12时间序列.ppt

横截面数据时间序列数据 人们对统计数据往往可以根据其特点从两个方面来切入，以简化分析过程。一个是研究所谓横截面(cross section)数据，也就是对大体上同时，或者和时间无关的不同对象的观测值组成的数据。 另一个称为时间序列(time series)，也就是由对象在不同时间的观测值形成的数据。 前面讨论的模型多是和横截面数据有关。这里将讨论时间序列的分析。我们将不讨论更加复杂的包含这两方面的数据。 时间序列和回归 时间序列分析也是一种回归。 回归分析的目的是建立因变量和自变量之间关系的模型；并且可以用自变量来对因变量进行预测。通常线性回归分析因变量的观测值假定是互相独立并且有同样分布。 而时间序列的最大特点是观测值并不独立。时间序列的一个目的是用变量过去的观测值来预测同一变量的未来值。也就是说，时间序列的因变量为变量未来的可能值，而用来预测的自变量中就包含该变量的一系列历史观测值。 当然时间序列的自变量也可能包含随着时间度量的独立变量。 例15.1 (数据：Tax.txt，Tax.sav) 例15.1 (数据：Tax.txt，Tax.sav) 时间序列的组成部分 从该例可以看出，该时间序列可以有三部分组成：趋势(trend)、季节(seasonal)成分和无法用趋势和季节模式解释的随机干扰(disturbance）。 例中数据的税收就就可以用这三个成分叠加而成的模型来描述