ITS序列分析。

摘要关于水稻与近缘稻种关系的研究方法，生物学上已有多种学说，由于目前国内外的近缘水稻rDNA的（internal transcribed spacers,ITS）以及他们的二级结构并未进行很多研究，所以本研究拟选取ITS序列作为一个分子分析指标，对他们的亲缘关系进行探索。我们用PCR扩增的方法获得了ITS，并进行PCR产物的克隆测序。材料选取包括广陆矮四号稻、药用野生稻、宽叶野生稻、高杆野生稻四种。对以上四种稻的rDNA内IT S（ITS1+ITS2）以及5.8s rDNA序列进行测定和分析。最后，本文还用软件对栽培稻与这几种野生稻ITS2的二级结构进行了预测。

关键词野生稻；ITS序列；PCR

1 前言

稻属（Oryza）是种子植物门，单子叶植物纲，禾本目，包括20余个野生种。中国是世界上水稻栽培历史最悠久的国家，据浙江余姚河姆渡发掘考证，早在六七千年以前这里就已种植水稻，比泰国还早千余年。目前，我国水稻播种面占全国粮食作物的1/4，而产量则占一半以上。栽培历史已有6000～7000年。为重要粮食作物；不仅如此，我国的稻种类型繁多。目前中国收集保存的水稻种植中，来自国内的就占87.84%[1]，其中地方品种占81.26%[1]。在如此众多的品种中，如何区分判断不同稻种之间的亲缘关系，利用更有效的方法研究优良遗传性状，这是水稻资源研究的重要内容之一。

目前人们对植种亲缘关系的研究方法有很多,例如非常成熟的杂交法。从整体上看，遗传多样性的研究方法从个体形态学水平、细胞学水平、生理生化水平发展到了分子水平,研究层次也随之深入。论述了植物遗传变异的来源,总结并分析比较了不同水平的遗传多样性研究方法[12]。进入21世纪现代生物学基因技术飞速发展，从分子水平认识和了解水稻间的亲缘关系成为一种潮流，成为生物学的新的研究领域。在基因方面的研究中，人们发现植物的rDNA中的ITS（internal transcribed spacers）序列有着非常丰富的遗传学信息。分析和研究不同植种的ITS序列，可以通过建立系统树的方法将不同的物种区分开来。在转录单位中，ITS是介于18S和5.8S之间（ITS1）以及5.8S和26S之间（ITS2）的非编码转录区，其转录产物在rRNA的加工过程中被切掉。编码18S、5.8S和26S的序列为高度保守区，ITS序列为进化速度较快的中度保守序列，且个重复单元间具有同步进化的特点。因此利用ITS序列的遗传距离和系统树来探讨系统发育和进化已经得到广泛应用[1]。通过ITS序列分析来研究植种间亲缘关系的方法目前已广泛应用于各种作物，在水稻方面的研究目前还不是很多。

PCR即DNA聚合酶链反应（polymerase chain reaction, PCR）。聚合酶链反应是一种模拟天然DNA复制的体外扩增法，参加PCR反应的组分主要有五种，即引物、酶、dNTP、模板和Mg2+，其基本原理如下：加热使双链DNA解开螺旋→在退火温度条件下引物同模板杂交→在Taq D NA聚合酶、dNTPs、Mg2+和合适pH缓冲液存在条件下延伸引物→重复上述变性→退火→引物延伸过程至25-40个循环。靶序列被扩增上百万倍，达到体外扩增核酸序列的目的。理论上，只要知道任何一段模板DNA序列，就能按其设计互补的寡核苷酸链做引物，利用PCR就可将模板DNA在体外大量扩增[3]。

所以我们选用分子生物学中的PCR高效扩增技术，大量扩取各个水稻物种的ITS特定序列，经过测序进行进化树的构建来探索不同水稻种得亲缘关系，并可以利用测得的序列对各自的二级结构进行推测。这些研究对于稻属种的保护，进化关系的探索以及栽培稻的改良都具有非常重要的意义。

本研究从分析水稻和三种野生稻的ITS序列入手，利用PCR技术，在完成特定片断测序的基础上，利用软件对其进行序列比对，并对其二级结构进行推测，完成对这些水稻亲缘性关系的科学判断。

2 材料，试剂与仪器

2.1 材料

广陆矮四号稻（Oryza sativa L.subsp.indica）：由湖北省农业科学院曾左癸研究员提供；

药用野生稻（O.officinalis.）由武汉大学遗传所提供；

宽叶野生稻(O. latifolia)，高杆野生稻(O. alta) 由华南理工大学卢永根院士提供。

2.2 主要试剂

50×TAE

LB培养基

氨苄青霉素100mg/L

IPTG 25mg/ml

X-Gal 2.5%，m/v

溴化乙锭(EB)

琼脂糖（Gbico公司）

2.3 仪器

(1)0100-PCR 仪（MJ Research.INC 公司）

(2)DH4000A 型电热恒温培养箱（天津市泰斯特仪器有限公司）

(3)JA2003 电子天平（上海精科天平）

(4)HYA 恒温摇床（中国科学院武汉科学仪器厂）

(5)TGL-16G 高速台式离心机（上海安亭科学仪器厂）

(6)PHS －3C 数字酸度计（杭州万达仪器仪表厂）

(7)5417R 冷冻离心机（Eppendorf Centrifage ，Germany ）

(8) CR22G 高速冷冻离心机（日立公司）

(9)DPU 型Biophotometer DNA&RNA 浓度测定仪（Eppendorf Germany ）

(10)GeneGenius ＆GeneGnome 凝胶电泳成像系统（Synoptics LTD ，UK ）

(11)DYY Ⅲ31C 型电泳槽（北京六一）

(12）电泳仪（BIO-RAD 公司）

(13) Grant 制冰机（意大利FMTO 公司）

(14) 高压灭菌锅TOMY ss-325

3 实验方法

3.1 基因组DNA的提取

采用CTAB-氯仿分别抽提四种水稻总DNA

（1）取材料稻5g，用无菌水洗涤、吸干、放入液氮冻结

（2）用干冷的研钵，加入预热的20ml ME/CTAB，混合使之充分润湿，于65℃稳浴10~60 min，不时混匀。

（3）用等体积的24：1氯仿/异戊醇抽提匀浆液，颠倒使之充分混合，于4℃

（4）10000 rpm 离心5 min，回收上清。

（5）在回收的上清中加入预热的CTAB/Nacl ，20ml氯仿/异戊醇

（6）在4℃10000 rpm/min 5min，取上清。加入20ml CTAB 沉淀液，65℃30min，4℃2700r/min 5min，弃上清。

（7）加入5ml高盐TE溶液，65℃30min，重悬，转入10ml离心管

（8）加入3ml异丙醇4℃沉淀2h，4℃7500g/min 离心15min。

（9）用80%乙醇洗涤，干燥。30ulTE溶液重悬，-20℃保存。

3.2 PCR扩增反应

根据文献查找，确定扩增ITS1-5.8s rRNA-ITS2序列的特定引物序列[1]：

ITS1: 5’-AGA AGT CGT AAC AAG GTT TCC GTA GG-3’

