Eviews时间序列分析实例

非常经典的时间序列分析：预测与控制的第四版

经典的David R. Brillinger的时间序列分析和理论，傅里叶变换、功率谱分析、循环平稳特性分析都囊括其中

超级商店时间序列数据集。超市购买的时间序列数据，可以训练和测试您的模型。 superstore_test.csv test_result.csv superstore_train.csv

针对传统主成分分析及相关方法对多元时间序列特征表示的局限性,以及降维效果对数据相似性度量质量的影响,从数据形态特征的角度出发,提出一种关键形态特征的多元时间序列降维方法.利用动态时间弯曲方法找出训练集每个类别的中心多元时间序列,根据形态特征找出每个中心多元时间序列的关键特征变量分量的重要度,使用重要度提取若干个关键特征变量分量,达到数据降维的目的.实验结果表明,与传统方法相比,所提方法能够有效地根据形态特征对多元时间序列进行降维,并且能够取得更好的分类效果.

失业时间系列 失业的时间序列分析 这是我研究生院统计课程之一的项目。 使用R，我使用ARIMA模型和VaR模型预测了美国的失业率。 对于VaR模型，我使用了美国批准的建筑许可数量作为主要指标。

预测模型 使用时间序列模型对R中的英国GDP进行预测 使用的模型：ARIMA，auto.arima，Naive，ETS 对于模型性能评估，考虑了Diebold / Mariano测试和RMSE。 上传了项目摘要doc文件，以供详细参考。

销售_预测 基于kaggle数据集的时间序列分析和预测项目。 在这个项目中，我使用了从指数平滑和ARIMA模型到Facebook的Prophet库的最新预测技术，以便预测俄罗斯公司的未来销售利润。 数据集来自Kaggle.com。 使用RMSE在模型一步预测和实际值之间分析了模型的性能。 表现最好的模型是Prophet，然后是三重指数平滑模型。 找到最佳绩效模型之后，我将其用于预测公司中各个商店的未来利润。 结果可以在sales_plots文件夹中找到； 它们采用交互式可绘制HTML文件的形式。 这些文件无法由GitHub显示，因此我在此处保留了一些文件预览的链接：

ctrip 携程出行产品销量预测比赛（第十名） 技术解决方案及代码

简单但高效的代码，可根据整个数据系列或使用可变统计边界移动窗口部分提供异常值去除。 还允许用平均值替换异常值。