补充时间序列分解预测教案分析.ppt

 时间序列分解预测 (Analysis of time series) 一、时间序列分解 二、常数模型预测 1、常数模型的平均值法 2、常数模型的移动法 3、常数模型的指数平滑 三、布朗线性指数平滑法 四、霍尔特（Holt)线性指数平滑法 五、布朗（Brown)非线性指数平滑法 六、自适应预测方法——绍夫自适应方法(W.M Chow) 内容 一、时间序列分解 1、时间序列分解模型 加法模型: 乘法模型: 2、时序模型的表现形式 模型的统计识别： 1）数据序列的经济意义+散点图； 2）自相关系数； 3）利用差分序列识别线性趋势； 4）利用比值序列识别比例趋势； 5）季节的识别。 二、常数模型预测 1、常数模型的平均值预测 公式： 预测： 局限性：只有一期的预测能力，而且需要记忆的数据太多、 耗费机时。 (利用前t期的数据作t+1期的预测值。） 平均值法的实质： 体现了平均数法的自适应实质： 即根据预测误差自行挑整预测值以适应数据的变化。 平均值法的统计性质： I不相关； 平均数给出了最优无偏预测： 适用场合： I不存在自相关，T为常数的情况（以散点图判断）。 练习： 已知时间序列前6期的数值分别为10.8, 9.9,10.2, 11.0, 11.3, 10.0。用平均值法求第2—6期的追溯预测，并计算均方误差和平均绝对百分误差。 2、常数模型的移动预测 基本思想：时间序列各项之间都有相关，距离越近，相关性越强。所以，预测中更重视近期数据。故有理由利用近期 L 项数据计算平均数，而将更早期数据弃之不用。 基本公式： 预测方程： 局限性：只有一期的预测能力。 L对预测值的影响： L大，I 消除好，平滑作用强，数据反映迟钝； L小，I 消除差，平滑作用弱，数据反映敏感。 理论上，自相关越强，L应越小，预测越接近实际； 自相关越弱，L应越大，抵消更多误差。 基本公式的递推形式： 适用性：适于常数模型，没有S、T； 数据项存在正自相关。 3、常数模型的指数平滑 基本思想：对近期数据给予不同的权数，越接近预测期给予的权数越大。 α反映对数据的重视程度： 实践中，若时序表现出较强的自相关， α选大一些； 若时序表现出较弱的自相关， α选小一些； 或者，多选几个α ，进行比较。一般为0. 5以下， 0. 2, 0. 3使用较多。 预测值的统计性质：预测值是渐近无偏估计。 α大，平滑能力弱，对数据越敏感； α小，平滑能力强，对数据越迟钝； 三、布朗线性指数平滑预测 1、基本原理 同二次移动平均法。因为当变动趋势存在时，一次指数平滑值和二次指数平滑值都滞后于实际值，如果将一次指数平滑值和二次指数平滑值之差加在一次平滑值上，则可对趋势进行修正。 2、计算公式 例 下表为某研究所开发的一种新型化工产品在2012年1—12月的销量资料，试预测2013年1—4月各月的销售量。 序号 月份 销售量Yt a b 1 1 17 17 17 — — 2 2 19 17.6 17.18 18.02 0.1800 3 3 20 18.32 17.52 19.12 0.3429 4 4 22 19.42 18.09 20.75 0.5700 5 5 25 21.10 18.99 23.21 0.9043 6 6 28