供主试选择（慢：4s 5.位置选择开关有近远两档，挡板与开关选择同步移动，供主试选择。 6.主试按启动按 钮，灯光自右向左移动。 7.被试按下反应键后，计时器显示结果。 8、主试按复位键为下次 操作做准备。 3.4 测试方法 1.演示 2.被试坐在仪器正前方，眼睛平视右面的光点，注意前面光电的变化。 3.主试按下仪器 操作面左下方按键，使仪器工作在演示状态下。
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
时间序列分析实验报告(3)
《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;
测谎实验报告
测谎实验报告 篇一：测谎原理与发展现状 第20届“冯如杯”学术 科技竞赛参赛论文 哲学社会科学类 论文名称：测谎原理与发展现状 项目编号： 学院名称： 专业名称： 学生姓名： 指导教师： 北京航空航天大学 二○一○年四月制 作者承诺 我保证本论文的工作由我和项目组的成员独立创作，保证本论文中不存在抄袭、剽窃、侵权、伪造、故意夸大等各种弄虚作假的行为。我和项目组成员将遵守本届冯如杯参赛
的有关各项规定。并愿意承担因为个人原因而产生不良后果的责任。 (签章)：XX年 04 月 03 申请者日 测谎原理与发展现状 摘要：在人类发展的历史之中，说谎似乎就成了一种不可避免的事情。日常生活中，人们时不时会善意地说句谎话，“你长得真漂亮”，即使明知自己并不怎么好看的女子听到这样的谎话时，也会心花怒放。诸如此类的谎话当然无可厚非，但世间有善意的谎话，也就有恶意的谎话。偷盗者会说自己根本没有伸手，叛国者声称自己一身清白，杀人越货者也会拒不认账??谎言对这个世界的影响在此暂不做讨论，但是，随着科学的发展，特别是心理学和生理学今年来的飞速发展，世界上出现了种种具有相当科学依据，准确性高的测谎的方法和仪器。而这些方法和仪器，也被人们应用到了各个方面。 关键词：测谎，心理学，原理，发展，应用 Asract: In human development, lie seems to have become a kind of inevitable behavior. In everyday life, people will tell the lie from time to time, "You look really
应用时间序列分析试卷一
应用时间序列分析试卷 一 Document number【980KGB-6898YT-769T8CB-246UT-18GG08】
应用时间序列分析（试卷一） 一、 填空题 1、拿到一个观察值序列之后，首先要对它的平稳性和纯随机性进行检验，这两个重要的检验称为序列的预处理。 2、白噪声序列具有性质纯随机性和方差齐性。 3、平稳AR （p ）模型的自相关系数有两个显着的性质：一是拖尾性；二是呈负指数衰减。 4、MA(q)模型的可逆条件是：MA(q)模型的特征根都在单位圆内，等价条件是移动平滑系数多项式的根都在单位圆外。 5、AR （1）模型的平稳域是{}11<<-φφ。AR （2）模型的平稳域是 {}11,12221<±<φφφφφ且， 二、单项选择题 1、频域分析方法与时域分析方法相比（D ） A 前者要求较强的数学基础，分析结果比较抽象，不易于进行直观解释。 B 后者要求较强的数学基础，分析结果比较抽象，不易于进行直观解释。 C 前者理论基础扎实，操作步骤规范，分析结果易于解释。 D 后者理论基础扎实，操作步骤规范，分析结果易于解释。 2、下列对于严平稳与宽平稳描述正确的是（D ） A 宽平稳一定不是严平稳。 B 严平稳一定是宽平稳。 C 严平稳与宽平稳可能等价。 D 对于正态随机序列，严平稳一定是宽平稳。 3、纯随机序列的说法，错误的是（B ）
