第四讲确定性解析.ppt

第四讲 非平稳序列的确定性分析 内容 结构 确定性因素分解 趋势分析 季节效应分析 综合分析 时间序列的因素分解 长期趋势波动 季节性变化 随机波动其他因素的综合影响。 确定性因素分解 长期趋势是指由于某种根本性原因的影响，在一段较长的时间内，使序列呈现逐渐增加或减少的变化。 季节性变化因素是指由于自然条件，社会条件的影响，客观现象在一年内随着季节的变化而产生的周期性变化，这种变化是年复一年重复出现 随机性因素分解 随机波动（不规则变动）因素是指一种无规则的变化。它是由影响时间序列短期的，不可预见的和不重复出现的因素引起的。 确定性时序分析的目的 克服其它因素的影响，单纯测度出某一个确定性因素对序列的影响 推断出各种确定性因素彼此之间的相互作用关系及它们对序列的综合影响 各因素之间关系的常用模型 若以 分别表示时间序列的长期趋势波动、季节性变动、不规则变动．则实际观测值与它们之间的关系常用模型有 加法模型 乘法模型 混合模型 加法模型与乘法模型不同点 加法模型是假设季节变动和循环变动与趋势变动无关．即季节变动并不随着时间的推移而增大或减小。而乘法模型是假设季节变动和循环变动与趋势变动有关，即季节变动随着时间的推移而增大或减小。 趋势分析 在实际应用中，常常是根据时间序列寻找其长期趋势及季节变动．然后建立适当的预测模型，再通过模型分析，对现象的未来作出预测。这一节将介绍如何依据时间序列确定其长期趋势、如何得到长期趋势棋型、如何依据模型对现象的未来作出中、长期预测以及如何评价预测的给果。关于带有明显季节性变动的时间序列的预例方法将在下一节介绍。 趋势分析目的 有些时间序列具有非常显著的趋势，我们分析的目的就是要找到序列中的这种趋势，并利用这种趋势对序列的发展作出合理的预测 常用方法 趋势拟合法 平滑法 趋势拟合法 趋势拟合法就是把时间作为自变量，相应的序列观察值作为因变量，建立序列值随时间变化的回归模型的方法 趋势拟合法常用的模型 线性趋势模型 可线性化的曲线趋势拟模型 不可线性化的曲线趋势拟模型 （一）线性趋势模型 使用场合 长期趋势呈现出线形特征 模型结构 式中 就是消除随机波动的影响之后该序列的长期趋势。 （二）可线性化的曲线趋势拟模型 可线性化的曲线趋势模型是指时间序列随着时间的推移呈现曲线变动趋势，但在估计这些趋势方程时，可以把它们转化成线性关系．利用估计线性趋势模型的方法估计其参数。最常用的可线性化的曲线趋势模型有 二次曲线模型 指数曲线模型 对数曲线模型 二次曲线模型 二次曲线趋势模型： 二次曲线趋势模型的线性形式： 其中： 指数曲线模型 指数曲线趋势模型： 指数曲线趋势模型的线性形式： 其中 对数曲线模型 对数曲线趋势模型： 对数曲线趋势模型的线性形式： 其中 (三)不可线性化的曲线趋势模型 常用的不可线性化的曲线趋势模型有： 修正指数模型 龚铂兹趋势模型 皮尔曲线模型 龚铂兹趋势模型与皮尔曲线模型 龚铂兹曲线与皮尔曲线的图形很相似，它们都属于生长曲线回归预测方法。一般来说，一个产品或一项枝术从投放市场会经历萌芽、畅销、饱和及衰退四个阶段。龚铂兹曲线与皮尔曲线 特别适用于刻画产品的生命周期，所以两模型特别适用于对处在成熟期的商品进行预测．以掌握产品的市场需求和销售的饱和量、在实际中很难通过趋势图来判断用以上两个模型中的哪一个。一般情况下，可以把两个模型都估计出来，然后选择预测误差最小的模型。 趋势模型判断的方法 以上列出了一些基本的长期趋势型．接下来的问题是我们在实际应用中如何根据实际观测值选择合适的趋势模型。特别当时间序列呈现出曲线趋势时．很难做出决断．因为曲线趋势模型的种类很多。下面就介绍两种判断模型类型的方法:图形识别法与差分法 (一)图形识别法 图形识别法是通过时间序列的散点图或趋势图来判断趋势。散点图或趋势图是以时间t为横轴，以时问序列中的实际观测值为纵轴的图形．根掴此图形观测其变化曲线与各类函数曲线模型的图形进行比较，以便选择较为合适的趋势模型。 这种方法非常简单、直观。但由干许多曲线模型的图形较相似．此时通过这种直观的图形识别法就不容易判断、当然，我们可以选几种曲线模型，然后通过计算每一仲的精度指标来确定。 (二)差分法 根据序列的差分结果来选择模型: （一）一阶差分相等，选择线性模型 （二）二阶差分为常数，选择二次曲线模型 （三）一阶差比率为常数,选择指数曲线模型 (四）一阶差分的一阶差比率为常数．选择修正指数曲线模型 （五）对数一阶差分的一阶比率为常数，选择龚铂兹曲线模型 趋势拟合步骤 第一步 确定趋