多元统计分析时间序列分析精品.pptVIP

时 间 序 列 分 析 概 述 时间序列可能是应用最普遍的数据表现形式和数据存储格式 按照时间顺序把随机事件变化发展的过程记录下来就构成时间序列（Time Series） 时间序列在形式上表现为变量Y的一连串值，这些值是在不同时间测得，并根据时间排序 时间序列的特点：顺序、相关 时间序列分析（Time Series Analysis）主要针对不同时间的数据，从中提取有意义和有用的信息，发现事物发展变化的规律 既可用于描述和解释因变量Y的变化，还可用于预测Y值 分析及处理原则：惯性、远小近大、分解、转化 时间可以理解为一个变量，完全均匀地、独立于其他所有事件地发生变化。 时间顺序将事件固定，不能改变顺序排列 按变量Y的时间关系可区分以下两种变量： 针对时间点的变量 针对时间段的变量 很多时间段事实上不是等间隔 根据依据时间序列个数，时间序列分析大致分为两种： 单个时间序列分析； 多个时间序列的相关分析； 单个时间序列分析，定量预测法，时间序列外推法 多个时间序列分析，因果预测法，以分析多个时间序列关系为基础，先确定描述时间序列变量间因果关系的模型，然后根据时间序列数据估计该模型，这种模型又称为结构模型或经济计量模型 时间序列的组合成分 通常认为时间序列有以下四种成分组合而成： （1）长期趋势：指时间序列随时间的变化而逐渐增加或减少的长期变化趋势 （2）季节变动：指时间序列在一年中或固定时间内，呈现出固定规则的变动 （3）循环变动：指沿着趋势线如钟摆般地循环变动，即周期性成分 （4）不规则变动：指在时间序列中由于随机因素影响所引起的变动 趋势项、周期项、季节项都可看做是确定性成分，其余看做随机成分 确定性过程可以用关于时间的函数描述 随机过程用一些统计量，如均值、方差、协方差等来描述随机过程的基本统计特性 应用举例 例子：人造黄油生产厂的经理对销售地区A的高销量感到惊讶和高兴。但如果要保持或再提高此高销量，经理必须调整该地区的供货。为了做出决策，需要分析和预测此销售地区的销量变化情况。为此，他收集了近十年的销量数据： 分析过程 时间序列的分析和预测过程一般分为五个步骤： （1）绘制时间序列图 （2）建模 （3）估计模型 （4）进行预测 （5）检验预测有效性 （1）绘制时间序列图 （2）建模 时间序列的趋势走向可能有各种各样的形式，同时也存在无数种模型或多或少可能与时间序列趋势走向相匹配 时间序列建模的一个基本原则是把时间序列分解为不同成分进行组合，有如下两类组合方式： 相加的时间序列分解 Y=A+K+S+u，预测变量、趋势项、波动项、季节项、随机项 相乘的时间序列分解 Y=A×K×S×u，预测变量、趋势项、波动项、季节项、随机项 趋势项A代表Y值的长期发展情况，可能为正或负，可能是线性的，也可能是非线性的 K和S是呈周期性变动的项，变动在几年时间内波动或一年时间内季节性周期性地重复，可定不是线性的 A、K、S被称为系统项，u称为随机项 在本例中，根据图形可简化为 Y=A+u A尽管时间序列的变化略呈非线性，但仍假设其呈线性趋势变化 Y=α+βt+u 其中，α，β是未知参数，β说明各时期Y的增长情况，是趋势参数； （3）估计模型 利用回归分析根据现有数据估计参数α和β 把值t=1,2，…的时间指标作为自变量，也可用年份数（如1991）替代指标值1,2，...，这对β无影响，但对常数项α有影响 决定系数R2=0.972 F统计量 F=276.8（F理论=5.32） 回归标准误差：s=66.0 Durbin/Watson统计量：d=1.551（d=2） （4）进行预测 利用估计函数，可直接进行预测 这称为点预测，相对地，区间预测给出预测值的一个范围，未来真值以一定的信任概率或置信度位于该区间内 点预测： 预测误差，预测总存在误差，计算预测误差的基础是回归估计的标准误差， 显而易见，预测未来时间越远，误差越大。通常，T+k时期的预测误差计算式为： 第11期的预测误差为： 预测值 与实际值y11之间的偏差平均为80盒 区间预测，用置信区间说明未知值y11一定概率落在某个区间 其中，t是置信度为1-α，自由度为T-2的t分布双边检验的分位数 当置信度为0.95，自由度T-2=8，查t值表，得2.306 则销量y11的区间预测为： （5）检验预测有效性 预测有效性及模型可靠性的检验，要求比较预测值 与支持区间外的预测区间[T+1,T+k]中的实际值。 由于预测时点的实际值未知，不能马上检验预测有效性，需等到事件发生 另一种方法是用现有后期预测法检验预测有效性 通常用于模型估计的支持区间小于观察时间区间，即估计模型时不使用最后几个