市场调查与预测第十五章时间序列.pptVIP

第十四章 时间序列预测 时间序列分析含义 时间序列构成因素分解 时间序列分析的基本假设 趋势预测 季节变动预测 一、含义 1、时间序列： 时间序列是指同一变量的历史数据按照发生时间的先后顺序排列起来的一组观察值，如某超市每周的销售额数据。 它反应出经济现象的变动规律：过程、方向、趋势等 2、时间序列分析预测 时间序列预测假定销售额是时间的函数，根据该时间序列本身的变化模式（即所反映出该销售额的发展过程、方向、趋势），将其外推或延伸，以预测该销售额在未来可能达到的水平。它是连续性预测原理的直接应用。 二、时间序列构成因素 每个时间序列是由多种因素共同作用形成的，正是这些因素的共同作用，才使得时间序列表现出其外在的趋势等特征。 反之，也可以将一个时间序列分解成几个变动因素。 构成时间序列的因素按照性质分类可以分为以下四种： 长期趋势因素（T)、 季节变动因素、(S) 循环变动因素、(C) 随机和偶发的不规则变动因素:(I) 1、长期趋势变动（T)、 是指由于某种根本性原因的影响，预测变量在相当长的一段时期内，持续上升或持续下降的变动形态。 分为：直线型趋势变动：水平变动、增减变动 曲线型趋势变动 2、季节变动因素、(S) 是指由于自然条件、社会条件的影响，预测变量在一年内随季节的转变而引起的周期性波动 3、周期变动因素（循环变动）C 经济周期的变动以及由其所影响的预测变量的变动。（危机、萧条、复苏、高涨） 特点： 每次变动周期的长短不同，上下波动幅度也不一致。周期通常在一年以上。不同于季节变动。 循环变动是涨落起伏相间的变动，不同于朝单一方向发展的长期趋势。 4、不规则变动 I 剔除趋势变动、季节变动、循环变动之后的剩余变动。 是指由于意外的、偶然性因素引起的，突然的、不规则的、无周期的随机波动。 三、传统时间序列分析的基本假设 乘法型 Y=T*S*C*I 加法型 Y=T+S+C+I 混合型 Y=T*S+C*I 四、常用时间序列预测方法 1、长期趋势预测：直线、曲线 2、季节变动预测 3、循环变动预测 （一）长期趋势预测 常用的较简便方法有： 平均数法、 移动平均法、 指数平滑法、 直线趋势法、 1、算术平均数法 简单平均：以前n期的算术均值，作为第n+1期的预测值。 加权平均：根据各期数据的重要程度分别给予不同的权值之后平均，作为下一期的预测值。一般近期的权值重，远期的权值轻，以增强预测值的随动性。 2、移动平均法 移动平均法： 使用时间序列中最近几期时期数据的平均数作为下一个时期的预测值 移动平均法举例 实际值和预测值比较 一次移动平均法 在预测中适用于：水平型时间序列 能较好地修匀历史数据,消除随机波动的影响,揭示变动趋势 常用来进行预测，或在统计分析中用于修匀历史数据，揭示变动趋势。 移动平均法对时间序列的修匀 n的选取 n越大，修匀效果越明显，但随动性差，易滞后； n越小，适应新变化的能力越强，但对异常数据的敏感性也相应提高，容易造成错觉。 一般根据经验、具体情况和需要确定，也可进行试算，选择误差较小者。 n与w 教科书上209页下部内容解释。 实际中做法：n=3时：w:3、2、1 n=5时：w：5、4、3、2、1 月度数据：n取12 季度数据：n取4 年度数据：n取3、5、7 一次移动平均的局限 只能外推一期 适用于水平趋势，包含一定随机波动的短期预测。 对有显著上升或下降趋势的对象滞后较明显 对于有显著上升下降趋势的对象，可以二次移动平均，配合直线模型进行预测p210 二次移动平均法 将一次移动平均值再进行移动平均，利用一次移动平均值和二次移动平均值的滞后偏差演变规律建立模型进行预测的方法。 即以一次移动平均值作起点，以二次移动平均值与一次移动平均值的偏差估计趋势变化的斜率，配合直线方程，建立预测模型。 二次移动平均法举例 二次移动平均法局限 适用于： 线性变动趋势的时间序列预测 T=1时，可用于非线性变动趋势的预测,但有滞后 注意事项： 移动平均期数应取同一个值。 实际应用中多用二次指数平滑法 3、指数平滑法 移动平均法忽略了t-n以前的观测值。 指数平滑值：本期实际观察值和本期预测值的加权平均。 一次指数平滑预测，是把预测目标的本期实际观察值和本期预测值的加权平均直接作为下期预测值的预测方法。 α[0，1] 加权性质和特点 α[0，1] 实质上是预测对象的所有历史数据的加权平均数，其权数是一个等比数列，是一种指数形式的权数，指数平滑法的名称由此而来。 权数特点：给近期观察值以较大权重，远期观察值以递减权重。克服了移动平均法对远期数据不加权的缺陷。 初始值S0的设定 平滑系数、加权因子α的选择 [0，1] 凭经验定，α大时，敏感度高；α小时，反映长期趋势，可消除季节变动