ITS4: 5’-TCC TCC GCT TAT TGA TAT GCT TAA-3’

（1）PCR管内建立10μl 的反应体系：

混匀，加封口膜封口。

（2）按下述步骤进行扩增

ⅰ〉广陆矮四号稻

1）94℃预变性5min

2）94℃变性30s

3）60.5℃退火30s

4）72℃延伸2min

5）重复（2）---（4）步骤35次；

ⅱ〉药用野生稻

1）94℃预变性5min

2）94℃变性30s

3）56.5℃退火30s

4）72℃延伸2min

5）重复（2）---（4）步骤35次；

6）72℃延伸10min,4℃保存。

ⅲ〉宽叶野生稻

1）94℃预变性5min

2）94℃变性30s

3）55.2℃退火30s

4）72℃延伸2min

5）重复（2）---（4）步骤35次；

6）72℃延伸10min,4℃保存。

ⅳ〉高杆野生稻

1）94℃预变性5min

2）94℃变性30s

3）55.2℃退火30s

4）72℃延伸2min

5）重复（2）---（4）步骤35次；

6）72℃延伸10min,4℃保存。

3.3 PCR电泳产物检测

（1）纯化

1）加入0.1体积的3M乙酸钠(PH5.2)和2体积无水乙醇,－20℃沉淀过夜.

2)12000r/min,4℃离心15min,去上清液,在用70％的乙醇洗涤沉淀.

3)12000r/min,4℃离心15min,去上清液,倒置使最后残留的微量乙醇蒸发。

4)用TEbuffer溶解潮湿的DNA沉淀

（2）琼脂糖凝胶电泳分析PCR结果用40ml的1×TAE配置1.5％琼脂糖凝胶，电压150V，电泳30min，EB染色后用GeneGenius＆Gene Gnome凝胶成象系统观察并拍照

3.4 PCR扩增产物回收

从PCR反应体系中回收PCR扩增产物：

1、照5：1的比例往PCR反应体系中加入PCR Binding Buffer（如50μl PCR反应体系中加入250μl PCR Binding Buffer作为一次标准反应），充分混匀。

2、将吸附柱放入收集管中，把混合液转移到柱内，12000rpm离心30秒。

3、倒掉收集管中的废液，加入500μl Wash Buffer，12000rpm离心30秒。

4、重复步骤3一次。

5、倒掉收集管中的废液，12000rpm离心2分钟。

3.5 T载体连接反应

1、在微量离心管中配置下列DNA溶液，全量为5μl

2、加入5μl（等量）的Solution I

3、16℃反应30分钟。

4、全量（10μl）加入至100μl DH5α感受态细胞中，冰中放置30分钟

5、42℃加热45秒钟后，再在冰中放置1分钟

6、加入890μlSOC培养基，37℃震荡培养60分钟。

7、在含有X—Gal 、IPTG、Amp的LB—琼脂平板培养基上培养，形成单菌落。记数白色、蓝色菌落。

8、挑选白色菌落、使用菌落PCR法确认载体中插入片断的长度大小。

3.6 感受态细胞的制备

从-80℃冰箱中取出感受态细胞，冰上解冻，取5μl架到5mL LB液体培养基中，37℃摇菌过夜。将2管菌液转入100ml含Amp的LB培养基中，37℃摇菌约3h。将培养物分装到2个离心管中，冰浴10min。4000 rpm 离心10min，弃上清，加入2ml预冷的CaCl2吹打混匀。分装后加入甘油，使其浓度为10%。-80℃保存。

3.7 转化反应

1、打开电转化仪调整电压为1300V

2、将感受态细胞转移到预冷的电击杯中，轻轻敲击电击杯，是混合物均匀进入电击杯底部。

3、将电击杯推入电转化仪，按pulse，听到蜂鸣声后，向电击杯加入1000μl的SOC培养基，重悬细胞后转移至1.5ml离心管

4、37℃培养箱中，220~250 rpm 复苏1h。

5、取20μl转化产物加160μl SOC培养基涂板，放于37℃温室培养过夜，次日观察结果。其余菌液加入1：1的30%甘油后混匀，-80℃保存。注：电击杯清洗流程

1．用清水将电击杯稍冲一下。

2．向电击杯中加入的75%酒精浸泡2hr。

3．弃去酒精，再用蒸馏水冲洗2~3遍，然后用1ml的枪吸取超纯水反复吹打电击杯10遍以上。

4．加入无水乙醇2ml于电击杯中，浸泡30分钟。

5．弃去无水乙醇，于通风厨内挥干乙醇。

3.8 阳性克隆筛选

1、用接种环挑选白色菌落至1.5ml氨苄青霉素的LB液体培养基，置空气摇床37℃，200 rpm培养过夜

2、用扩增引物进行PCR扩增检测，体系如3.2，35循环

3、扩增产物用琼脂糖凝胶电泳分离检测，确定哪些是成功的转化子。检测成功转化的菌液取一半加甘油至10% -80℃保存，另一半，送出检测。

4 结果分析

4.1 PCR电泳扩增结果：

1. 栽培稻广陆矮四号

经过梯度PCR的得到退火温度在60.5℃的时候扩增带最亮，用60.5℃作为退火温度进行大量扩增，得到电泳结果如图：

2.药用野生稻

用56.5℃、57.2℃、58.0℃、59.1℃、60.2℃、61.2℃作为退火温度进行梯度PCR，发现退火温度在56.5℃的时候扩增带最亮，用60.5℃作为退火温度进行大量扩增，得到电泳结果如图：

3.宽叶野生稻和高秆野生稻

对于宽叶野生稻和高秆野生稻梯度PCR的选择范围是（55.2℃、56.4℃、57.6℃、60.0℃、61.4℃），结果发现退火温度在55.2℃的时候扩增带最亮，用55.2℃作为退火温度对两种野生稻进行大量扩增，得到电泳结果如图：

4.2 ITS序列测序结果分析

(四种稻ITS1、5.8S、ITS2三段序列比对分析)

ITS1:

---------------10---------------20----------------30-------------40---------------50

Guangluai4 TCGTGACCCTGACCAAAACAG-ACCGCGAACGCGTCACCCCTGCCCGCCGA

O.officinalis TCGTGACCCTAACCAAAA-CATACCGCGAA TGCGTCACCCTTGCCGCCAAG

O. latifolia GTGGACCTGACCAAAACA-GACCGCGAACG CGTCACCCCTGCCGCCGGGGG

O. alta CGTGGaCCCGACCAAAACAGACCGC-GAACGCGTCACCCCTGCCGCCGGGG

---------------60---------------70----------------80--------------90--------------100

