(时间系列分析.pptVIP

时间系列分析 Time Series 概述 时序数据与一般统计数据的异 这是一些有严格先后顺序的数据，前后往往存在相承的关系，而非独立的。 方法 从因果关系出发的回归分析 传统的时间序列分析方法 随机过程理论分析方法 频域分析方法 时间序列的分类 时间序列的分类 平稳序列(stationary series) 基本上不存在趋势的序列，各观察值基本上在某个固定的水平上波动 或虽有波动，但并不存在某种规律，而其波动可以看成是随机的 非平稳序列 (non-stationary series) 有趋势的序列 线性的，非线性的 有趋势、季节性和周期性的复合型序列 时间序列的成分 时间序列的成分 趋势(trend) 持续向上或持续下降的状态或规律 季节性(seasonality) 也称季节变动(seasonal fluctuation) 时间序列在一年内重复出现的周期性波动 周期性(cyclity) 也称循环波动(cyclical fluctuation) 围绕长期趋势的一种波浪形或振荡式变动 随机性(random) 也称不规则波动(irregular variations) 除去趋势、周期性和季节性之后的偶然性波动 含有不同成分的时间序列 时间序列的分解模型 乘法模型 Yi=Ti×Si×Ci×Ii 加法模型 Yi=Ti+Si+Ci+Ii 分析的一般步骤 数据的准备阶段（收集数据） 数据的观察及检验阶段（图形和统计检验） 数据的预处理阶段 数据分析和建模阶段 模型的评价阶段 模型的实施应用阶段 时序分析方法 两类 一类是时域分析 认为时间序列是过去值和一些相关变量的函数，当前的表现由过去的状态和其他因素决定，通过过去和当前可以预测未来。 一类是频域分析 认为时间序列是由若干具有不同周期的正弦波成分叠加而成，通过数学工具对周期成分识别和分解，可以掌握他的规律。 时域分析方法简介 简单回归分析方法 通过研究变量间的关系，用一个或几个变量的变化来解释所关注变量的变化规律，适合序列间的结构分析和长期预测。 趋势外推法 对序列中的长期趋势进行曲线拟合，用于精度不高的中长期趋势预测。 自回归适用于简单回归分析中 存在一阶自相关情况的序列 自回归移动平均模型，通过从数据自身中提取各种因素来解释序列的变化规律。用于对随机性波动频繁的短期预测，适用于平稳序列，对于不平稳的可以差分和季节差分。 谱分析适用于高频波动数据。 模型的评价 预测精度 包括误差平方和SSE,平均绝对百分误差，拟合优度和预测值的方差。 横向检验 比如F统计量，各个系数t统计量、AIC\SBC 经济意义检验 目 录 分析内容 指数平滑 自回归 综合移动平均 季节分解法 在做分析前，须对数据进行预处理，步骤： 1对缺失值数据进行修补 2定义相应的时间序列 3对时序数据平稳性计算 各种时间序列分析过程 修补缺失值过程与对话框 创建时间序列对话框 时间序列分析是建立在序列的平稳下的 判断序列是否平稳可以看它的均数和方差是否不再随时间的变化而变化，自相关系数是否只与时间间隔有关而与所处的时间无关。 通常，大多数时间序列不平稳，经常进行差分和对数转换或平方根转换进行平稳化处理 创建时间序列对话框 function Difference非季节性差分 Seasonal difference跨距恒定间隔的季节性差分 Centered moving average中心移动平均 Prior moving average 时间序列当前值之前的跨距平均值 Running medians包括当前值跨距的中位数 Cumulative sum包括当前值累积总和 Lag滞后 Lead领先 Smoothing混合数据平滑基础上，计算新时序值 简单回归和趋势外推 一、趋势外推法概念和假定条件 趋势外推法概念： 当预测对象依时间变化呈现某种上升或下降趋势，没有明显的季节波动，且能找到一个合适的函数曲线反映这种变化趋势时，就可以用趋势外推法进行预测。 趋势外推法的两个假定： （1）假设事物发展过程没有跳跃式变化； （2）假定事物的发展因素也决定事物未来的发展， 其条件是不变或变化不大。 二 、趋势模型的种类 多项式曲线外推模型： 一次（线性）预测模型： 二次（二次抛物线）预测模型： 三次（三次抛物线）预测模型： 一般形式： 指数曲线预测模型： 一般形式 ： 修正的指数曲线预测模型