A时间序列经过预处理被识别为纯随机序列。 B纯随机序列的均值为零，方差为定值。 C在统计量的Q检验中，只要Q 时，认为该序列为纯随机序列，其 中m为延迟期数。 D不同的时间序列平稳性检验，其延迟期数要求也不同。 4、关于自相关系数的性质，下列不正确的是（D） A. 规范性； B. 对称性； C. 非负定性； D. 唯一性。 5、对矩估计的评价，不正确的是（A） A. 估计精度好； B. 估计思想简单直观； C. 不需要假设总体分布； D. 计算量小（低阶模型场合）。 6、关于ARMA模型，错误的是（C） A ARMA模型的自相关系数偏相关系数都具有截尾性。 B ARMA模型是一个可逆的模型 C 一个自相关系数对应一个唯一可逆的MA模型。 D AR模型和MA模型都需要进行平稳性检验。 7、MA（q）模型序列的预测方差为下列哪项（B） A、 []2 2 , Va() , l t l q r e l l q ξ ξ θθσ θθσ ?< ? =? > ?? 22 1-1 22 1q （1++...+） （1++...+） B、 []2 2 , Va() , l t l q r e l l q ξ ξ θθσ θθσ ?≤ ? =? > ?? 22 1-1 22 1q （1++?+） （1++?+） C、 []2 q 2 , Va() , t l l q r e l l q ξ ξ θθσ θθσ ?≤ ? =? > ?? 22 1-1 22 1 （1++?+） （1++?+） D、 []2 2 , Va() , l t l q r e l l q ξ ξ θθσ θθσ ?≤ ? =? > ?? 22 1-1 22 1q-1 （1++?+） （1++?+）
时间序列分析实验报告
时间序列分析实验报告 P185#1、某股票连续若干天的收盘价如表5-4 （行数据）所示。 表5-4 304 303 307 299 296 293301 293 301 295 284286 286 287 284 282278 281 278 277279 278 270 268 272 273 279 279280 275 271 277 278279 283 284 282 283279 280 280 279278 283 278 270 275 273 273 272275 273 273 272 273272 273 271 272 271273 277 274 274272 280 282 292 295 295 294 290 291 288 288 290 293 288 289 291 293 293 290 288 287 289 292 288 288 285 282 286 286 287 284 283 286 282 287 286 287 292 292 294 291 288 289 选择适当模型拟合该序列的发展，并估计下一天的收盘价。 解： （1）通过SA漱件画出上述序列的时序图如下： 程序： data example5_1; in put x@@; time=_ n_; cards ; 304 303 307 299296 293 301 293 301 295 284286286 287 284 282 278 281 278277 279 278 270 268 272 273279279 280 275 271 277 278 279283 284 282 283 279 280 280279278 283 278 270 275 273 273272 275 273 273 272 273 272273271 272 271 273 277 274 274272 280 282 292 295 295 294290291 288 288 290 293 288 289291 293 293 290 288 287 289292288 288 285 282 286 286 287284 283 286 282 287 286 287292292 294 291 288 289 proc gplot data =example5_1; plot x*time= 1; symbol1 c=black v=star i =join; run ; 上述程序所得时序图如下： 上述时序图显示，该序列具有长期趋势又含有一定的周期性，为典型的非平稳序列。又因为该序列呈现曲线形式，所以选择2阶差分。
速度知觉实验报告