Guangluai4 GCGCTCGCGCGCGAGGCAACCGA-GGCCCCCGGGCCGCAACAGAACCCACG

O.officinalis CGCGGCCAGGCACCGA-GGCCCCCGAGCCG CAACAGAACCCACGGCGTCGA

O. latifolia CGGCGGCGGCCGCCGCCGC-CGCGCCCGGC ACCGAGGCCCCCGGGCCGCA A

O. alta GCGGCGGCGGCCGCCGCCGCCG-TGCCCGGCACCGAGGCCCCCGGGCCGCA

--------------110--------------120---------------130----------------140----------150

Guangluai4 GCGCCGACG G CGTCAAGGA A CACAGCGAT A CGCCCCGCGC C G GCCCGGTC O.officinalis CGGCGTCAA G GAACAAATA G ACACGCCCGT G CCTCCTGGTC G GCCCTGGC O. latifolia CAGAACCCA CGGCGCCGAC GGCGTCAAGG AACACATCGA CACGCCCGCGC

O. alta ACAGAACCCACGGCGCCGA CGGC-GTCAAG GAACACATCG ACACGCCCGCG

--------------160--------------170-------------180--------------190------------200---

Guangluai4 GGCCCTGGCCGTCCGGCGG CGCGGCGCGA TACCACGAG C TAAATC……………. O.officinalis TGGTCGGCA G CGTGGCGCG A TACCACGAGTTAAT…………………………………

O. latifolia CTCCCGGCC GGCCCTGGCC GGCCGGCGGC GCGGCGCGA T ACCGCGAGCT A AT O. alta CCACCCGGCCGGCCCTGGC CGG-CCGGCGG CGCGGCGCGA TACCACGAGCTAAT

5.8S:

-----185----------------195------------

Guangluai4 ……………………….

O.officinalis ….C CACACGACTC

O. latifolia ……………………….

O. alta ……………………………

--------200----------------210---------------220----------------230-----------------240-- Guangluai4 CCACACGACTCTCG-GCAACGGATATCTCGGCTCT CGCATCGATGAA

O.officinalis TCGG C AATTGATAT C TCTGCTCTC GCATTAATGA A GAATGTAGC G

O. latifolia …………https://www.sodocs.net/doc/e1699384.html,ACACG ACTCTCG-GCAACGGATATCT CGGCTCTCGC A

O. alta …………………CCA CACGACTCTC-GGCAACGGATATCTCGGCTCTCGC

-----------------250----------------260----------------270----------------280---------------290 Guangluai4 GAACGTAGCGAAATGCGATAC-CTGGTGTGAATTGCAGAATCCCGTGAACC

O.officinalis AAATGCGATACCTAGTGT-GAATTGCAAAATCCCATGAAT CATCGAGTCTT

O. latifolia TCGATGAAAAACGTA-GCGAAATGCGATAC CTGGTGTGAA TTGCAGAATCC

O. alta ATCGATGAAGAACGTAGCGAA-ATGCGATACCTGGTGTGAATTGCAGAATC

-----------------300----------------310----------------320----------------330----------------340 Guangluai4 ATCGAGTCTTTGAACGCAAGTTG-CGCCCGAGGCCATCCGGCCGAGGGCAC

O.officinalis TAAACACAA GTTGCGCCCAAGGCCATCCA GTCGAGGGCACGCCTGCCTAG

O. latifolia CGTGAACCA TCGAGTCTTTGAAC-GCAAGTTGCGCCCGAGGCCATCCGGCC

O. alta CCGTGAACCA TCGAGTCTTTG-AACGCAAGTTGCGCCCGA GGCCATCCGGC

----------------350-----------------360--------------370--------380

Guangluai4 GCCTGCCTGGGC-GTCAC……………..

O.officinalis GCATCA…………………………-………

O. latifolia TCGATGAAAAACGTAGCGA-AATGC…

O. alta CGAGGGCACGCCTGCCTGGGCGTCA

ITS2：

------350------355--------360---

Guangluai4 …………………….

O.officinalis ACACCAAAAGAT

O. latifolia …………………….

O. alta ………………………..

------360-----------------370----------------380-------------------390-----------------400- Guangluai4 ... ACGCCAAAAGACG-CTCCACGCGCCCCCCCTA TCCGGGAGGGCGCG

O.officinalis .….GCTCCACCGGC CCCACCCGACCCGGCAGGGGGCGGGGACACG G

O. latifolia ………. …..…ACGCC AAAAGA-CGCTCCACGCCCCCCCACCCAACCGG.

O. alta ………..………….CGCCAAAA-GACGCTCCACGCCCCCCCACCCGACCC

-----------------410----------------420---------------430-----------------440---------------450 Guangluai4 GGGACGCGGTGTCT-GGCCCCCCGCGCCTCGCGGCGCGGCGGGCCGAAGCT

O.officinalis TGTCTGGCCACCCGTGTCG-CGAGGCGCAGCGGACCGAAGCTCGGGTTGCC

O. latifolia GAAGGGGGCGGGGAACGCG-GGGTCGGCCCCCCCGCGCCCCGGGGGGCGGG

O. alta GGGAGGGGGCGGGGGACGCG－GTGTCTGGCCCCCCGCGTCGCGAGGCGCGG

-----------------460----------------470----------------480-----------------490---------------500 Guangluai4 CGGGCTGCCGGCGAAGCGTG-CCGGGCACAGCGCATGGTGGACAGCTCGCG

O.officinalis GGCGAAGCATGCCTGGCACAG-TGCATGGTGGACAGCTCACGCTGGCTCTA

O. latifolia GGGACAAACCTCGGGCCGCCG-GCAAACCTTGCCGGCACCAGGGCTGGTGG

O. alta CGGGCCGAAGCTCGGGCCGCCGG-CTAAGCGAGCCGGGCACAGTGGATGGT

- ---------------510----------------520----------------530-----------------540---------------550 Guangluai4 CTGGCTCTAGGCCGCAGTG-CACCCCGGCGCGCGGCCGGCGCGATGGCCCC

O.officinalis GGTCGCAGTGCACCCCGGCGCG-CAGCCGGCGCGATGGCGCCTCAGGACCC

O. latifolia AACGGCACACTCCGCCTCTGGG-CCGGAGGGCCCCCCGGCCCGCGCCCGGC

O. alta GTAGGGATC ATGCCGGCTT TAGGTCG-CAG TGCACCCCGG CGCGCCCCCCG

-----------------560----------------570-----------------580-----------------590-------------600 Guangluai4 TCAGGACCCAAACGCAC-CGAGAGCGA ACGCCTCGGACC………………….

