(各个模型的作用.docVIP

时间序列模型 1.时间序列模型是用于做预测的，其中包含多种预测模型： 加法模型 乘法模型 混合模型 2.移动平均法有简单移动平均法，加权移动平均法，趋势移动平均法（趋势移动平均法对于同时存在直线趋势与周期波动的序列，是一种既能反映趋势变） 化，又可以有效地分离出来周期变动的方法。 指数平滑法：一次指数平滑法、二次指数平滑法和三次指数平滑法等 （在第7页） 一次指数平滑法虽然克服了移动平均法的缺点。但当时间序列的变动出现直线趋 势时，用一次指数平滑法进行预测，仍存在明显的滞后偏差。因此，也必须加以修正。 修正的方法与趋势移动平均法相同，即再作二次指数平滑，利用滞后偏差的规律建立直 线趋势模型。这就是二次指数平滑法。当时间序列的变动表现为二次曲线趋势时，则需要用三次指数平滑法 3. 差分指数平滑法：一阶差分指数平滑法、二阶差分指数平滑模型（14） 4. 自适应滤波法：以时间序列的历史观测值进行某种加权平均来预测的，它要寻找一组“最佳”的权数，其办法是先用一组给定的权数来计算一个预测值，然后计算预测误差，再根据预测误差调整权数以减少误差 5. 趋势外推预测方法，推测出事物 未来状况的一种比较常用的预测方法。利用趋势外推法进行预测，主要包括六个阶段： （a）选择应预测的参数；（b）收集必要的数据；（c）利用数据拟合曲线；（d）趋势外 推；（e）预测说明；（f）研究预测结果在进行决策中应用的可能性。 趋势外推法常用的典型数学模型有：指数曲线、修正指数曲线、生长曲线、包络 曲线等。（22） 6. 平稳时间序列模型： 自回归模型（Auto Regressive Model）简称AR 模型，移动平均模型（MovingAverage Model）简称MA 模型，自回归移动平均模型（Auto Regressive Moving AverageModel）简称ARMA 模型（23） 插值 可用于预测问题，观察相应散点的变化，预测被插值点的函数值 主要方法有：一维插值法，二维网格插值和散点插值（contour） 要求所求通过所有给定的点 拟合 线性拟合：一般都先画出散点图，用plot命令，然后再进行观察拟合，polyfit得系数，polyval在相关点的值。 非线性拟合：（11） 数据的统计描述与分析 常见的概率分布函数：正态分布、指数分布、韦伯分布、指数分布、卡方分布、t分布F分布、概率密度函数、概率分布函数、逆概率分布、均值与方差、随机数生成 数直方图描绘用hist 参数估计（34） 假设检验 非参数检验：总体分布的检验步骤：（输入数据、做频数直方图、分布的检验、参数估计、假设检验） 主成分分析——因子分析 主成分分析是把原来多个变量划为少数几个综合指标的一种统计分析方法，从数学角度来看，这是一种降维处理技术。它解决了变量太多计算量太大和分析问题的复杂性高的问题，使变量较少而得到的信息有较多。通过对原始变量相关矩阵内部结构关系的研究，找出影响某一过程的几个指标，使综合指标为原来变量的线性组合，使我们抓住主要矛盾。 主要应用：1）主成分分析能降低所研究的数据的数据空间维数且所损失的信息很少； 可通过因子负荷的结构弄清原始变量间的某些关系；3）多维数据的一种图表表示方法，可用于分类，发现利群点；4）进行主成分回归；5）进行变量筛选，在所选的前几个主成分中，若某个变量的系数都近似为零的话，就可以吧这个原始变量删除；6）进行综合评价。 用主成分分析的优点为：全面性（保留信息多）、可比性（进行标准化，消除了原始数据级上的差别）、合理性（加权平均）、可行性（计算机软件容易实现） 因子分析是主成分分析的推广，也是一种吧多个变量化为少数变量的分析模型。 在matlab中的应用，主成分分析计算步骤：计算标准化矩阵（在Y1=score（X1））相关矩阵R1=corrcoef (Y1)、计算特征值与特征向量（[V1,D1]=eig(R1)）、计算主成分贡献率及累计贡献率(A1=[特征根]排序：A=fliplr(A1))、计算主成分载荷(累计贡献率) 在SPSS中应用 聚类分析 1、在实际工作中，我们经常遇到分类问题，若事先已经建立类别，则使用判别分析，若事先没有建立类别，则使用聚类分析。 聚类分析主要是研究在事先没有分类的情况下，如何将样本归类的方法 2、判别分析是利用原有的分类信息，得到判别函数（判别函数是这种分类函数关系式，一般是与分类相关的若干个指标的线性关系式），然后利用该函数去判断未知样品属于哪一类。 常用的判别分析方法有：距离判别法、费歇尔判别法、贝叶斯判别法等 聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等 在SPSS中用的比较简单 模糊聚类分析 在生产斗争、科学实验及日常生活中，常要求把所接触