一、获得观察值序列
本论文选取1949-2008历年的粮食产量作为本次建模数据，具体数据见附表。
二、判断序列的平稳性
为了为x序列建立一个合适的模型。首先，作出x序列的线图，来判断序列的平稳性。如下图所示：
图1 x序列的line图
由上述x序列的line图可知，x序列有递增的趋势，其观察值序列x呈现出非平稳性。
其次，对建模用的原始数据进行平稳化处理，然后进行分析对x列进行差分，差分列命名为dx。 在命令窗口输入：
genr dx=d(x)
对dx分析，得出dx的line图，如下图：
图2 dx的line图
由上图和图1相比，dx序列呈现出一定的平稳性。
三、模型拟合
为了确定x序列所属模型，做dx的自相关与偏相关图，如下图：
图3 dx序列的自相关和偏自相关图
据上面dx序列的自相关图和偏自相关图的特征，我们可以对dx列建立AR(1)、MA(1)和ARMA(1，1)等模型，利用AIC和SC进行选择，下面是估计输出结果：
表1-4 各模型的AIC和SC数据
AIC SC
AR(1) 17.84954 17.92059
MA(1) 17.83740 17.90728
ARMA(1) 17.84680 17.95338
通过对各模型AIC和SC数值的比较，最终选择MA(1)模型。
四、模型预测
为了解2011和2012年居民消费价格指数值，我们对序列进行了预测，结果如下图：
由上图可知：
依据时间序列分析理论，对2010年的粮食产量进行了预测，得出2010年的粮食产量预测值为53 018万吨．由预测结果和实际值相比较图，可看出预测效果良好，但其预测值与实际值的差异仍然存在，
附表：
一、获得观察值序列
本论文选取1949-2008历年的粮食产量作为本次建模数据，具体数据见附表。
二、判断序列的平稳性
为了为x序列建立一个合适的模型。首先，作出x序列的线图，来判断序列的平稳性。如下图所示：
图1 x序列的line图
由上述x序列的line图可知，x序列有递增的趋势，其观察值序列x呈现出非平稳性。
其次，对建模用的原始数据进行平稳化处理，然后进行分析对x列进行差分，差分列命名为dx。 在命令窗口输入：
genr dx=d(x)
对dx分析，得出dx的line图，如下图：
图2 dx的line图
由上图和图1相比，dx序列呈现出一定的平稳性。
三、模型拟合
为了确定x序列所属模型，做dx的自相关与偏相关图，如下图：
图3 dx序列的自相关和偏自相关图
据上面dx序列的自相关图和偏自相关图的特征，我们可以对dx列建立AR(1)、MA(1)和ARMA(1，1)等模型，利用AIC和SC进行选择，下面是估计输出结果：
表1-4 各模型的AIC和SC数据
AIC SC
AR(1) 17.84954 17.92059
MA(1) 17.83740 17.90728
ARMA(1) 17.84680 17.95338
通过对各模型AIC和SC数值的比较，最终选择MA(1)模型。
四、模型预测
为了解2011和2012年居民消费价格指数值，我们对序列进行了预测，结果如下图：
由上图可知：
依据时间序列分析理论，对2010年的粮食产量进行了预测，得出2010年的粮食产量预测值为53 018万吨．由预测结果和实际值相比较图，可看出预测效果良好，但其预测值与实际值的差异仍然存在，
附表：