速度知觉实验报告 篇一：速度知觉实验报告- 速度知觉实验报告 研部：贾月娥 实验目的：学习速度知觉的测量方法，测定速度知觉的准确性。 1.引言 1.1 简介： 速度知觉是运动知觉的一种，与时间知觉也有一定关系。能否正确估计物体的运动速度，在人的实践活动中有重要意义。速度知觉的准确性可以作为职业测评的一个指标。 本实验以亮点实际运动到某处所用时间与被试估计时间之差来评定速度知觉准确性。2.实验对象与方法 1.2 方法与程序：本实验有两种运动速度（40点/秒和100点/秒），三种运动类型（水平、垂直和平面运动）。为克服方向带来的误差，每种运动类型又有两种相反方向（左右、上下和里外），这样就组合成12种任务，每种任务测两次，共24次。各类测定随机呈现。老师指导被试阅读指示语，说明反应方法（认为时间到了即按反应键），然后开始测定。每次测定之后都有反馈，被试可以对照调整自己以后的估计。时间估计精确到毫秒级。 1.3 结果与讨论：结果分数中列出了平均估计误差（相
对误差），由所有24次估计的误差的绝对值平均而来，代表被试的平均估计准确性，越小表示估计越准确。并列出了各种运动方向和速度下的平均估计误差。 详细结果分六列：第一列为运动速度；第二列为运动方向；第三列为实际运动时间；第四列为估计运动时间；第五列为估计绝对误差（正表示估计太迟，误差为负表示估计太早），三四五列均以毫秒为单位；第六列为估计相对误差，即：（估计时间－实际时间）/实际时间。 请统计检验运动速度、运动类型以及练习对速度知觉准确性的影响。 2.研究方法 2.1被试 XX级沈阳体育学院研究生部运动训练7班学生、女、23岁,。 2.2器材 计算机及PsyTech心理实验系统，选择速度知觉实验用按键器进行操作。 2.3步骤 1)被试进入实验室选择一台电脑坐下，打开实验操作系统，选择实验； 2)在组长的指导下打开速度知觉实验，认真阅读实验指导语，并点击开始进行实验；
(时间管理)应用时间序列分析实验手册
应用时间序列分析 实验手册
目录 目录 (2) 第二章时间序列的预处理 (3) 一、平稳性检验 (3) 二、纯随机性检验 (9) 第三章平稳时间序列建模实验教程 (10) 一、模型识别 (10) 二、模型参数估计（如何判断拟合的模型以及结果写法） (14) 三、模型的显著性检验 (17) 四、模型优化 (18) 第四章非平稳时间序列的确定性分析 (19) 一、趋势分析 (19) 二、季节效应分析 (34) 三、综合分析 (38) 第五章非平稳序列的随机分析 (44) 一、差分法提取确定性信息 (44) 二、ARIMA模型 (57) 三、季节模型 (62)
第二章时间序列的预处理 一、平稳性检验 时序图检验和自相关图检验 （一）时序图检验 根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界、无明显趋势及周期特征 例2.1 检验1964年——1999年中国纱年产量序列的平稳性 1.在Eviews软件中打开案例数据 图1：打开外来数据 图2：打开数据文件夹中案例数据文件夹中数据
文件中序列的名称可以在打开的时候输入，或者在打开的数据中输入 图3：打开过程中给序列命名 图4：打开数据
2.绘制时序图 可以如下图所示选择序列然后点Quick选择Scatter或者XYline；绘制好后可以双击图片对其进行修饰，如颜色、线条、点等 图1：绘制散点图 图2：年份和产出的散点图
100 200300400 5006001960 1970198019902000 YEAR O U T P U T 图3：年份和产出的散点图 （二）自相关图检验 例2.3 导入数据，方式同上； 在Quick 菜单下选择自相关图，对Qiwen 原列进行分析； 可以看出自相关系数始终在零周围波动，判定该序列为平稳时间序列。 图1：序列的相关分析
速度知觉实验报告-