O.officinalis AGATGCATCAAGGAC-TAGCTCGGACCCCG A CC………..................................

O. latifolia GCGATGACCCCTAAGACCCCAAA-TCCCCCGATGACCGCTTCGAACGGCCC

O. alta GCGCT A TGGCCCCA………………-……………………………………………….

5 讨论

5.1 PCR扩增方法及结果讨论

1.引物设计原则：

引物是PCR特异性反应的关键，PCR 产物的特异性取决于引物与模板DNA互补的程度。理论上，只要知道任何一段模板DNA序列，就能按其设计互补的寡核苷酸链做引物，利用PCR就可将模板DNA在体外大量扩增。PCR引物设计的目的是为了找到一对合适的核苷酸片段，使其能有效地扩增模板DNA序列。因此，引物的优劣直接关系到PCR的特异性与成功与否。

要设计引物首先要找到DNA序列的保守区。同时应预测将要扩增的片段单链是否形成二级结构。如这个区域单链能形成二级结构，就要避开它。如这一段不能形成二级结构，那就可以在这一区域设计引物。

现在可以在这一保守区域里设计一对引物。一般引物长度为15~30碱基，扩增片段长度为100~600碱基对。一般引物序列中G C含量一般为40% ~60%。而且四种碱基的分布最好随机。不要有聚嘌呤或聚嘧啶存在。否则设计的就不合理。应重新寻找区域设计引物。同时引物之间也不能有互补性，一般一对引物间不应多于4个连续碱基的互补。

引物确定以后，可以对引物进行必要的修饰，例如可以在引物的5′端加酶切位点序列；标记生物素、荧光素、地高辛等，这对扩增的特异性影响不大。但3′端绝对不能进行任何修饰，因为引物的延伸是从3′端开始的。这里还需提醒的是3′端不要终止于密码子的第3位，因为密码子第3位易发生简并，会影响扩增的特异性与效率。

综上所述我们可以归纳十条PCR引物的设计原则：

①引物应用核酸系列保守区内设计并具有特异性。

②产物不能形成二级结构。

③引物长度一般在15~30碱基之间。

④G C含量在40%~60%之间。

⑤碱基要随机分布。

⑥引物自身不能有连续4个碱基的互补。

⑦引物之间不能有连续4个碱基的互补。

⑧引物5′端可以修饰。

⑨引物3′端不可修饰。

⑩引物3′端要避开密码子的第3位。

2.PCR常见问题：

1. 出现非特异性扩增带

PCR扩增后出现的条带与预计的大小不一致，或大或小，或者同时出现特异性扩增带与非特异性扩增带。非特异性条带的出现，其原因：一是引物与靶序列不完全互补、或引物聚合形成二聚体。二是Mg2+离子浓度过高、退火温度过低，及PCR循环次数过多有关。其次是酶的质和量，往往一些来源的酶易出现非特异条带而另一来源的酶则不出现，酶量过多有时也会出现非特异性扩增。其对策有：必要时重新设计引物。减低酶量或调换另一来源的酶。降低引物量，适当增加模板量，减少循环次数。适当提高退火温度或采用二温度点法(93℃变性，65℃左右退火与延伸)。

2.出现片状拖带或涂抹带

PCR扩增有时出现涂抹带或片状带或地毯样带。其原因往往由于酶量过多或酶的质量差，dNTP浓度过高，Mg2+浓度过高，退火温度过低，循环次数过多引起。其对策有：减少酶量，或调换另一来源的酶。减少dNTP的浓度。适当降低Mg2+浓度。增加模板量，减少循环次数。

3.退火温度选择:

退火(复性)温度与时间：退火温度是影响PCR特异性的较重要因素。变性后温度快速冷却至40℃～60℃，可使引物和模板发生结合。由于模板DN A 比引物复杂得多，引物和模板之间的碰撞结合机会远远高于模板互补链之间的碰撞。退火温度与时间，取决于引物的长度、碱基组成及其浓度，还有靶基序列的长度。对于20个核苷酸，G+C含量约50%的引物，55℃为选择最适退火温度的起点较为理想。引物的复性温度可通过以下公式帮助选择合适的温度：

Tm值(解链温度)=4(G+C)＋2(A+T)

复性温度=Tm值-(5～10℃)

在Tm值允许范围内，选择较高的复性温度可大大减少引物和模板间的非特异性结合，提高PCR反应的特异性。复性时间一般为30～60sec，足以使引物与模板之间完全结合。

5.2 栽培稻于野生稻亲缘关系分析：

根据测序分析结果，利用DNAMAN和BioEdit软件，可以推测出四种稻属的亲缘关系如下图：

由亲缘关系图可以看到稻属在进化过程中DNA发生了一系列的稳定差异。两种稻分子差异的多少决定了他们的亲缘关系的远近。所以由图5可以看出栽培稻广陆矮四号与药用野生稻的关系最为紧密，宽叶野生稻与高杆野生稻的关系比较紧密。这个结果同样支持了，广陆矮四号和药用野生稻同为二倍提稻，而高杆野生稻和宽叶野生稻同为四倍体稻的客观结论。

需要说明的是本研究仅仅从稻种的ITS序列入手，分析分子水平的差异。并不能看出品种间的地理分布和进化规律。只能说明分子水平的亲缘关系远近。

5.3 二级结构预测：

1. 广陆矮四号：

2.药用野生稻：

3宽叶野生稻：

4.高杆野生稻：

根据以上各种稻的ITS二级结构推测图来看，广陆矮四号稻和药用野生稻的二级结构在一定程度上具有一定的相似性，具有四个臂和一定的结构环。宽叶野生稻和高杆野生稻也具有相似的特点。这些可以认为是稻属的保守性在ITS2序列中的具体体现。但是也可以发现具体结构仍然存在较大的差异。这些差异可能是由以下因素引起的：

1、PCR引物的选择：PCR引物的非特异性会造成二级结构的不准确

2、种属自身的特异性：

即：稻种的特异性不仅仅体现在于一级结构，序列的差异，在二级结构本身也体现一定的差异。空间结构的不同决定了不同的功能，体现不同种属的差异性。

当然，对于不同稻属，一级结构和二级结构两者之中的哪一个在种属差异中起决定作用还有待研究。

注：本研究需要进行多次重复操作实验以保证测序结果的正确性，由于时间的关系，本次设计所完成的实验操作重复次数有限，所以不排除序列本身正确性的影响。就这一点，还需要多次做克隆测序来验证，

