第四章动态数列(第四五节长期趋势季节变动的测定与预测解析.pptVIP

统计学原理 例 某厂羊毛衫销售量季节比率计算表 单位：万件 假设已知2004年第二季度的羊毛衫销售量为120万件，预测2004年第四季度羊毛衫的销售量。 255 378 399 18 22 26 63 75 99 216 245 288 2001年 2002年 2003年 第四 季度 第三 季度 第二 季度 第一 季度 季度 年份 提示：计算季节比率 2084 1032 66 237 749 合计 552 720 812 255 378 399 18 22 26 63 75 99 216 245 288 2001年 2002年 2003年 合计 第四 季度 第三 季度 第二 季度 第一 季度 季度 年份 399.99 198.08 12.67 45.49 143.76 173.67 344 22 79 249.67 S.I.（%） 季平均数 749/3=249.67 季节比率S.I.= 249.67/173.67*100%=143.76% 全期总平均数：2084/（3*4）=173.67， 共12个季度 第四季度销售量=（第二季度的估计量/第二季度比率）*第四季度比率 练习：P183-13（1） 季节比率S.I.=同期平均数/全期总平均数 统计学原理 移动平均趋势剔除法（选） 除法剔除趋势值求季节比率 减法剔除趋势值求季节比率 移动平均求出长期趋势，然后以除法或者减法从原时间数列中消除长期趋势，然后再求季节变动。 统计学原理 第四、五节 传统时间数列分析 时间数列的分解和模型 长期趋势的测定与预测 ——移动平均法 ——数学模型法（直线、抛 物线、指数） 季节变动的测定与预测 ——按月（季）平均法 ——移动平均趋势剔除法 统计学原理 统计学原理 统计学原理 某企业从1990年1月到2002年12月的销售数据（单位：百万元） 统计学原理 时间数列的分解和模型 时间数列(Y）的分解 一般来说，经济指标时间数列由四种影响因素共同作用所形成 长期趋势T（Trend） 季节变动S（Seasonal） 循环变动C（Cycle） 不规则变动I（Irregular) 可预测的 ——不可预测的 时间数列的模型 加法模型：四种影响因素独立作用 Y=T+S+C+I 四种因素均为绝对数形式。 乘法模型：四种影响因素相互作用 Y=T · S · C · I（一般使用的模型） 其中，T为绝对数形式，其他因素为相对数形式。 统计学原理 t t Y Y Y=T + S + C + I Y=T×S ×C ×I 统计学原理 ▼时间数列模型的意义 将时间数列实际值波动分解为四种因素，可以通过这些因素之间的关系，测定和预测长期的变化方向、季节波动、周期变动等。 时间数列模型为测定和预测提供了解决原理。如要测定长期趋势，就是要消除时间数列（Y）中的随机波动、循环变动和季节变动，剩余的就是长期趋势。 其他变动可以类似地求得。实际中只要寻找可以做到消除其他因素的方法即可。 Y=T · S · C · I Y=T+S+C+I 统计学原理 时间数列分解法 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 统计学原理 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： 统计学原理 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= a+ bt + 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 统计学原理 时间序列（时间数列）的基本特征 时间数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