预测第讲(时间序列分析)1分析.ppt

图31 彩电出口量序列图 1. 绘制序列图 简单指数平滑模型输出的统计量 参数估计值 均方根误差 2. 简单指数平滑模型，具体操作见上一节 简单指数平滑模型输出的残差自相关函数和偏自相关函数图 图32 简单指数平滑法拟合效果图 2. Brown线性趋势模型 均方根误差,比简单指数平滑模型的小些 参数估计值 输出的统计量 残差自相关函数和偏自相关函数图,具有明显的季节性 逐个输出便可 Brown线性趋势模型拟合效果图 3. Winters可加性模型 具体操作 预测设定 均方根误差,比前面两个模型的更小 参数估计值 输出的统计量 残差自相关函数和偏自相关函数图, 季节性趋势已消除 Winters可加性模型拟合效果图,更佳 预测值 可进一步用其它平滑模型对其进行拟合。 Thank you * * * * 另外，还可以通过序列取对数以及对序列进行标准化、中心化、归一化处理等方法进行数据变换。它们可使偏态分布的序列变成对称的分布，可消除序列中的异方差性，可使变量间的非线性变换关系转换成为线性关系，在时间序列数量级很大的时候会起到显著改善计算精度的作用。 6.4.2 预处理的基本操作 序列缺失数据处理的基本操作 转换?替换缺失值; 把需处理的变量选择到新变量框中，在名称和方法框中，在名称后输入处理新生成的变量名，在方法中选择处理缺失值的替代方法，并单击更改按钮。 注意，若序列中第一个或最后一个数据为缺失值，只能用序列均值和线性趋势法处理。 时间序列分析（模拟序列数据）.sav 缺失值处理的操作过程 输出结果 变量集新增一列 2. 序列数据变换的基本操作 SPSS提供了专门进行时间序列数据变换的模块, 其中包含:差分和季节差分等平稳化方法, 移动平均和移动中位数等平滑方法, 以及生成新序列的变换方法。基本操作步骤如下： 转换?创建时间序列; 把需处理的变量选择到新变量框中，在名称和函数框中，在名称后输入处理新生成的变量名，在函数中选择转换处理方法，在顺序后输入相应的阶数，并单击更改按钮。 其中的方法除前面介绍的几种外，还包括： 累加求和：即对当前值和当前值之间的所有数据进行求和，生成原序列的累计值序列。 滞后：即对指定的阶数k，用从当前值向前数到第k个数值来代替当前值。这样形成的新序列将损失前k个数据。 提前：与数据滞后正好相反，即指定的阶数k，从当前值向后数以第k个数值来代替当前值。这样形成的新序列将损失后k个数据。 时间序列分析（模拟序列数据）.sav 用平滑法进行数据转换的操作 变量集新增一列 输出结果 6.5 简单回归法和趋势外推法 6.5.1 概述 6.5.2 应用举例 简单回归方法认为时间序列yt的变化大体上可由其他与其对应的时间序列xt来决定,并以此出发找出序列与其他序列间的大体上的数量关系。 趋势外推法认为事物的内在发展规律是与时间本身的推移相关联的，可以建立序列与时间t的函数关系来反映事物发展的规律，并用于对未来的预测。 6.5.1概述 两种方法都是基于回归分析原理的。所要研究的时间序列被当做回归模型的被解释变量，其他变量被称为回归模型的解释变量。 简单回归分析法中，解释变量与被解释变量都是有实际意义的时间序列。 趋势外推法中，模型中的解释变量往往是一些表示时间顺序的序列，可以没有实际意义。人们根据事物的发展规律归纳出了可概括各种发展规律的数学曲线形式，多项式是其中应用最为广泛的一种，其一般模型为 趋势外推法主要用于较长期的预测分析，由于模型的选择存在较强的主观性，模型选择上的差异会导致对同批数据的不同分析结论。 6.5.2 应用举例 书上P428(薛薇), 根据煤炭和成品油出口量月度数据，研究： 煤炭出口量在较长一段时间内的发展变化趋势； 煤炭出口量与成品油出口量之间的数量关系。 时间序列分析（煤炭及成品油出口）.sav 先绘制煤炭出口量的序列图 时间序列分析（煤炭及成品油出口）.sav 1. 趋势外推模型 图25 趋势外推模型-操作 趋势外推模型输出结果 图26 表3 时间序列分析（煤炭及成品油出口）.sav 2. 简单回归模型 图形?旧对话框? 散点/点状?简单分布 先绘制两者间的散点图 图27 简单回归模型-操作 简单回归模型输出结果 图28 表4 两者表现为一种正比例对应关系1:0.744 6.6 指数平滑法 6.6.1 指数平滑法的基本思想 6.6.2 指数平滑法的模型 6.6.3 指数平滑法的基本操作 6.6.4 指数平滑法的应用举例 6.6.1 指数平滑法的基本思想 研究时间序列的一个重要目的是预测。移动平均是利用已知值的某种平均值进行预测的方法。移动平均包括简单移动平均法和加权移动平均法，而权数的确定较为繁琐。 指数平滑法通过对权数的改进，使其在处理时简单易行，其基本思想也是用序列过去值的加权