应用时间序列分析第4章答案

河南大学: 姓名:汪宝班级:七班学号:1122314451 班级序号:68 5:我国1949年－2008年年末人口总数(单位:万人)序列如表4－8所示(行数据)．选择适当的模型拟合该序列的长期数据，并作5期预测。 解：具体解题过程如下：（本题代码我是做一问写一问的） 1:观察时序图: data wangbao4_5; input x@@; time=1949+_n_-1; cards; 54167 55196 56300 57482 58796 60266 61465 62828 64653 65994 67207 66207 65859 67295 69172 70499 72538 74542 76368 78534 80671 82992 85229 87177 89211 90859 92420 93717 94974 96259 97542 98705 100072 101654 103008 104357 105851 107507 109300 111026 112704 114333 115823 117171 118517 119850 121121 122389 123626 124761 125786 126743 127627 128453 129227 129988 130756 131448 132129 132802 ; proc gplot data=wangbao4_5; plot x*time=1; symbol1c=black v=star i=join; run; 分析:通过时序图,我可以发现我国1949年－2008年年末人口总数(随时间的变化呈现出线性变化.故此时我可以用线性模型拟合序列的发展． X t=a+b t+I t t=1,2,3,…,60 E(I t)=0,var(I t)=σ2 其中，I t为随机波动；X t=a+b就是消除随机波动的影响之后该序列的长期趋势。

第十二章时间序列分析

目录 第十一章时间序列分析___________________________________________________________________ 2 第一节时间序列的有关概念______________________________________________________________ 3 一、时间序列的构成因素_______________________________________________________________ 3 二、时间序列的数学模型_______________________________________________________________ 4 第二节时间序列的因素分析______________________________________________________________ 4 一、图形描述_________________________________________________________________________ 4 二、长期趋势分析_____________________________________________________________________ 5 三、季节变动分析_____________________________________________________________________ 8 四、循环波动分析____________________________________________________________________ 12 第三节随机时间序列分析_______________________________________________________________ 14 一、平稳随机过程概述________________________________________________________________ 14 二、ARMA模型的识别 _______________________________________________________________ 15 三、模型参数的估计__________________________________________________________________ 19 英文摘要与关键词______________________________________________________________________ 21习题_________________________________________________________________________________ 21

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》案例

《时间序列分析》案例案例名 称：时间序列分析在经济预测中的应用内容要 求：确定性与随机性时间序列之比较设计作 者：许启发，王艳明 设计时 间：2003年8月

案例四：时间序列分析在经济预测中的应用 一、案例简介 为了配合《统计学》课程时间序列分析部分的课堂教学，提高学生运用统计分析方法解决实际问题的能力，我们组织了一次案例教学，其内容是：对烟台市的未来经济发展状况作一预测分析，数据取烟台市1949—1998年国内生产总值（GDP）的年度数据，并以此为依据建立预测模型，对1999年和2000年的国内生产总值作出预测并检验其预测效果。国内生产总值是指一个国家或地区所有常住单位在一定时期内生产活动的最终成果，是反映国民经济活动最重要的经济指标之一，科学地预测该指标，对制定经济发展目标以及与之相配套的方针政策具有重要的理论与实际意义。在组织实施时，我们首先将数据资料印发给学生，并讲清本案例的教学目的与要求，明确案例所涉及的教学内容；然后给学生一段时间，由学生根据资料，运用不同的方法进行预测分析，并确定具体的讨论日期；在课堂讨论时让学生自由发言，阐述自己的观点；最后，由主持教师作点评发言，取得了良好的教学效果。 经济预测是研究客观经济过程未来一定时期的发展变化趋势，其目的在于通过对客观经济现象历史规律的探讨和现状的研究，求得对未来经济活动的了解，以确定社会经济活动的发展水平，为决策提供依据。 时间序列分析预测法，首先将预测目标的历史数据按照时间的先后顺序排列，然后分析它随时间的变化趋势及自身的统计规律，外推得到预测目标的未来取值。它与回归分析预测法的最大区别在于：该方法可以根据单个变量的取值对其自身的变动进行预测，无须添加任何的辅助信息。 本案例的最大特色在于：它汇集了统计学原理中的时间序列分析这一章节的所有知识点，通过本案例的教学，可以把不同的时间序列分析方法进行综合的比较，便于学生更好地掌握本章的内容。 二、案例的目的与要求 （一）教学目的 1．通过本案例的教学，使学生认识到时间序列分析方法在实际工作中应用的必要性和可能性； 2．本案例将时间序列分析中的水平指标、速度指标、长期趋势的测定等内容有机的结合在一起，以巩固学生所学的课本知识，深化学生对课本知识的理解； 3．本案例是对烟台市的国内生产总值数据进行预测，通过对实证结果的比较和分析，使学生认识到对同一问题的解决，可以采取不同的方法，根据约束条件，从中选择一种合适的预测方法； 4．通过本案例的教学，让学生掌握EXCEL软件在时间序列分析中的应用，对统计、计量分析软件SPSS或Eviews等有一个初步的了解； 5．通过本案例的教学，有助于提高学生运用所学知识和方法分析解决问题的能力、合作共事的能力和沟通交流的能力。 （二）教学要求 1．学生必须具备相应的时间序列分析的基本理论知识； 2．学生必须熟悉相应的预测方法和具备一定的数据处理能力； 3．学生以主角身份积极地参与到案例分析中来，主动地分析和解决案例中的问题； 4．在提出解决问题的方案之前，学生可以根据提供的样本数据，自己选择不同的统计分析方法，对这一案例进行预测，比较不同预测方法的异同，提出若干可供选择的方案； 5．学生必须提交完整的分析报告。分析报告的内容应包括：选题的目的及意义、使用数据的特征及其说明、采用的预测方法及其优劣、预测结果及其评价、有待于进一步改进的思路或需要进一步研究的问题。 三、数据搜集与处理 时间序列数据按照不同的分类标准可以划分为不同的类型，最常见的有：年度数据、季度数据、月度数据。本案例主要讨论对年度数据如何进行预测分析。考虑到案例设计时的侧重点，本案例只是对烟

时间序列分析试卷及答案3套

时间序列分析试卷1 一、 填空题（每小题2分，共计20分） 1. ARMA(p, q)模型_________________________________，其中模型参数为 ____________________。 2. 设时间序列{}t X ，则其一阶差分为_________________________。 3. 设ARMA (2, 1)： 1210.50.40.3t t t t t X X X εε---=++- 则所对应的特征方程为_______________________。 4. 对于一阶自回归模型AR(1): 110t t t X X φε-=+＋，其特征根为_________，平稳域是 _______________________。 5. 设ARMA(2, 1):1210.50.1t t t t t X X aX εε---=++-，当a 满足_________时，模型平稳。 6. 对于一阶自回归模型MA(1): 10.3t t t X εε-=-，其自相关函数为 ______________________。 7. 对于二阶自回归模型AR(2): 120.50.2t t t t X X X ε--=++ 则模型所满足的Yule-Walker 方程是______________________。 8. 设时间序列{}t X 为来自ARMA(p,q)模型： 1111t t p t p t t q t q X X X φφεθεθε----=++++++L L 则预测方差为___________________。 9. 对于时间序列{}t X ，如果___________________，则()~t X I d 。 10. 设时间序列{}t X 为来自GARCH(p ，q)模型，则其模型结构可写为_____________。 二、（10分）设时间序列{}t X 来自()2,1ARMA 过程，满足 ()()2 10.510.4t t B B X B ε -+=+, 其中{}t ε是白噪声序列，并且()()2 t t 0,E Var εεσ==。