速度知觉实验报告 研部：贾月娥 实验目的：学习速度知觉的测量方法，测定速度知觉的准确性。 1.引言 1.1 简介： 速度知觉是运动知觉的一种，与时间知觉也有一定关系。能否正确估计物体的运动速度，在人的实践活动中有重要意义。速度知觉的准确性可以作为职业测评的一个指标。 本实验以亮点实际运动到某处所用时间与被试估计时间之差来评定速度知觉准确性。2.实验对象与方法 1.2 方法与程序：本实验有两种运动速度（40点/秒和100点/秒），三种运动类型（水平、垂直和平面运动）。为克服方向带来的误差，每种运动类型又有两种相反方向（左右、上下和里外），这样就组合成12种任务，每种任务测两次，共24次。各类测定随机呈现。 老师指导被试阅读指示语，说明反应方法（认为时间到了即按反应键），然后开始测定。每次测定之后都有反馈，被试可以对照调整自己以后的估计。时间估计精确到毫秒级。 1.3 结果与讨论：结果分数中列出了平均估计误差（相对误差），由所有24次估计的误差的绝对值平均而来，代表被试的平均估计准确性，越小表示估计越准确。并列出了各种运动方向和速度下的平均估计误差。 详细结果分六列：第一列为运动速度；第二列为运动方向；第三列为实际运动时间；第四列为估计运动时间；第五列为估计绝对误差（正表示估计太迟，误差为负表示估计太早），三四五列均以毫秒为单位；第六列为估计相对误差，即：（估计时间－实际时间）/实际时间。 请统计检验运动速度、运动类型以及练习对速度知觉准确性的影响。 2.研究方法 2.1被试 2015级沈阳体育学院研究生部运动训练7班学生、女、23岁,。 2.2器材 计算机及PsyTech心理实验系统，选择速度知觉实验用按键器进行操作。 2.3步骤 1)被试进入实验室选择一台电脑坐下，打开实验操作系统，选择实验； 2)在组长的指导下打开速度知觉实验，认真阅读实验指导语，并点击开始进行实验； 3)屏幕上将出现运动的小点，被试用按键器对运动的小点进行速度估计。 2.4 数据处理 系统软件对数据进行处理分析。对这组数据进行一系列描述性分析、假设检验、方差分析以及相关分析，得出个人结果、小组结果、总体结果及小组结果与总体结果的差异。 2.4 变量情况
spss时间序列模型
《统计软件实验报告》SPSS软件的上机实践应用 时间序列分析
数学与统计学学院 一、实验内容： 时间序列是指一个依时间顺序做成的观察资料的集合。时间序列分析过程中最常用的方法是：指数平滑、自回归、综合移动平均及季节分解。 本次实验研究就业理论中的就业人口总量问题。但人口经济的理论和实践表明，就业总量往往受到许多因素的制约，这些因素之间有着错综复杂的联系，因此，运用结构性的因果模型分析和预测就业总量往往是比较困难的。时间序列分析中的自回归求积分移动平均法（ARIMA）则是一个较好的选择。对于时间序列的短期预测来说，随机时序ARIMA是一种精度较高的模型。 我们已辽宁省历年（1969-2005）从业人员人数为数据基础建立一个就业总量的预测时间序列模型,通过spss建立模型并用此模型来预测就业总量的未来发展趋势。 二、实验目的： 1.准确理解时间序列分析的方法原理 2.学会实用SPSS建立时间序列变量 3.学会使用SPSS绘制时间序列图以反应时间序列的直观特征。
4.掌握时间序列模型的平稳化方法。 5.掌握时间序列模型的定阶方法。 6.学会使用SPSS建立时间序列模型与短期预测。 7.培养运用时间序列分析方法解决身边实际问题的能力。 三、实验分析： 总体分析： 先对数据进行必要的预处理和观察，直到它变成稳态后再用SPSS对数据进行分析。 数据的预处理阶段，将它分为三个步骤：首先，对有缺失值的数据进行修补，其次将数据资料定义为相应的时间序列，最后对时间序列数据的平稳性进行计算观察。 数据分析和建模阶段：根据时间序列的特征和分析的要求，选择恰当的模型进行数据建模和分析。 四、实验步骤： SPSS的数据准备包括数据文件的建立、时间定义和数据期间的指定。 SPSS的时间定义功能用来将数据编辑窗口中的一个或多个变量指定为时间序列变量，并给它们赋予相应的时间标志，具体操作步骤是： 1.选择菜单：Date→Define Dates，出现窗口：
时间知觉实验报告
