时间序列和预测教案.ppt

第8章 时间序列分析和预测 8.1 时间序列及其分解 8.2 平稳序列的平滑和预测 8.3 有趋势序列的分析和预测 8.4 复合型序列的分解 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趋势或规律 季节性(seasonality) 也称季节变动(Seasonal fluctuation) 现象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) 从低至高再从高至低的周而复始的变动 随机性(random) 也称不规则波动(Irregular variations) 偶然性因素对时间序列产生影响 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) 平均增长率(例题分析 ) 增长率分析中应注意的问题 当时间序列中的观察值出现0或负数时，不宜计算增长率 例如：假定某企业连续五年的利润额分别为5、2、0、-3、2万元，对这一序列计算增长率，要么不符合数学公理，要么无法解释其实际意义。在这种情况下，适宜直接用绝对数进行分析 在有些情况下，不能单纯就增长率论增长率，要注意增长率与绝对水平的结合分析 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t+1期的预测值Ft+1为 有了t+1的实际值，便可计算出的预测误差为 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的其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) 指数平滑平均法 指数平滑法(exponential smoothing) 是加权平均的一种特殊形式 对过去的观察值加权平均进行预测的一种方法 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 有一次指数平滑、二次指数平滑、三次指数平滑等 一次指数平滑法也可用于对时间序列进行修匀，以消除随机波动，找出序列的变化趋势 一次指数平滑(single exponential smoothing) 只有一个平滑系数