各种标签Tag的核苷酸与氨基酸序列

V5-tag 5ˊGGT AAG CCT ATC CCT AAC CCT CTC CTC GGT CTC GAT TCT ACG 3ˊ G K P I P N P L L G L D S T 6 X His tag CAT CAT CAC CAT CAC CAT H H H H H H S-tag AAA GAA ACC GCT GCT GCT AAA TTC GAA CGC CAG CAC A TG GAC A GC KETAAAKFERQHMDS Flag-Tag GAT TAC AAG GAT GAC GAC GAT AAG D Y K D D D D K

Myc-Tag GAG CAG AAA CTC ATC TCT GAA GAG GAT CTG HA-Tag TAC CCA TAC GAC GTC CCA GAC TAC GCT VSV-G: TATACAGACATAGAGATGAACCGACTTGGAAAG Thrombin recognises the consensus sequence Leu-Val-Pro-Arg-Gly-Ser Sequence：CTG GTT CCG CGT GGA TCC 重组蛋白表达技术现已经广泛应用于生物学各个具体领域。特别是体内功能研究和蛋白质的大规模生产都需要应用重组蛋白表达载体。 美国GeneCopoeia的蛋白表达载体按照表达宿主的不同新推出3类，分别为表达宿主为 大肠杆菌，哺乳动物细胞的，以及慢病毒载体，宿主可以为哺乳动物细胞和原代细胞。 除了必要的复制和筛选的元件，协助表达和翻译的元件外，本文将各类载体分别按照功能标签的不同确定种类并将个标签的功能初步介绍如下： His6： His6是指六个组氨酸残基组成的融合标签，可插入在目的蛋白的C末端或N末端。当某 一个标签的使用，一是能构成表位利于纯化和检测；二是构成独特的结构特征（结合配体）利于纯化。组氨酸残基侧链与固态的镍有强烈的吸引力，可用于固定化金属螯合层析(IMAC)，对重组蛋白进行分离纯化。 使用His-tag有下面优点： 1.标签的分子量小，只有~0.84KD，而GST和蛋白A分别为~26KD和~30KD，一般不影响目标蛋白的功能； 2.His标签融合蛋白可以在非离子型表面活性剂存在的条件下或变性条件下纯化，前者在纯

时间序列分析考试卷及答案

考核课程 时间序列分析（B 卷） 考核方式 闭卷 考核时间 120 分钟 注：B 为延迟算子，使得1 -=t t Y BY ；?为差分算子，1--=?t t t Y Y Y 。 一、单项选择题（每小题3 分，共24 分。） 1. 若零均值平稳序列{}t X ，其样本ACF 和样本PACF 都呈现拖尾性，则对{}t X 可能建立（ B ）模型。 A. MA(2) B.ARMA(1,1) C.AR(2) D.MA(1) 2.下图是某时间序列的样本偏自相关函数图，则恰当的模型是（ B ）。 A. )1(MA B.)1(AR C.)1,1(ARMA D.)2(MA 3. 考虑MA(2)模型212.09.0--+-=t t t t e e e Y ，则其MA 特征方程的根是（ C ）。 （A ）5.0,4.021==λλ （B ）5.0,4.021-=-=λλ （C ）5.2221==λλ， （D ） 5.2221=-=λλ， 4. 设有模型112111)1(----=++-t t t t t e e X X X θφφ，其中11<φ，则该模型属于（ B ）。 A.ARMA(2,1) B.ARIMA(1,1,1) C.ARIMA(0,1,1) D.ARIMA(1,2,1) 5. AR(2)模型t t t t e Y Y Y +-=--215.04.0，其中64.0)(=t e Var ，则=)(t t e Y E （ B ）。 A.0 B.64.0 C. 1 6.0 D. 2.0 6.对于一阶滑动平均模型MA(1): 15.0--=t t t e e Y ，则其一阶自相关函数为( C )。 A.5.0- B. 25.0 C. 4.0- D. 8.0 7. 若零均值平稳序列{}t X ?，其样本ACF 呈现二阶截尾性，其样本PACF 呈现拖尾性，则可初步认为对{}t X 应该建立（ B ）模型。 A. MA(2) B.)2,1(IMA C.)1,2(ARI D.ARIMA(2,1,2) 8. 记?为差分算子，则下列不正确的是（ C ）。 A. 12-?-?=?t t t Y Y Y B. 212 2--+-=?t t t t Y Y Y Y C. k t t t k Y Y Y --=? D. t t t t Y X Y X ?+?=+?） ( 二、填空题（每题3分，共24分）； 1. 若{}t Y 满足： 1312112---Θ-Θ--=??t t t t t e e e e Y θθ， 则该模型为一个季节周期为

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， 绍。通过第七章的学习，读者了解了什么是时间序列, 、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0.1; 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 I ), 试预测下一月份销售量。 表 某企业食盐销售量 单位：吨 解：使用对数据进行分析，第一步是建立工作文件和录入数据。有关操作在本 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。 本书第七章对它进行了比较详细的介 并接触到有关时间序列分析方法的原

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

时间序列习题(含答案)

一、单项选择题 1．时间数列与变量数列() A都是根据时间顺序排列的B都是根据变量值大小排列的 C前者是根据时间顺序排列的，后者是根据变量值大小排列的 D前者是根据变量值大小排列的，后者是根据时间顺序排列的 2．时间数列中，数值大小与时间长短有直接关系的是() A平均数时间数列B时期数列C时点数列D相对数时间数列 3．发展速度属于() A比例相对数B比较相对数C动态相对数D强度相对数 4．计算发展速度的分母是() A报告期水平B基期水平C实际水平D计划水平5．某车间月初工人人数资料如下： 则该车间上半年的平均人数约为() A 296人 B 292人 C 295 人 D 300人 6．某地区某年9月末的人口数为150万人，10月末的人口数为150．2万人，该地区10月的人口平均数为() A150万人B150．2万人C150．1万人D无法确定 7．由一个9项的时间数列可以计算的环比发展速度( )