时间知觉实验报告 摘要：本实验旨在检验各种因素对时间知觉的影响，检查自我估计在估计时间中的作用，检查刺激不同方式对估计时间的影响，学习用复制法研究估计时间的准确性。实验表明，闪光的频率，光点刺激的方式是影响时间知觉的主要因素。预测快闪比慢闪的时间估计准确性要高，实时距比空时距的时间估计准确性高，短时间比长时间的时间估计准确性要高，但是由于被试提前知道时间长短，存在数秒数的情况，导致此实验未达到预期结果。 关键词：时间知觉空时距实时距闪光频率 1引言 时间知觉：个体对同时直接作用于感觉器官的客观事件的顺序性和持续性的反映。主要包括对时间顺序和时间间隔的知觉。时序知觉是对客观事件的顺序性的知觉，能告诉人们不同事件发生的先后顺序。时距知觉是对客观事件持续性的知觉，能告诉人们某一事件延续的时间长短。实验方法选择复制法。复制法是先呈现一个标准刺激，让被试按标准时间复制。复制时间与标准时间之差，为时间估计差。以此作为时间知觉的准确性指标。因只是仿制，不受过去经验影响，故能确切表达时间知觉的能力。本实验用复制法探究闪光频率，实时距空时距等因素对时间知觉的影响。 2实验一 2.1 实验目的 比较估计快闪光和慢闪光呈现时间的准确性 2.2 方法 2.2.1 被试 西南大学2014级心理学部本科学生名，其中男生5名，女生13名。所有被试均为右利手，视力和听力正常。
2.2.2 实验器材 EP405时间知觉测试仪，华东师范大学科教仪器厂生产。 2.2.3 实验程序 首先，主试按功能键，使显示F2－02S、即刺激时间为2S，按声/光键，使指示灯在光处亮。按连续/始末键，使指示灯在两点均亮。 接着，被试手拿反应盒（键），据仪器刺激（闪光）时间，按任意键，复制（估计）一个与刺激相同的时间，主试立即记下该数，做20次。 最后，主试复位、重新设置，使闪光频率从2Hz到8Hz，同样做20次。2.3 结果 被试在不同情况下估计时间误差绝对值数据汇总求平均值,结果见图1 图1不同闪光频率下2秒与10秒AE值比较（AE指时间估计误差绝对值）由图1可以看出闪光频率越高，时间估计误差越小，时间持续越快，时间估计误差越小 将实验一中时间估计误差的绝对值进行可重复性方差分析的表1，结果发现时间长短呈主效应，闪光频率对结果没有影响，两者不存在交互作用。
Eviews应用时间序列分析实验手册
应用时间序列分析实 验手册
目录
第二章时间序列的预处理 一、平稳性检验 时序图检验和自相关图检验 （一）时序图检验 根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界、无明显趋势及周期特征 例 检验1964年——1999年中国纱年产量序列的平稳性 1.在Eviews软件中打开案例数据 图1：打开外来数据 图2：打开数据文件夹中案例数据文件夹中数据 文件中序列的名称可以在打开的时候输入，或者在打开的数据中输入 图3：打开过程中给序列命名 图4：打开数据 2.绘制时序图 可以如下图所示选择序列然后点Quick选择Scatter或者XYline； 绘制好后可以双击图片对其进行修饰，如颜色、线条、点等 图1：绘制散点图 图2：年份和产出的散点图 图3：年份和产出的散点图
（二）自相关图检验 例 导入数据，方式同上； 在Quick菜单下选择自相关图，对Qiwen原列进行分析； 可以看出自相关系数始终在零周围波动，判定该序列为平稳时间序列。 图1：序列的相关分析 图2：输入序列名称 图2：选择相关分析的对象 图3：序列的相关分析结果:1.可以看出自相关系数始终在零周围波动，判定该序列为平稳时间序列2.看Q统计量的P值：该统计量的原假设为X的1期，2期……k 期的自相关系数均等于0，备择假设为自相关系数中至少有一个不等于0，因此如图知，该P值都>5%的显着性水平,所以接受原假设,即序列是纯随机序列,即白噪声序列(因为序列值之间彼此之间没有任何关联,所以说过去的行为对将来的发展没有丝毫影响,因此为纯随机序列,即白噪声序列.)有的题目平稳性描述可以模仿书本33页最后一段. （三）平稳性检验还可以用： 单位根检验：ADF,PP检验等； 非参数检验：游程检验 图1：序列的单位根检验
时间知觉能力测定实验的报告
时间知觉能力测定的报告 教科院10（5）班第四组黄超群 摘要本实验选取六名女大学生作为被试，掌握用复制法研究时间知觉。实验表明：时间知觉能力存在个体差异；被试估计时间的好坏与刺激呈现时间长短有关；被试估计时间与呈现刺激时间有显著差异，各呈现刺激的长短对被试估计时间是有影响的。 关键词时间知觉时间估计差异显著 1 引言 知觉是当前的客观事物对各个部分和属性在人脑中的综合反映。时间知觉是指个体对客观事件的顺序性和持续性的反映。人类知觉到的世界具有时间上先后延续的性质，因此只有具备时间知觉，人们才能区分先后，理解连续的动作或行为。时间并不是为我们所能见的时针或分针，也不是任何具有实体的存在。