预测与决策教程 教学课件 作者 李华 Chap4-确定型时间序列分析方法.pptVIP

包含了季节性和随机性的数据图（ ）： 4.5 时间序列分解法 如能将 中的随机性部分去掉，就可得到季节性指数。 其中上面的横线表示季节平均。 4.5 时间序列分解法 注意到随机性是偶然的、没有一定模式、围绕中间值0上下波动，因此通过平均就能去掉随机性影响。 将“ 比率”中各年同一季度的数据放在同一列之中，求相同各季度的平均值， 402.74 400 得季节指数112.72，109.88，76.28，103.86。含义：例如第二季度的109.13就表示第二季度比全年平均数高出9.13％。 4.5 时间序列分解法 3、长期趋势和循环变动 表示一组循环变动—长期趋势数值。多数情况下已能满足要求。 利用趋势外推法求出长期趋势T, 即为循环变动因子。 4.5 时间序列分解法 若需把循环变动和长期趋势分离开来，确定一种能最好的描述数据长期趋势的类型。 利用MA(4)得到的包含了长期趋势和循环变动两部分( )的数据图： 时间序列分解法 确定长期趋势 4.5 时间序列分解法 4.5 时间序列分解法 由 可求得循环因子。 循环因子的值大于100 的表明该季度经济活动水平高于所有季度的平均值，而小于100则相反。 4.5 时间序列分解法 循环因子比较复杂，且其变动周期较长，因而在短期预测中可以忽略不计，或将其归入到趋势变化之中（称为趋势—循环因子）。人们更关心的是趋势和季节的识别。 至此我们完成了对原始数据 的分解工作，其步骤总结如下： 4.5 时间序列分解法 1）用 分析长期趋势和循环变动； 2）用 分析季节性和随机性； 3) 用 分析季节性； 4) 用趋势外推法中介绍的方法来分析长期趋势； 5）用 分析循环变动。 4.5 时间序列分解法 4、预测 用分解法确定了季节指数、趋势值和循环指数之后，就可进行预测。对2003年第一季度（第49季度）进行预测。数据的基本关系式为 由于随机性无法直接进行预测，进行预测的关系式为： 于是，计算出第49季度的 , , 值即可求得第49季度的预测值。 4.5 时间序列分解法 第一季度的季节指数为111.95，即 由趋势方程求得 循环指数通常要根据判断估算出来，或者用某种方法预测得到。这里我们假定通过判断为： ，于是 4.5 时间序列分解法 案例讨论 采用时间序列分解法来对深圳港集装箱吞吐量的未来进行预测。 四种时间序列变化的因素： 长期趋势因素（T） 季节变动因素（S） 周期变动因素（C） 不规则变动因素（I） 案例讨论 年份 季度 时间（t） 原始资料（Yt） 1995 1 1 52265 　 2 2 63703 　 3 3 76377 　 4 4 86961 1996 1 5 83001 　 2 6 129335 　 3 7 185231 　 4 8 191591 1997 1 9 207333 　 2 10 264061 　 3 11 335366 　 4 12 341638 1998 1 13 356364 　 2 14 426420 　 3 15 587281 　 4 16 581711 1999 1 17 567385 　 2 18 723258 　 3 19 757803 　 4 20 837568 2000 1 21 814454 　 2 22 950444 　 3 23 1145003 　 4 24 1080329 2001 1 25 1030677 　 2 26 1129123 　 3 27 1486852 　 4 28 1429182 ①一次移动平均 ②居中移动平均数 原始资料（Yt） 一次移动平均 居中移动平均数MA=T*C 52265 　 　 63703 69826.5 　 76377 77510.5 73668.5 86961 93918.5 85714.5 83001 121132 107525.25 129335 147289.5 134210.75 185231 178372.5 162831 191591 212054 195213.25 207333 249587.75 230820.875 264061 287099.5 268343.625 335366 324357.25 305728.375 341638 364947 344652.125 356364 427925.75 396436.375 426420 487944 457934.875 587281 540699.25 514321.625 581711 614908.75