A 有8个 B 有9个 C 有10个 D 有7个 8．采用几何平均法计算平均发展速度的依据是( ) A 各年环比发展速度之积等于总速度 B 各年环比发展速度之和等于总速度 C 各年环比增长速度之积等于总速度 D 各年环比增长速度之和等于总速度 9．某企业的产值2005年比2000年增长了58．6％，则该企业2001—2005年间产值的平均发展速度为( ) A 5 %6.58 B 5%6.158 C 6 %6.58 D 6%6.158 10．根据牧区每个月初的牲畜存栏数计算全牧区半年的牲畜平均存栏数，采用的公式是( ) A 简单平均法 B 几何平均法 C 加权序时平均法 D 首末折半法 11、时间序列在一年内重复出现的周期性波动称为（ ） A 、长期趋势 B 、季节变动 C 、循环变动 D 、随机变动 1．C 2．B 3．C 4．B 5．C 6．C 7．A 8．A 9．B 10．D 11、B 二、多项选择题 1．对于时间数列，下列说法正确的有( ) A 数列是按数值大小顺序排列的 B 数列是按时间顺序排列的 C 数列中的数值都有可加性 D 数列是进行动态分析的基础

[课程]Eviews时间序列分析实例

[课程]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。有关操作在本章第一节中已经阐明，这里不再赘述。假设已经建立工作文件，并生成了一个样本期为l,30的序列，命名为SALES。序列SALES中包含例1中需要分析的数据。 第二步，绘制序列图形。在序列对象窗口中，点击View?Line Graph。 屏幕显示图1所示图形。 图1 某企业近30个月的销售量动态图 从图1中可以看出，这个企业近30个月的销售量并不存在明显的趋势，并且没有明显的季节趋势。因此，从直观上判断可以采用一次指数平滑法对企业下个月的销售量进行预测。 第三步，扩大样本期。本例要求对下一个月的销售量进行预测，而工作文件的样本期是1,30，在Eviews中要求先更改样本期。更改样本期的操作在本章第一节已经讲过，这里将样本期改为l,31。

我国时间序列分析研究工作综述(李锐 向书坚)

我国时间序列分析研究工作综述 (李锐向书坚) 摘要：近年来我国学者对于时间序列的研究取得了极其丰硕的成果，主要体现在基础理论研究的不断加强（某些领域已经达到了国际前沿水平，而不再只是纯粹的吸收引进国外的先进成果）；应用领域的不断拓展，在应用中求创新求发展，在部分应用领域中我们已经跟上了国际步伐。本文中我们将从理论与应用两个方面进行对我国时间序列分析研究的主要成果进行综述。 关键词：非线性；非平稳；非参数；数据挖掘 近年来我国学者对于时间序列的研究取得了极其丰硕的成果，主要体现在基础理论研究的不断加强（某些领域已经达到了国际前沿水平，而不再只是纯粹的吸收引进国外的先进成果）；应用领域的不断拓展，在应用中求创新求发展，在部分应用领域中我们已经跟上了国际步伐。本文中我们将从理论与应用两个方面进行对我国时间序列分析研究的主要成果进行综述，主要介绍被SCI检索（2000-2004）的部分成果，以及在国内重点核心期刊（2000-2004）上发表的部分重要成果。 一、时间序列分析在理论上的进展 理论上的进展主要表现在两个方面：一是单位根理论；一是非线性模型理论，非线性模型理论的进展集中在几何遍历性问题和非线性过程的平稳性这两方面。我国学者在非线性时间序列分析方面取得了一系列高水平的成果。 汤家豪教授将有关非线性时间序列分析的研究与动力系统科学的模型连接而备受赞赏。现在他着眼于非参数时间序列模型的发展，并与生态学家进行大量的合作研究。 姚琦伟教授基于信息量，首次提出了描述一般随机系统对初始条件敏感性的度量及估计方法。在高维模型领域，姚琦伟教授提出用复系数线性模型近似高维非线性回归函数的新方法，以此克服高维非参数回归中样本量短缺的困难问题。此方法在生物、经济、金融等应用中获得了成功。在时间序列模型的最大似然估计方法的研究中，他完整地建立了在金融风险管理中有直接应用的ARCH和GARCH模型为最大似然估计的极限理论。对于重尾部 （heavy-tailed）分布模型，提出了基于boostrap的新的估计方法以及稳健统计方法。他还首次建立了在空间域上空间ARMA过程的最大似然估计理论，这一工作同时也对Hannan 1973年给出的关于时间序列的最大似然估计理论首次给出了一个完整的时域上的证明。 安鸿志、朱力行、陈敏关于非线性自回归模型的平稳性、遍历性和高阶矩的成果，获得了有这些性质的最弱条件。关于回归或自回归的非线性检验问题，具有重要的实际意义。他们首次给出了完全对立的假设检验方法，无论从原理和应用都表明此方法有明显优点。他们研究了条件方差为非常数的回归和自回归模型的平稳性、遍历性和检验方法。

时间序列分析基于R——习题答案

时间序列分析基于R——习题答案

第一章习题答案 略 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 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 ，序列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 ()0t E x =,2 1 () 1.96 10.7 t Var x ==-,22 0.70.49 ρ ==,22 φ = 3.2 1715 φ= ,2 115 φ =

3.3 ()0t E x =,10.15 () 1.98(10.15)(10.8 0.15)(10.80.15) t Var x +==--+++ 10.8 0.70 10.15 ρ= =+,2 10.80.150.41 ρ ρ=-=,3 210.80.150.22 ρ ρρ=-= 1110.70 φρ==,22 20.15 φ φ==-,33 φ = 3.4 10c -<<, 1121,1,2 k k k c c k ρρρρ--? =?-??=+≥? 3.5 证明: 该序列的特征方程为：3 2 --c 0c λλλ+=，解该特征 方程得三个特征根： 11 λ=，2 c λ =3 c λ =-无论c 取什么值，该方程都有一个特征根在单位圆上，所以该序列一定是非平稳序列。证毕。 3.6 (1)错 （2）错 （3）对 （4）错 （5） 3.7 该模型有两种可能的表达式：11 2 t t t x ε ε-=-和 1 2t t t x εε-=-。 3.8 将1 23 100.50.8t t t t t x x C εεε---=++-+等价表达为

应用时间序列分析习题答案

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(221 +++=-=- 229608.149 .011 )(εεσσ=-= t x Var 49.00212==ρφρ 022=φ 3.2 解：对于AR （2）模型： ?? ?=+=+==+=+=-3.05 .021102112 12112011φρφρφρφρρφφρφρφρ 解得：???==15 /115/721φφ 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

(时间序列分析)