时间和空间一起作为事物运动变化的尺度，人们因为知觉到时间而履行生活的规律。因为知觉到时间而持续或停止正在进行的动作，可以说，我们对生命本身的知觉是建立在时间知觉基础上的。时间知觉又可以分为时序时间和时距时间。时序时间让我们分清楚不同事件发生的先后顺序，时距知觉则告诉我们事件延续的时间长短。 从知觉的通道特点和知觉对象的时空属性划分，知觉包含了视知觉、听知觉、空间知觉、时间知觉等，目前还有无觉察知觉的实验。 在这里，我们将研究的是其中的时间知觉。时间知觉反映了每个人对时间感觉的差异，这对我们的生活工作有很大的作用和帮助。用复制法对时间知觉能力进行测定，复制法也可以称为平均差误法，具体做法是先呈现一个标准刺激，让被试复制出觉得和标准刺激一样长的时间，它操作时必须要求被试复制出在感觉上与标准刺激相等的时间来，以复制结果与标准刺激的差别作为时间知觉准确性的指标，并区别被试是高估还是低估了标准时间。 2 实验方法 2.1 被试 6名在校大学生，应用心理学专业,21岁。 2.2 实验仪器 BD—II—121A型时间知觉测试仪 2.3 实验程序 （1）选择刺激方式：按“刺激方式”键，键上方的“光”灯亮，表示光刺激呈现；“声”灯亮，表示声音刺激呈现；声、光灯全亮，则声、光刺激同时呈现。 （2）选择实验次数：按“实验次数”键。键上方“10”灯亮，表示实验进行10次；“20”灯亮，表示进行20次。 （3）选择标准刺激信号类型：按“+”、“—”键，调整信号类型参数（第一位数码管），参数范围0-9，参数0表示连续信号，1-8表示间断的8个不同频率的信号，9表示信号为一段空的时间间隔，即仅仅开始与结束时有很短的刺激呈
应用时间序列实验报告
河南工程学院课程设计 《时间序列分析课程设计》学生姓名学号： 学院：理学院 专业班级： 专业课程：时间序列分析课程设计指导教师： 2017年 6 月 2 日
目录 1. 实验一澳大利亚常住人口变动分析..... 错误!未定义书签。 实验目的............................................... 错误!未定义书签。 实验原理............................................... 错误!未定义书签。 实验内容............................................... 错误!未定义书签。 实验过程............................................... 错误!未定义书签。 2. 实验二我国铁路货运量分析........... 错误!未定义书签。 实验目的............................................... 错误!未定义书签。 实验原理............................................... 错误!未定义书签。 实验内容............................................... 错误!未定义书签。 实验过程............................................... 错误!未定义书签。 3. 实验三美国月度事故死亡数据分析...... 错误!未定义书签。 实验目的............................................... 错误!未定义书签。 实验原理............................................... 错误!未定义书签。 实验内容............................................... 错误!未定义书签。 实验过程............................................... 错误!未定义书签。课程设计体会 ............................ 错误!未定义书签。
时间知觉实验报告
