季节性时间序列预测方法选择.pdfVIP

第26卷第6期 齐 齐 哈 尔 大 学 学 报 Vo1．26，No．6 2010年 11月 JournalofQiqiharUniversity Nov．，2010 季节性时间序列预测方法选择 郑淦文 (厦门大学经济学院计划统计系，福建 厦门361005) 摘要：现实生活中大部分的经济数据不仅会随着时间的推移显示出一定的长期趋势，往往还会因为季节性因素而 呈现出周期变化，因此 ，对于这种既具有倾向性变动趋势又有季节性变动的时间序列的预测就成为了统计预测的 重要内容之一。因为预测方法选择的多样性，主要讨论温特线性与季节性指数平滑法，自适应过滤法和 ARIMA 模型拟合法这 3种重要且比较典型的预测方法，通过比较3种方法的优劣，有助于在实际预测中预测方法的正确 选择 。 关键词：倾向性和季节性；温特线性与季节性指数平滑法；自适应过滤法 ；ARIMA模型 中图分类号：0211．61 文献标识码 ：A 文章编号：1007—984X(2010106—0090—05 时间序列数据分为平稳时间序列和非平稳时间序列，在时间序列分析中较复杂的数据一般为具有趋势 性和周期性的非平稳时间序列。对于时间序列数据的信息提取以及短期预测，一般可以有两大类基本方法： (1)平滑法——基本思想是移动平均，其中具体包括移动平均法，指数平滑法，自适应过滤法。(2)拟合 法——又称为趋势外推法，即用最优的模型拟合现有的时间序列数据，对将来的数据进行预测，包括多项 式曲线模型，指数曲线模型，皮尔曲线模型，龚伯兹曲线模型，ARIMA模型等。 对于上面提到的同时具有趋势性和周期性的非平稳时间序列模型，对它的基本预测分析通常采用以下 3种较为常用的方法：温特线性与季节性指数平滑法，自适应过滤法，ARIMA模型拟合法。下面用实证来 比较一下这几种方法对于不同时间序列数据拟合的优劣”。。 1 实证分析 1．1 数据的简单处理 例 1：福建省某企业近年来发展迅速，年销售额逐年升高，其数据如表 l所示。 表 1 某企、l2004—2009年各季f蔓销售额数据 万元 年份 2004 2004 2004 2004 2005 2005 2005 2005 季度 l 2 3 4 1 2 3 4 销售额 362 385 432 341 382 4O9 498 387 年份 2006 2006 2006 2006 2007 2007 2007 2007 季度 l 2 3 4 1 2 3 4 销售额 473 513 582 474 544 582 681 557 年份 2008 2008 2008 2008 2009 2009 2009 2009 季度 1 2 3 4 l 2 3 4 销售额 628 707 773 592 627 725 854 661 数据的时序图如图l所示。由图1可以看出，该序列呈明显递增趋势，同时由于此企业销售的产品具 有季节性，所以销售额数据还具有明显的季节性波动的特点。分别采用3种方法对 2010年个季度的销售额 进行预测。 收藕 日期：2010-09—20 作者简介：郑淦文 (1989一)，男，黑龙江佳木斯人，厦门大学经济学院计划统计系本科生，研究方向统计学，jovialganwen@gmail．corn。 第6期 季节性时问序列预测方法选择 ·91· 8