物流规划——第四章-第二节.pptVIP

第二节 经济社会发展预测模型 一 回归预测模型 二 时间序列模型 回归分析方法 二 时间序列模型 时间序列分析方法（简称时序分析）是在具有先后顺序的信号中提取有用信息的一门学科。时序分析起源于上世纪20年代，最早是为了市场预测。随着对时序分析的理论和应用这两方的深人研究。时序分析的应用范围日益扩大，从一般的市场预测到语音识别与模拟，从机械设备的监视到生物生理、心理状态研究，时间序列分析的应用也越来越广泛，越来越深入。 时间序列就是一个变量在一定时问段内不同时间点上观测值的集合，如Y：{Y1，Y2，…，}，这些观测值是按时间顺序排列的，时间点之间的间隔是相等的。时间序列获取以后可以对它进行预测分析，预测方法可以从定性分析法和定量分析法两方面考虑。 时间序列的组成 长期趋势变动 一个时间序列可能相对平稳或表现出一定 的趋势。 长期趋势一般是线性、二次或者指数函数. 季节性变动 当变化规律在一些时间内重复，序列就认为具有季节因素影响. 季节因素通常与日期和气候变化有关. 季节变动的时间通常以年为单位. 周期变动 上升或下降与季节变动无关. 通常是由经济条件的改变引起的. 随机因素 时间序列分析预测法定量方法： （1） 算术平均法 （2） 加权平均法 （3） 几何平均法 （4） 移动平均法 （5） 指数平滑法 （6） 季节指数法 ARMA模型 ARMA 模型是一类常用的随机时间序列模型，是一种精度较高的时间序列短期预测方法，其基本思想是：某些时间序列是依赖于时间 t 的一组随机变量，构成该时间序列的单个序列值虽然具有不确定性，但整个序列的变化却有一定的规律性，可以用相应的数学模型近似描述. ARMA模型的基本原理 将预测指标随时间推移而形成的数据序列看作是一个随机序列，这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。一方面，影响因素的影响，另一方面，又有自身变动规律，假定影响因素为x1，x2，…，xk，由回归分析， 　　其中Y是预测对象的观测值， e为误差。作为预测对象Yt受到自身变化的影响，其规律可由下式体现， 误差项在不同时期具有依存关系，由下式表示， 　　 由此，获得ARMA模型表达式： ARMA模型的三种基本类型： ARMA 模型（Auto-Regressive and Moving Average Model）是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平均模型（简称MA模型）为基础“混合”构成。 自回归（AR：Auto-regressive）模型 移动平均（MA：Moving Average）模型 自回归移动平均（ARMA：Auto-regressive Moving Average）模型 （二）时间序列模型的步骤 1、获得时间序列数据 要进行时间序列分析，首先要有时间序列数据，这里可以是有时间变量的数据，也可以是物理上的空问变里数据等具有一定前后相关性的数据。 2、判断时间序列是否平稳 平稳序列的特点： a.不同时刻，均值相同。围绕常数的长期均值 波动，即均值问复。 b.方差有界并且不随时间变化，是常数。在毎一时刻，对均值的偏离基本相同，波动程度大致相等。 c.预测的特点足收敛到均值。 判断数据是否平稳的方法： a.检验序列的平稳性。主要记单位根检验方法。 b.观察观测数据的折线图。如果折线图有趋势或经常不会到均值线上，说明序列不平稳。 c.观察样本自相关函数图形。如果样本自相关函数不呈指数衰减趋势，也说明序列不平稳。 如若序列平稳进行下一步，否则需要平稳化。平稳方法主要有差分法。但问时要注意不能过度差分，这样会导致模型不能满足可逆条件。判断过度差分的常见方法是差分后的方差是否会増大，如果增大则表示已过度差分。 纯随机性检验 纯随机序列也称为白噪声序列，对于一个纯随机过程来说，若其期望和方差均为常数，则称之为白噪声过程。 白噪声过程的样本实称成为白噪声序列，简称白噪声。之所以称为白噪声，是因为他和白光的特性类似，白光的光谱在各个频率上有相同的强度，白噪声的谱密度在各个频率上的值相同。 它满足如下两条性质： 4、模型识别 对于AR、MA、ARMA模型，在进行参数估计之前，需要进行模型的识别。识别的基本任务是找出ARMA（p,q）、AR（p）、MA（q）模型的阶。 方法： (1)残差方差图定阶法 (2)自相关函数(ACF)和偏相相关函数定阶法 (PACF) (3)F检验定价法 (4)信息准则定阶法 （A IC及B IC准则）