姓名唐贤学号222010306011003 专业心理学（师）年级 2010 课程实验心理学实验时间 同组人姓名王俊、刘前旭成绩 时间知觉实验 摘要： 本实验的实验目的在于检验各种因素对时间知觉的影响，检查自我估计在估计时间中的作用，检查刺激不同方式对估计时间的影响，学习用复制法研究估计时间的准确性。实验分为实验1和实验2，分别检验闪光频率和不同刺激方式对时间知觉的影响。闪光频率分快闪和慢闪，刺激类型则用声、光刺激，以区别不同感觉器官对于时间知觉的影响，或以连续、始末、断续的几种方式刺激，以区别不同方法描述的刺激对于时间知觉的影响。 关键词： 时间知觉、闪光频率、时距 1、引言 时间知觉是指个体对同时直接作用于感觉器官的客观事件的顺序性和持续性的反映。时间知觉分为时序知觉和时距知觉，时序知觉是指对客观事件的顺序性的知觉，能告诉人们不同事件发生的先后顺序；时距知觉是时间知觉的另一个重要组成部分，指对客观事件持续性的知觉，能告诉人们某一事件延续的时间长
短。相对于时序知觉而言，时距知觉的研究更多，主要围绕动物和人类被试展开。 研究时间知觉的方法主要有两种范式：预期式研究和回溯式研究。预期式研究是指被试在实验前就知道，刺激时距呈现后，要对该时距进行估计；回溯式研究则是指刺激时距呈现后才要求被试对已呈现的时距进行估计，而在实验前被试是不知道要进行时距估计的。Block和Zakay（1997）对这两种研究范式的元分析表明，对于同一时距的判断，预期式判断显著大于回溯式判断。回溯式判断的被试间显著大于预期式判断的被试间变异。而任务难度只影响预期式时距判断，随着任务难度的增加，时距判断率（判断时距/标准时距）显著减小，而在回溯范式下，则没有影响。刺激的时距长度和刺激的复杂性和时距判断率则只对回溯式判断产生影响。刺激时距长度和时距判断率成反比关系，而刺激复杂度和时距判断率成正比关系。值得注意的是，在短时距刺激（5-14.9秒）两种范式的时距判断率没有显著的差异。然而不同实验范式涉及不同的认知加工过程，预期式时距估计要求被试对正在流逝的时距进行时间信息的提取、编码和储存；而回溯式时距判断往往要求被试从短时记忆中提取刺激时距间的非时间信息进行编码，通常是对事件编码的提取，因而更多地涉及记忆因素。 通过实验我们检验了各种因素对时间知觉的影响，检查了自我估计在估计时间中的作用，以及不同刺激方式对时间估计的影
时间序列实验报告
第三章平稳时间序列分析 选择合适的模型拟合1950-2008年我国邮路及农村投递线路每年新增里程数序列，见表1： 表1 1950-2008年我国邮路及农村投递线路每年新增里程数序列 一、时间序列预处理 （一）时间序列平稳性检验 1.时序图检验 （1）工作文件的创建。打开EViews6.0软件，在主菜单中选择File/New/Workfile, 在弹出的对话框中，在Workfile structure type中选择Dated-regular frequency（时间序列数据），在Date specification下的Frequency中选择Annual(年度数)，在Start date中输入“1950”（表示起始年
份为1950年），在End date中输入“2008”（表示样本数据的结束年份为2008年），然后单击“OK”，完成工作文件的创建。 （2）样本数据的录入。选择菜单中的Quick/Empty group(Edit Series)命令，在弹出的Group对话框中，直接将数据录入，并分别命名为year（表示年份），X（表示新增里程数）。 （3）时序图。选择菜单中的Quick/graph…，在弹出的Series List中输入“year x”,然后单击“确定”，在Graph Options中的Specifi中选择“XYLine”,然后按“确定”，出现时序图，如图1所示： 图1 我国邮路及农村投递线路每年新增里程数序列时序图从图1中可以看出，该序列始终在一个常数值附近随机波动，而且波动的围有界，因而可以初步认定序列是平稳的。为了进一步确认序列的平稳性，还需要分析其自相关图。 2.自相关图检验 选择菜单中的Quick/Series Statistics/Correlogram...,在Series Name 中输入x（表示作x序列的自相关图），点击OK，在Correlogram Specification 中的Correlogram of 中选择Level，在Lags to include中输入24，点击OK，得到图2：
