应用统计PPT .ppt

应用统计 第十一章 时间数列分析 学习目标 1. 时间序列及其分解原理 2. 平稳序列的平滑和预测方法 3. 有趋势序列的的分析和预测方法 4. 复合型序列的综合分析 时间序列(times series) 1. 同一现象在不同时间上的相继观察值排列而成的数列 2. 形式上由现象所属的时间和现象在不同时间上的观察值两部分组成 3. 排列的时间可以是年份、季度、月份或其他任何时间形式 时间序列的分类 时间序列的分类 平稳序列(stationary series) 基本上不存在趋势的序列，各观察值基本上在某个固定的水平上波动 或虽有波动，但并不存在某种规律，而其波动可以看成是随机的 非平稳序列 (non-stationary series) 有趋势的序列 线性的，非线性的 有趋势、季节性和周期性的复合型序列 时间序列的构成要素 趋势、季节、周期、随机性 趋势(trend) 呈现出某种持续向上或持续下降的状态或规律 季节性(seasonality) 也称季节变动(Seasonal fluctuation) 时间序列在一年内重复出现的周期性波动 周期性(cyclity) 也称循环波动(Cyclical fluctuation) 围绕长期趋势的一种波浪形或振荡式变动 随机性(random) 也称不规则波动(Irregular variations) 除去趋势、周期性和季节性之后的偶然性波动 趋势、季节、周期、随机性 趋势、季节、周期、随机性 时间序列的构成模型 时间序列的构成要素分为四种，即趋势(T)、季节性或季节变动(S)、周期性或循环波动(C)、随机性或不规则波动(I)非平稳序列 时间序列的分解模型 乘法模型 Yi=Ti×Si×Ci×Ii 加法模型 Yi=Ti+Si+Ci+Ii 图形描述 图形描述(例题分析) 图形描述(例题分析) 时间序列形态的识别 时间序列形态的识别 识别与判断方法：理论判断、经验判断、图形判断、自相关系数数列判断、差分法判断等。 1、自相关系数 自相关指时间数列前后各期数值之间的相关关系。对自相关强度的测定便是自相关系数。 时间序列形态的识别 时间延迟为1的自相关系数： 时间延迟为2的自相关系数： 时间序列形态的识别 时间延迟为k的自相关系数： 当n很大时 时间序列形态的识别 2.判别准则 （1）时间数列所有自相关系数r1，r2……，rk都近似于零时，该时间数列为随机性时间数列。 时间序列形态的识别 （2）r1较大，r2、 r3渐次减小，r4开始趋近于零，表明该时间数列为平稳型时间数列。 时间序列形态的识别 （3）r1最大，r2、 r3等逐渐递减，但不等于零，表明该时间数列为趋势型时间数列。 时间序列形态的识别 （4）r值有周期性变化，每隔几个便有一个高峰，表明该时间数列为季节型时间数列。 简单平均法 简单平均法  (simple average) 根据过去已有的t期观察值来预测下一期的数值 设时间序列已有的其观察值为 Y1 ， Y2 ， … ，Yt，则第t+1期的预测值Ft+1为 有了第t+1的实际值，便可计算出的预测误差为 第t+2期的预测值为 简单平均法(特点) 适合对较为平稳的时间序列进行预测，即当时间序列没有趋势时，用该方法比较好 如果时间序列有趋势或有季节变动时，该方法的预测不够准确 将远期的数值和近期的数值看作对未来同等重要，从预测角度看，近期的数值要比远期的数值对为来有更大的作用。因此简单平均法预测的结果不够准确 移动平均法 移动平均法(moving average) 对简单平均法的一种改进方法 通过对时间序列逐期递移求得一系列平均数作为趋势值或预测值 有简单移动平均法和加权移动平均法两种 简单移动平均法(simple moving average) 将最近k期数据加以平均作为下一期的预测值 设移动间隔为k (1kt)，则t期的移动平均值为 t+1期的简单移动平均预测值为 预测误差用均方误差(MSE) 来衡量 简单移动平均法(特点) 将每个观察值都给予相同的权数 只使用最近期的数据，在每次计算移动平均值时，移动的间隔都为k 主要适合对较为平稳的时间序列进行预测 应用时，关键是确定合理的移动间隔长 对于同一个时间序列，采用不同的移动步长预测的准确性是不同的 选择移动步长时，可通过试验的办法，选择一个使均方误差达到最小的移动步长。 简单移动平均法(例题分析) 【例】对居民消费价格指数数据，分别取移动间隔k=3和k=5，用Excel计算各期的居民消费价格指数的平滑值(预测值) ，计算出预测误差，并将原序列和预测后的序列绘制成图形进行比较 简单移动平均法(例题分析) 简单移