15时间序列分析.docVIP

? 时间序列分析 ?????? [例9.3] ?表9-3和 图9-4是我国1998-2003年我国流通中现金总量（月末数 表9-3? 1998-2003年我国流通中现金总量，月末数（单位：亿元） ? 1998 1999 2000 2001 2002 2003 1月 13108 11997 16094 17019 16726 21245 2月 10886 12784 13983 14910 16642 17937 3月 10201 11342 13235 14362 15545 17107 4月 10173 11225 13676 14623 15864 17441 5月 9984 10889 13076 13942 15281 17115 6月 9720 10881 13006 13943 15097 16957 7月 10037 11199 13157 14072 15358 17362 8月 10129 11395 13379 14370 15712 17607 9月 10528 12255 13895 15065 16234 18306 10月 10501 12154 13590 14484 16015 18251 11月 10671 12483 13878 14780 16346 18440 12月 11204 13455 14653 15689 17278 19746 top↑ 与传统的统计方法不同，由于长期趋势和循环变动成分不容易进行准确的定义和区分，统计软件中一般把时间序列分解为趋势-循环、季节成分和不规则变动三个组成部分。 在SPSS中要进行时间序列分析首先要定义一个时间变量。具体操作是：在读入了M0的月度数据以后，单击菜单中的Data?Define Dates，在弹出的对话框中指定时间序列的特性和起始时间（图9-14）。单击“OK”后SPSS会自动生成三个变量：年份、月份和日期。 在菜单中选择“Analyze?Time series?Seasonal Decomposition”，会弹出图9-15的对话框。指定变量M0作为分析变量，选择乘法模型（默认），在“Moving Average Weight”选择框中选择“Endpoints weighted by .5”。这一选项的计算结果相当于先进行一次12期的移动平均，再进行一次2项的移动平均。单击“OK”后SPSS会把季节指数、趋势-循环和不规则变动三个组成成分，以及季节调整后的序列存储到数据表中。SPSS中使用的分解方法是比例移动平均法（ratio-to-moving-average method，Census Method I），计算结果与传统统计方法并不完全一致，但一般差别不大。 ? 图9-14 在SPSS中定义时间变量 ? 图9-15 时间序列分解的对话框 ? SPSS计算的季节指数见表9-4，计算结果与我们前面的计算结果差别不大。SPSS给出的不规则变动成分与我们前面的计算结果也比较类似（图9-16）。 top↑ 表9-4 SPSS计算的季节指数 月份 季节指数 月份 季节指数 1 117.06% 7 95.11% 2 105.71% 8 95.91% 3 99.36% 9 99.00% 4 100.19% 10 96.66% 5 95.76% 11 97.96% 6 94.54% 12 102.74% ? 图9-16 ?SPSS计算的不规则变动 ? top↑ 用指数平滑方法进行预测 指数平滑也是一类常用的传统预测方法，主要包括单参数指数平滑（简单指数平滑）、双参数指数平滑（Holt方法）和三参数指数平滑（Winters方法）。 这三种平滑方法分别适用于不同的场合。简单指数平滑适用于不包含长期趋势和季节成分的数据；Holt方法适合于包含长期趋势但不包含季节成分的数据；Winters方法适合于包含季节成分（以及长期趋势）的数据。关于这三种指数平滑方法的原理请参考专门的统计预测书籍，我们这里仅以现金流通量的数据为例说明用SPSS中实现指数平滑预测的步骤（Excel的分析工具库只能进行单参数指数平滑，实际应用价值不大）。 [例9.5] ?用指数平滑方法预测2004年各月我国的现金流通量 由于我们要预测的数据为季节性数据，需要使用Winters平滑方法进行预测（SPSS中采用的是乘法模型）。从菜单中选择“Analyze?Time series?Exponential Smoothing，在弹出的对话框中指定M0为分析变量，方法选择为Winters（图9-18）。然后点击Parameters按钮，在参数对话框中将参数Alpha（截距项的平滑系数）、Gamma（趋势项的平滑系数）和Delta（季节指数的平滑系