时间序列分析实验报告
时间序列分析SAS软件实验报告： 以我国2002第一季度到2012年第一季度国内生产总值数据（季节效应模型）分析 班级：统计系统计0姓名： 学号： 指导老师： 20 年月日
时间序列分析报告 一、前言 【摘要】2012年3月5日温家宝代表国务院向大会作政府工作报告。温家宝在报告中提出，2012年国内生产总值增长7.5%。这是我国国内生产总值（GDP）预期增长目标八年来首次低于8%。 温家宝说，今年经济社会发展的主要预期目标是：国内生产总值增长7.5%；城镇新增就业900万人以上，城镇登记失业率控制在4.6%以内；居民消费价格涨幅控制在4%左右；进出口总额增长10%左右，国际收支状况继续改善。同时，要在产业结构调整、自主创新、节能减排等方面取得新进展，城乡居民收入实际增长和经济增长保持同步。 他指出，这里要着重说明，国内生产总值增长目标略微调低，主要是要与“十二五”规划目标逐步衔接，引导各方面把工作着力点放到加快转变经济发展方式、切实提高经济发展质量和效益上来，以利于实现更长时期、更高水平、更好质量发展。提出居民消费价格涨幅控制在4%左右，综合考虑了输入性通胀因素、要素成本上升影响以及居民承受能力，也为价格改革预留一定空间。 对于这一预期目标的调整，温家宝解释说，主要是要与“十二五”规划目标逐步衔接，引导各方面把工作着力点放到加快转变经济发展方式、切实提高经济发展质量和效益上来，以利于实现更长时期、更高水平、更好质量发展。 央行货币政策委员会委员李稻葵表示，未来若干年中国经济增长速度会有所放缓，这个放缓是必要的，是经济发展方式转变的一个必然要求。 【关键词】“十二五”规划目标国内生产总值增长率增速放缓提高发展质量附表：国内生产总值(2012年1季度) 绝对额（亿元）比去年同期增长（%） 国内生产总值107995.0 8.1 第一产业6922.0 3.8 第二产业51450.5 9.1 第三产业49622.5 7.5 注1：绝对额按现价计算，增长速度按不变价计算。注2：该表为初步核算数据。 GDP环比增长速度 环比增长速度（%） 2011年1季度 2.2 2季度 2.3 3季度 2.4 4季度 1.9 2012年1季度 1.8 注：环比增长速度为经季节调整与上一季度对比的增长速度。 此表是我国2012年第一季度国内生产总值及与2011年同期比较来源：前瞻网
2020年8.实验心理学实验报告似动现象
似动现象 XXX 应用心理学 X 班 摘要 该实验是在黑色背景下以两个红色亮点为研究对象，在时间距离和空间距离两个变量的影响下，观察两个亮点之间的关系是先后出现、同时出现还是由一点向另一点移动；根据实验结果来判断两点产生似动现象的最优时空条件。了解似动现象的时间和空间条件。 关键词似动现象 时间知觉空间知觉引言 两个间隔一定距离的静止刺激物，以适当的时间间隔先后呈现。观察者会产生刺激物由一点移动到另一点的感觉，这种现象称为似动现象。似动现象是指当某一物体实际上没有发生空间位移而被知觉为好像在运动，是一种对静止物体产生的运动错觉。 似动现象是由于先后呈现的刺激作用于感受野使机体产生了与真实运动相似的生理刺激。第一个刺激停止后，它所引起的神经兴奋还会持续一个短暂的时间，在这个短暂时间内，如果还出现第二个刺激，它所引起的神经兴奋就会与第一个刺激所引起的暂时持续的兴奋相连，所以感觉上第一个刺激就移动到第二个刺激的地方。 德国心理学家 M.韦特默，于 1912 年最早研究似动现象。电影、电视的摄制和放映就是利用了似动现象的原理。 2 对象与方法 1 被试 西昌学院教师教育学院 218 级应用心理学班 2 班同学 1 名，矫正视力正常，色觉正常，左右手正常。 2 仪器 实验仪器为计算机，PsyKey 实验平台，耳机 3 实验材料 黑色屏幕，红色小圆点 4 程序 在黑色背景上先后呈现两个红色小圆点（直径 .5cm）两个小圆点可在不同的时间距离和空间距离条件下呈现。在每种空间距离的条件下按照 5ms、1ms、2ms、6ms、1ms、15ms、2ms、25ms、3ms、35ms、4ms、5ms 这 12 个时许的升序和降序做 24 次判断。在每种时距，空距条件下，演示一次从左到右的相继呈现