时间序列预测和回归分析模型.ppt

指同一变量按发生时间的先后排列起来的一组观察值或记录值。 例如：1990-2008年我国国内工业生产总值； 某类型的汽车2000-2009年的年销售量； 某省1985-2008年工业燃料消费量； 某证券交易所2009年全年每个交易日的收盘指数。 根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型，分析其随时间的变化趋势，对预测目标进行外推的定量预测方法。 时间序列预测方法常用在国民经济宏观控制，企业经营管理，市场潜量预测，气象预报等方面。 主要介绍：移动平均、指数平滑。 根据时间序列资料逐项推移，依次计算包含一定项数的序时平均值，以反映长期变化趋势。 适用于短期预测。 移动平均法能有效地消除预测中的随机波动。 不足： （1）不能很好地反映出未来趋势； （2）需要大量的过去数据的记录。 选定一个长度为n的时期，计算n个观测值的均值来预测未来的值，即将最近的k期数据加以平均，作为下一期的预测值。 移动平均的计算公式： 移动平均法实验过程： （1）工具—数据分析—移动平均； （2）得到不同n值对应的Mt和Y。 例1：某公司专营某品牌洗涤剂，过去一个月内该洗涤剂的日销售量数据如下，根据上个月的销售情况来预测本月的销售量。 用过去数据的加权平均数作为预测值，即第t+1期的预测值等于第t期的实际观察值与第t期预测值的加权平均值。（指数平滑法是加权平均的一种特殊的形式，观察值时间越远，其权数也跟着呈现指数的下降，因而称为指数平滑） 优点： （1）只需一个最近时期观测值的权数，其他时期数据的权数可自动推算；适用于短期预测。 （2）需要数据量较少，只需前一期的实际观测值及前一期的预测值。 由于在开始计算时，还没有第1个时期的预测值F1,通常可以设F1等于1期的实际观察值，即F1=Y1 。因此第2期的预测值为： F2= a Y1+(1- a)F1= a Y1+(1- a)Y1=y1 3期的预测值为： F3= a Y2+(1- a)F2= a Y2+(1- a)Y1 以后各期以此类推 指数平滑的计算公式： 指数平滑实验过程： （1）工具—数据分析—指数平滑； （2）得到不同a值对应的St（1）和平方误差。 相关与回归分析 一、 相关与回归分析的基本概念 二、简单线性相关与回归分析 三、多元线性相关与回归分析 四、非线性相关与回归分析 相关与回归分析的基本概念 函数关系与相关关系 （函数关系） （1）是一一对应的确定关系 （2）设有两个变量 x 和 y ，变量 y 随变量 x 一起变化，并完全依赖于 x ，当变量 x 取某个数值时， y 依确定的关系取相应的值，则称 y 是 x 的函数，记为 y = f (x)，其中 x 称为自变量，y 称为因变量 （3）各观测点落在一条线上 变量间的关系（函数关系） 2. 相关关系： 当一个或几个相互联系的变量取一定数值时，与之相对应的另一变量的值虽然不确定，但它仍按某种规律在一定的范围内变化。 　　　现象之间客观存在的不严格、不确定的数量依存关系。 变量间的关系（相关关系） （1）变量间关系不能用函数关系精确表达； （2）一个变量的取值不能由另一个变量唯一确定； （3）当变量 x 取某个值时，变量 y 的取值可能有几个； （4）各观测点分布在直线周围。 （相关关系） 相关关系的种类 1.按相关关系的程度划分可分为完全相关，不完全相关和不相关。 2.按相关形式划分可以分为线性相关和非线性相关。 （1）正相关：两个相关现象间，当一个变量的数值增加（或减少）时，另一个变量的数值也随之增加（或减少），即同方向变化。 例如收入与消费的关系。 （2）负相关：当一个变量的数值增加（或减少）时，而另一个变量的数值相反地呈减少（或增加）趋势变化，即反方向变化。 例如物价与消费的关系。 相关分析与回归分析 （一）概念： （二）相关分析与回归分析的区别 1.在相关分析中，不必确定自变量和因变量；而在回归分析中，必须事先确定哪个为自变量，哪个为因变量，而且只能从自变量去推测因变量，而不能从因变量去推断自变量。 2.相关分析不能指出变量间相互关系的具体形式；而回归分析能确切的指出变量之间相互关系的具体形式，它可根据回归模型从已知量估计和预测未知量。 3.相关分析所涉及的变量一般都是随机变量，而回归分析中因变量是随机的，自变量则作为研究时给定的非随机变量。 （三）相关分析与回归分析的联系 相关分析和回归分析有着密切的联系，它们不仅具有共同的研究对象，而且在具体应用时，常常必须互相补充。相关分析需要依靠回归分析来表明现象数量相关的具体形式，而回归分析则需要依靠相关分