最终统计学时间序列和预测分析报告.ppt

时间序列分析和预测 时间序列分析和预测 13.1 时间序列定义及基本特征 13.2 确定性时间序列 13.3 随机性时间序列 13.4 平稳序列的预测 13.5 非平稳时间序列的预测 时间序列的基本特征 例：时间序列分析 先把时间序列描绘在坐标图上，坐标的横轴表示时间 t，坐标的纵轴表示所分析的经济变量 下图描述了某商店某年前10个月的销售额 某企业从1990年1月到2002年12月的销售数据（单位：百万元） 从这个点图可以看出。总的趋势是增长的，但增长并不是单调上升的；有涨有落。但这种升降不是杂乱无章的，和季节或月份的周期有关系。 除了增长的趋势和季节影响之外，还有些无规律的随机因素的作用。 时间序列分析 分析时间序列变化的影响因素 每一个经济变量的变化，在不同时期受不同因素影响，经济变量的时间序列综合地反映了各种因素的影响 影响时间序列变化的主要因素分类 长期趋势因素 季节变化因素 周期变化因素 不规则变化因素 时间序列的分解 经济变量的时间序列通常可以分解成四部分，即： 长期趋势，用 T （Trend）表示 季节波动，用 S （Seasonal）表示 循环波动，用 C （Cyclical）表示 不规则波动，用 I （Irregular） 表示 这四种因素对时间序列变化的影响有二中基本假设 乘积形式：Y=T×S ×C ×I 和的形式：Y=T + S + C + I 时间序列分解法 基于乘积模型的时间序列分解 Yt = T×S×C×I 第一步：消除时间序列中的季节因素和不规则因素 采用移动平均法 计算移动平均值的时期等于季节波动的周期长度 用移动平均法计算的结果是只包含长期趋势因素T和循环波动因素C的时间序列，即： Mt = T×C 第二步：计算只反映季节波动的季节指数（Seasonal indices） 用移动平均值去除原时间序列中对应时期的实际值，得到只包含季节波动和不规则波动的时间序列，即： S×I 通常是围绕1随机波动的值，某个时期的值大于1，则该时期的季节波动大于平均水平 季节指数是通过对时间序列 S×I 计算平均值得到的，即： 第三步：把长期趋势因素与循环因素分开 识别长期趋势变动的类型，建立相应的确定性时间序列模型 例如，时间序列的长期趋势可以用下列模型表示 Yt = b0 + b1t + ε t 用最小二乘法估计出模型中参数b0 和 b1，则长期趋势值可以用下式计算： 反映循环因素波动的循环指数可以用下式计算 时间序列的基本特征 时间序列变化的基本特征是指各种时间序列表现出的具有共性的变化规律，如趋势变化、周期性变化等 根据时间序列变化的基本特征，它们可以分为： 呈水平形变化的时间序列 呈趋势变化的时间序列 呈周期变化的时间序列 具有冲动点的时间序列 具有转折变化的时间序列 呈阶梯形变化的时间序列 呈水平型变化的时间序列 经济变量的发展变化比较平稳，没有明显的上升或下降趋势，也没有较大幅度的上下波动 如处于市场饱和状态的产品销售量，生产过程中出现的稳定的次品率。 呈趋势变化的时间序列 上升或下降的趋势变化，长期趋势变化 呈周期型变化的时间序列 具有冲动点（Impulse）变化的时间序列 具有阶梯型变化的时间序列 时间序列的转折性变化 时间序列建摸的两种基本假设 时间序列建模的两种基本假设 确定性时间序列模型假设：时间序列是由一个确定性过程产生的，这个确定性过程往往可以用时间 t 的函数f（t）来表示，时间序列中的每一个观测值是由这个确定性过程和随机因素决定的 随机性时间序列模型假设：经济变量的变化过程是一个随机过程，时间序列是由该随机过程产生的一个样本。因此，时间序列具有随机性质，可以表示成随机项的线性组合，即可以用分析随机过程的方法建立时间序列模型 确定性时间序列模型 确定性时间序列模型 一般形式 Yt = f（t） + ε t 常数模型 线性趋势模型 非线性趋势模型 二次趋势模型，描述抛物线型趋势变化 指数模型，描述指数增长趋势变化 逻辑增长曲线模型 龚珀兹增长曲线模型 季节性模型 常数模型 数学模型 Yt = b + ε t 描述具有水平型变化的时间序列，常数 b 代表观测值围绕波动的未知水平 ε t 是随机项，包括了对经济变量有影响的各种随机因素。假设： E（ ε t ）= 0 Var（ ε t ）= σε2 Cov（ ε t ε t -j）= 0 j ≠ 0 线性趋势模型 数学模型 Yt = b0 + b1t + ε t 具有线性趋势变化的时间序列，其观测值可以看成围绕某一趋势直线（上升或下降）随机波动 函数 f（t）= b0 + b1t 表示这个随时间变化的趋势直线 b0 表示在 t = 0 时时间序列的水平