时间序列分析与预测心得报告..docVIP

時間序列分析與預測心得報告 所謂時間序列分析(Time Series Analysis)，乃探討一串按時序列間的關係，並籍由此關係前瞻至未來。時間序列分析模式是計量經濟模式的一般化，可分為狹義及廣義。狹義的時間序列分析是Box and Jankins在1961年所提出的ARIMA模式和後人延伸的ARIMA相關系統；廣義的時間序列除了ARIMA及其相關體系外，還包括趨勢預測、時間序列分解、譜系分析及狀況空間分析等模式。其中，ARIMA轉移函數為高度一般化的模式，其特例簡化為自我迴歸模式及多項式遞延落差模式；而向量ARIMA模式更可簡化為聯立方程式模式。ARIMA、ARIMA轉移函數及向量ARIMA構成了ARIMA系統。 事實上，除了ARIMA模式外，尚有其他可用以預測外生變數之統計模式，但每種模式皆適用於不同的研究特性，如表4.1-1所示。表中，依模式誤差、變數性質、資料特性，可產生六種不同情況的組合，每一組合的預測，均有適當的統計模式可用。 預測模式之適用場合 資料特性 模式特性 變數特性 連續性 季節性 非隨機性 外生變數 趨勢預測 時間序列分解 隨機性 外生變數 ARIMA SARIMA 內生變數 ARIMAT SARIMAT 模式依特性可分為非隨機模式和隨機模式。非隨機模式(Non-stochastic Model)的誤差項背後無隨機過程的假定，亦即時間序列不是由隨機過程產生。典型的非隨機模式為趨勢預測模式。這種模式非常單純，僅用一個數學函數，配適在所觀察到的時間序列上，再用函數的特性，產生未來的預測。趨勢預測模式有誤差項，假定遵循NID(0, ?2)。 非隨機模式的特例為確定性模式(Deterministic Model)，模式中無誤差項，純為數學結構，不是統計推理的應用，沒有假說檢定，也沒有常態分配的觀念存在。典型的確定性模式，就是時間序列分解模式。這種模式用數學的方式，將時間序列分解成長期趨勢、循環變動、季節變動、不規則變動。預測時，捨棄不規則變動，將其他三個因子分別預測至未來，再組合起來即得。 另一類模式是隨機模式(Stochastic Model)，假定所觀察到的時間序列是一個隨機樣本，共有T個觀察值，抽取自我一個隨機過程（Stochastic Process）。隨機模式中，時間序列是樣本，而隨機過程是母體。ARIMA體系內的所有模式，包括ARIMA、ARIMAT、SARIMA、SARIMAT，均屬隨機模式。 變數依特性可分為外生變數與內生變數。外生變數（Exogenous Variable）不受其他變數影響，內生變數（Endogenous Variable）是會受其他變數的影響。奱數之外生性或內生性，不是與生具來的本質，而要視在研究架構中所扮演的角色。例如，行銷研究中，單位需求受國民所得的影響，國民所得為外生變數；而在經濟研究中，國民所得受消費、投資、政府支出的影響，故國民所得為內生變數。同樣是國民所得，在兩個研究領域中所扮演的角色，郤截然不同。不過，這兩個研究郤彼此相關，行銷研究預測市場需求時，要先預測經濟環境，而經濟環境的預測，是由經濟研究完成的。 資料依特性可分為連續性資料（Consecutive Data）與季節性資料（Seasonal Data），連續性資料不會定期循環，季節性資料則會定期循環。年資料因不會產生定期循環，大多為連續性資料。而季資料、月資料，是否為季節性資料，就要視是否會產生定期循環而異了。例如，可樂銷售量月資料，會產生夏天高、冬天低的定期循環，屬季節性資料；而利率月資料，不會有定期循環的情況產生，屬連續性資料。 ARIMA有狹義與廣義之分。狹義指ARIMA模式。而廣義則指ARIMA體系，包括四個模式，分別為ARIMA模式、ARIMAT模式、SARIMA模式、SARIMAT模式。僅提ARIMA，未特別指明是哪一個模式的話，基本上，視為廣義的ARIMA，泛指四個模式中的一個。 茲以每人牛奶用量預測為例，說明ARIMA體系的應用。長期預測適合以年資料為基礎，如以過30年資料預測未來5年，解釋變數為國民所得，早期所得低時，消費者喝不起牛奶，量會較少。短期預測適合以月資料為基礎，如以過去36個月資料預測未來3個月，解釋變數則為月均溫，天氣熱時，每人用量會較多。 ARIMA與AIRMAT適用於以年資料產生長期預測。ARIMA模式適用於外生變數、連續性資料之預測，可用以預測國民所得。ARIMAT為ARIMA轉移函數（Transfer Function），適用於內生變數、連續性資料之預測，可用以估計每人用量與國民所得之轉移函數，並將國民所得預測代入轉移函數，產生每人用量預測。 SARIMA與SAIRMAT適用於以月資料產生短期預測。SA