第7章时间序列预测要点.pptxVIP

经济统计与分析软件应用基础 第7章 时间序列预测 第7章 时间序列预测 目 录 7.1 概述 7.2 移动平均预测 7.3 加权移动平均预测（略） 7.4 指数平滑预测 本章学习要点 时间序列的概念和组成 时间序列的预测步骤 衡量预测准确性的指标（MSE） 移动平均模型和指数平滑模型 几个重要的函数和EXCEL工具（方法） — OFFSET、SUMXMY2、INDEX、MATCH — “规划求解”工具、“数据分析”工具、模拟运算表 — 数组公式、查表法、可调图形的制作 7.1 概述 7.1.1 时间序列的基本概念 7.1.2 时间序列的一般预测步骤 7.1.3 均方误差(MSE) 7.1.1 时间序列的基本概念 时间序列就是一个变量在一定时间段内不同时间点上观测值的集合。 这些观测值是按时间顺序排列的，时间点之间的间隔是相等的。 常见的时间序列有： （1）按年、季度、月、周、日统计的商品销量、销售额或库存量， （2）按年统计的一个省市或国家的国民生产总值、人口出生率等。 时间序列的获取 通过对企业数据库中的日常经营数据进行分类汇总分析而获得。 时间序列预测方法 定量分析方法 移动平均法 指数平滑法 趋势预测法 季节指数法 7.1.1 时间序列的基本概念 时间序列的成分： 趋势成分：显示一个时间序列在较长时期 的变化趋势 季节成分：反映时间序列在一年中有规律 的变化 循环成分：反映时间序列在超过一年的时 间内有规律的变化 不规则成分：不能归因于上述三种成分的 时间序列的变化 7.1.1 时间序列的基本概念 时间序列的成分： 7.1.1 时间序列的基本概念 第一步：确定时间序列的类型，即分析时间序列的组成成分。 第二步：选择合适的方法建立预测模型 如果时间序列没有趋势和季节成分，选择移动平均或指数平滑法 如果时间序列含有趋势成分，选择趋势预测法 如果时间序列含有季节成分，选择季节指数法 7.1.2 时间序列的预测步骤 第三步：评价模型准确性(MSE)，确定最优模型参数 7.1.2 时间序列的预测步骤 预测误差 预测误差 = | 观测值 – 预测值 | 即：观测值与预测值之间的差值。 7.1.2 时间序列的预测步骤 均方误差（MSE） 即：反映预测模型的总体预测误差，等于每一时刻预测误差的平方的均值。 MSE = 预测误差的平方和 / 预测次数 MSE = Average ( ( 观测值 - 预测值 ) 2 ) 第四步：按相关要求进行预测 求出最优模型参数后，就在此基础上计算出未来时期的预测值。 7.1.2 时间序列的预测步骤 均方误差值越小，模型越准确。预测最重要的一步就是找出使MSE极小的模型参数。 7.2 移动平均预测 7.2.1 模型描述 7.2.2 应用举例 7.2.3 最优移动平均跨度的确定 7.2 移动平均预测 移动平均预测法是将时间序列中最近几个时期的观测值加以平均，使得每一个观测值所包含的随机因素在一定程度上相互抵消，从而得到时间序列观测值的稳定水平。可以把这个平均数作为下一个时期的预测值。 移动平均预测可以通过公式计算求解和使用数据分析工具。 在移动平均预测法中，移动平均跨度参数的选择应该使均方误差尽可能的小。 【例7-1】某汽油批发商在过去12周内汽油的销售数量如下： 试在Excel工作表中使用“数据分析”工具建立一个移动平均跨度为3的移动平均模型，用以估计各周的汽油销售量及其标准误差。 7.2.2 移动平均模型应用举例 7.2.2 移动平均模型应用举例 使用“数据分析”工具生成的结果: 周 销量观测值 移动平均预测值 标准误差 1 17 　 　 2 21 #N/A #N/A 3 19 #N/A #N/A 4 23 19 #N/A 5 18 21 #N/A 6 20 20 1.632993162 7 22 201.644294287 8 18 20 1.644294287 9 22 20 1.644294287 10 20 201.805341868 11 17 20 1.387777333 12 22 191.721325932 7.2.2 移动平均模型应用举例 使用“数据分析”工具自动生成并经修改后的图形（X-Y散点图）: 语法： OFFSET( ref , rows , cols , height , width ) 功