ch10时间序列分析.ppt

时间数列概述 时间数列的水平分析 时间数列的速度分析 时间数列的变动分析 ▲长期趋势T (A图) ▲季节变动S (B图) ▲循环变动C (C图) ▲不规则变动I 1.时距扩大法 是测定时间序列长期趋势最原始、最简单的方法。 将原始时间序列中较小时距单位的若干个数加以合并，得到较大时距单位的数据，从而消除偶然因素的影响，反映出现象发展的长期趋势 （5）简单移动平均法测定线性趋势具有较好的效果。当现象呈非线性趋势时，简单移动平均法得到的趋势值很容易出现较大的误差。 （6） 移动平均预测是直接用移动平均值作为下一期预测值。适用于呈水平趋势的时间序列，若现象的发展变化具有明显的上升或下降趋势，则移动平均预测的结果就会产生偏高或偏低的滞后偏差，即预测值的变化滞后于实际趋势值的变化。移动平均的项数k越大，滞后偏差就越大。 四、循环变动分析——剩余法 思想： 先从序列中分别分解出长期趋势和季节变动，然后再消除不规则变动成分，剩余的变动则揭示出序列的循环变动特征 * * * * * * * * * * * * * * 移动平均法的特点 ⑴ 移动平均对时序具有平滑修匀作用，平均项数k 越大，对时序的平滑修匀作用越强。 ⑵若时序中包含周期变动，平均项数k必须与周期长度（或周期长度的倍数）一致，才能消除时序中的周期波动，揭示时序中的长期趋势。 ⑶ 平均项数k 为奇数，只需一次移动平均，其平均值所代表的时期即可与时序中的某一时期相对应；而平均项数k 为偶数时，尚需再进行一次中心化或移正平均，其平均值所代表的时期才能与时序中的某一时期相对应。 ⑷ 移动平均后，平均值时序较原时序项数要少，造成部分信息缺损， k 越大，缺项越多。 k 为奇数时，新时序首尾各少（k-1）/2项；k为偶数时，新时序首尾各少k/2项。 3.指数平滑法 　　原理 　　充分利用数据信息 　　近期数据对未来预测影响作用更大 　　根据指数平滑值与实际值的滞后偏差规律对模型中的参数进行估计 　　如果t期趋势估计值与t期实际值完全一致，二者之间没有误差，则可以t期趋势估计值直接作为t+1期的趋势估计值；如果二者之间有误差，则这种误差应理解为是由两部分所组成：一部分是现象从t-1期到t期的实质性变化，一部分是随机误差。 　　既要剔除随机误差即不规则变动，也要反映出现象的实质性变化。 基本思想 (t=1，2，…，n) Et:t 时期的指数平滑值 Et-1:t-1时期的指数平滑值 yt:t 时期的实际观测值 α:平滑系数，其值介于0与1之间 显然,指数平滑具有递推性质，各期指数平滑值均在上期平滑值的基础上递推而得。 t期的指数平滑值是在t-1期指数平滑值的基础上加上t期实际观测值与t-1期指数平滑值（作为t期趋势估计值）的误差的一部分组合而成。体现了指数平滑法求趋势估计值的基本思想 误差中属于现象实质性变化的部分由平滑系数α 所决定。α 的取值越大，即认为误差中现象实质性变化的比例越大，下期的趋势估计中，本期的误差就保留得越多；而α 的取值越小，则认为误差中随机因素引起的随机误差所占比例越大，下期的趋势估计中本期误差就剔除得越多。 …… E0称为初始值，序列项数较多时，初始值对平滑值的影响不大，故可设定为EO=y1 。 0≤α≤1，t 增大， t→∞ 无穷递减等比级数，其公比是（1-α） 　　指数平滑值Et实际上是各期观测值yt的加权平均数，其权数和为1。 t 期 的平滑值包含了t 期及t 期以前所有数据的信息，但又对不同时期的数据给予不同的权数，越是近期的数据给予权数越大,体现了对各期数据的不同重视程度。 由于是平均值，对序列具有平滑修匀作用，能消除不规则变动的影响. 年份 时期序号t 人均可支配收入 yt 指数平滑值Et (α=0.1) 指数平滑值Et (α=0.3) 指数平滑值Et (α=0.7) 1978 1 343.4 343.4 343.4 343.4 1980 2 477.6 356.8 383.7 437.3 1985 3 738.1 395.0 490.3 648.6 1989 4 1373.9 492.9 755.4 1156.3 1990 5 1510.2 594.7 981.8 1404.0 1991 6 1700.6 705.3 1197.5 1611.6 1992 7 2026.6 837.4 1446.2 1902.1 1993 8 2577.4 1011.4 1785.6 2374.8 1994 9 3496.2 1258.9 2298.8 3158.8 1995 10 4283.0 1562.2 2894.0 3