时间序列分析 17.某城市过去63年中每年降雪量数据（单位：mm）如表3—20所示（行数据）。表3—20 126.4 82.4 78.1 51.1 90.9 76.2 104.5 87.4 110.5 25 69.3 53.5 39.8 63.6 46.7 72.9 79.6 83.6 80.7 60.3 79 74.4 49.6 54.7 71.8 49.1 103.9 51.6 82.4 83.6 77.8 79.3 89.6 85.5 58 120.7 110.5 65.4 39.9 40.1 88.7 71.4 83 55.9 89.9 84.8 105.2 113.7 124.7 114.5 115.6 102.4 101.4 89.8 71.5 70.9 98.3 55.5 66.1 78.4 120.5 97 110 （1）判断该序列的平稳性与纯随机性。 （2）如果序列平稳且非白噪声，选择适当模型拟合该序列的发展。 （3）利用拟合模型，预测该城市未来5年的降雪量。 答：

（1）由a-time时序图（左上角），该图平稳 由ACF自相关系数图（右上角），该图非纯随机性 （2）因为该序列是平稳且非白噪声序列，由图可知ACF图拖尾， PACF图一阶截尾，故该序列可拟合为AR(1)模型

图1 （3）由图1和xt-time时序图（右下角）可知，该城市未来5年的降雪量预测为:89.01662, 82.43668, 80.37336, 79.72634, 79.52345 该题的程序: 18.某地区连续74年的谷物产量（单位：千吨）如表3—21所示（行数据）。表3—21 0.97 0.45 1.61 1.26 1.37 1.43 1.32 1.23 0.84 0.89 1.18 1.33 1.21 0.98 0.91 0.61 1.23 0.97 1.10 0.74 0.80 0.81 0.80 0.60 0.59 0.63 0.87 0.36 0.81 0.91 0.77 0.96 0.93 0.95 0.65 0.98 0.70 0.86 1.32 0.88 0.68 0.78 1.25

《时间序列分析》案例04

《时间序列分析》案例 案例名称：时间序列分析在经济预测中应用内容要求：确定性与随机性时间序列之比较设计作者：许启发，王艳明 设计时间：2003年8月

案例四：时间序列分析在经济预测中应用 一、案例简介 为了配合《统计学》课程时间序列分析部分课堂教学，提高学生运用统计分析方法解决实际问题能力，我们组织了一次案例教学，其内容是：对烟台市未来经济发展状况作一预测分析，数据取烟台市1949—1998年国内生产总值（GDP）年度数据，并以此为依据建立预测模型，对1999年和2000年国内生产总值作出预测并检验其预测效果。国内生产总值是指一个国家或地区所有常住单位在一定时期内生产活动最终成果，是反映国民经济活动最重要经济指标之一，科学地预测该指标，对制定经济发展目标以及与之相配套方针政策具有重要理论与实际意义。在组织实施时，我们首先将数据资料印发给学生，并讲清本案例教学目与要求，明确案例所涉及教学内容；然后给学生一段时间，由学生根据资料，运用不同方法进行预测分析，并确定具体讨论日期；在课堂讨论时让学生自由发言，阐述自己观点；最后，由主持教师作点评发言，取得了良好教学效果。 经济预测是研究客观经济过程未来一定时期发展变化趋势，其目在于通过对客观经济现象历史规律探讨和现状研究，求得对未来经济活动了解，以确定社会经济活动发展水平，为决策提供依据。 时间序列分析预测法，首先将预测目标历史数据按照时间先后顺序排列，然后分析它随时间变化趋势及自身统计规律，外推得到预测目标未来取值。它与回归分析预测法最大区别在于：该方法可以根据单个变量取值对其自身变动进行预测，无须添加任何辅助信息。 本案例最大特色在于：它汇集了统计学原理中时间序列分析这一章节所有知识点，通过本案例教学，可以把不同时间序列分析方法进行综合比较，便于学生更好地掌握本章内容。 二、案例目与要求 （一）教学目 1．通过本案例教学，使学生认识到时间序列分析方法在实际工作中应用必要性和可能性； 2．本案例将时间序列分析中水平指标、速度指标、长期趋势测定等内容有机结合在一起，以巩固学生所学课本知识，深化学生对课本知识理解； 3．本案例是对烟台市国内生产总值数据进行预测，通过对实证结果比较和分析，使学生认识到对同一问题解决，可以采取不同方法，根据约束条件，从中选择一种合适预测方法； 4．通过本案例教学，让学生掌握EXCEL软件在时间序列分析中应用，对统计、计量分析软件SPSS或Eviews等有一个初步了解； 5．通过本案例教学，有助于提高学生运用所学知识和方法分析解决问题能力、合作共事能力和沟通交流能力。 （二）教学要求 1．学生必须具备相应时间序列分析基本理论知识； 2．学生必须熟悉相应预测方法和具备一定数据处理能力； 3．学生以主角身份积极地参与到案例分析中来，主动地分析和解决案例中问题； 4．在提出解决问题方案之前，学生可以根据提供样本数据，自己选择不同统计分析方法，对这一案例进行预测，比较不同预测方法异同，提出若干可供选择方案； 5．学生必须提交完整分析报告。分析报告内容应包括：选题目及意义、使用数据特征及其说明、采用预测方法及其优劣、预测结果及其评价、有待于进一步改进思路或需要进一步研究问题。 三、数据搜集与处理 时间序列数据按照不同分类标准可以划分为不同类型，最常见有：年度数据、季度数据、月度

时间序列分析基于R——习题答案

第一章习题答案 略 第二章习题答案 （1）非平稳 （2） （3）典型的具有单调趋势的时间序列样本自相关图 （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 （1）自相关系数为： （2）平稳序列 （3）白噪声序列 ，序列不能视为纯随机序列。LB=，LB统计量对应的分位点为，P值为。显著性水平=0.05 （2）非平稳 （3）非纯随机 （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 ()0t E x =,2 1() 1.9610.7 t Var x ==-,2 20.70.49ρ==,220φ= 1715φ=,2115 φ= ()0t E x =,10.15 () 1.98(10.15)(10.80.15)(10.80.15) t Var x += =--+++ 10.8 0.7010.15 ρ= =+,210.80.150.41ρρ=-=,3210.80.150.22ρρρ=-= 1110.70φρ==,2220.15φφ==-,330φ= 10c -<<, 1121,1,2 k k k c c k ρρρρ--? = ?-??=+≥? 证明: 该序列的特征方程为：32--c 0c λλλ+=，解该特征方程得三个特征根： 11λ= ，2λ= 3λ= 无论c 取什么值，该方程都有一个特征根在单位圆上，所以该序列一定是非平稳序列。证毕。 (1)错 （2）错 （3）对 （4）错 （5） 该模型有两种可能的表达式：11 2 t t t x εε-=-和12t t t x εε-=-。 将123100.50.8t t t t t x x C εεε---=++-+等价表达为 ()23 23223310.82010.510.8(10.50.50.5)t t t B CB x B B CB B B B εε-+-=-=-+++++L 展开等号右边的多项式，整理为 2233 4423243 4 10.50.50.50.50.80.80.50.80.50.5B B B B B B B CB CB +++++--?-?-+++L L L