预测第讲(时间序列分析)分析.pptVIP

* * * * ARIMA(0,1,2)模型的预测结果 6.8 季节分解模型 6.8.1 季节分解法概述 6.8.2 季节分解模型的基本操作 6.8.3 季节分解模型实例分析 时间序列是对某一统计指标,按照指定的时间间隔,搜集整理的一组统计数据.一个时间序列可能包含4种变动因素:长期趋势变动、季节性变动、循环性变动和不规则变动。但并不是所有的时间序列都会同时含有这4种变动因素。 6.8.1 季节分解法概述 所谓季节分解,就是通过某些手段把时间序列中的4种变动趋势分解出来,并分别对其加以分析,再将分析结果综合起来组成的一个对原始时间序列的总模型。 时间序列的4种成分 季节分解模型的种类 1. 时间序列的4种成分 长期趋势，记为T。表示序列取值随时间逐渐增加、减少或不变的长期发展趋势。例如：全球人口总数随着时间推移，正在逐步增长；人口死亡率出现长期向下的趋势。 季节趋势，记为S。表示由于受到季节因素或某些习俗的影响，而出现的有规则的变化规律。如每天的交通流量在上下班时间出现高峰期，其余时间较为稳定。 循环趋势，记为C。表示序列取值沿着趋势线有如钟摆般循环变动的规律。例如：总体经济指标的循环就是由各个产业的循环组合而成。 不规则趋势，记为R。表示把时间序列中的长期趋势、季节趋势和循环趋势都去除后余下的部分。不规则趋势是随机性的，它发生的原因有自然灾害、天气突变、人为的意外因素等。 2. 季节分解模型的种类 加法模型。假设时间序列的由4种成分相加而成的；各成分之间彼此独立，没有交互影响。如果以Y表示某个时间序列，它的加法模型变为：Y=T+C+S+R。 按照加法模型的假设，季节因素、周期因素和不规则因素都围绕着长期趋势而上下波动，它们可以表现为正值或负值，反映了各自对时间序列的影响方式和程度。 乘法模型。假设时间序列的由4种成分相乘而成的；各成分之间存在着相互依赖的关系。如果以Y表示某个时间序列，它的乘法模型变为：Y=T×C×S×R。 按照乘法模型的假设，季节因素、周期因素和不规则因素也围绕着长期趋势而上下波动，但这种波动表现为一个大于或小于1的系数，反映了它们在长期趋势和基础上对原始序列的相对影响方式和程度。 6.8.2 季节分解模型的基本操作 数据和问题描述 利用季节分解模型，对某城市5年内每个季度的游客数量进行分析，以了解其旅游市场的发展变化规律。 某市游客量时序数据.sav 查看和设定日期变量。依次单击数据?定义日期，打开定义日期变量的对话框，在左侧列表中单击年份、季度，右侧输入起始日期1986年第1季度。单击确定按钮。 1.数据和问题描述 当前时间变量信息 2. 参数设置 选择菜单分析?预测?季节性分解，弹出周期性分解窗口。 把分析变量(游客量)选择到变量框中,将其指定为时序变量； 在模型类型框中选择模型形式(加法)； 在移动平均权重框中选择移动平均权数的确定方法(结束点按0.5加权)。 某市游客量时序数据.sav 表示输出对每个观测量的季节分解结果 变量列表 分析变量 如果序列中有几种周期性,则SPSS默认的周期是跨度最大的周期。例如一个数据中存在月度周期12和季度周期4，那么时间序列默认的周期就是12。若想进行季度性周期的分析，需重新进行日期变量的定义，将最高水平的周期定义为季度。 保存按钮设置保存四种趋势参数的方式，SAF表示序列的季节成分；SAS表示去除季节成分后的序列；STC表示序列的趋势和循环成分； ERR表示序列的不规则成分(随机部分)。 6.8.3 季节分解模型的应用举例 利用季节分解模型，对某城市5年内每个季度的游客数量进行分析，以了解其旅游市场的发展变化规律。 利用季节分解模型给出分解结果； 绘制原始序列、趋势循环序列和季节调整序列的趋势线； 3. 预测1991年第2季度的游客量。 某市游客量时序数据.sav 模型基本统计信息 时期 原始序列 移动平均数序列 差分 SAF SAS STC ERR 原始序列=移动平均数序列+差分 原始序列=SAF +SAS 原始序列=SAF +STC+ ERR (加法) 季节分解结果 原始数据集中增加的变量 绘制序列趋势线的操作 三条序列的图形 原始序列(游客量) SAS(去除季节成分) STC(序列的趋势和循环成分,即去除季节成分和随机部分) 预测 基本思路: 针对STC(序列的趋势和循环成分)，运用前面章节的方法去预测，1991年第2季度的STC预测值。 最后，1991年第2季度的STC预测值=它的STC预测值+第2季度的SAF季节成分值(19.67969) Thank you * * * * * * * * * * * * * 预测理论与方法 授课教师：杨小宝 副教授 北京交通大学 2