数据、模型与决策教学课件ppt作者李连友第8章数据的时间序列分析课件.pptVIP

通常方法尝试用不同的α和β的取值组合，找到可以使误差平方和的均值（均方误差）最小的一个α和β的取值。目前可以使用软件得到最佳的结果。 线性趋势除图形判断外，可以使用一阶差分进行。如果一阶差分大致相等，说明现象的趋势呈直线。 使用线性回归方程，还是Holt模型，除了考虑数据本身的特点，如是否含有季节等因素外，还取决于选择哪种误差作为衡量模型的精度。 ②非线性趋势 可利用spss软件回归分析，可以帮助我们选择模型的形式。 非线性趋势有多种，其中有的非线性趋势可以通过变量代换，通过取对数等处理转换为线性的关系，可以使用如最小平方法等原理进行求解；也有的非线性趋势是不能转换的，如修正指数曲线，逻辑曲线等需要用其他方法如三和法求解。 常用的趋势曲线模型：见公式（8.29）-----（8.41） 数据适合哪种模型呢？ 常有一些判断方法帮助我们判断。概括来讲： 一是：图形和经验判断；二是一些相关指标或数据的特征帮助判断；三是根据趋势，模拟几种模型，进行比较和检验，看那种模型更适合。 （2）季节成分测定 也是时间序列的主要成分之一。季节成分测定一般通过季节指数（季节比率）来反映，通常用符号S（%）表示，其结果大于100%，为旺季，小于100%为淡季，没有季节影响，指数应为100%。 季节指数是将时间序列各不同年份的同季（或同月）平均数与所有数据总平均数对比而得到的相对数。 季节成分测定时，需根据数据所含成分不同，选择不同的方法。一般分为： 第一种情况：不包含趋势时季节性变动的测定。采用的方法按季（月）平均法、季节模型法； 第二种情况，包含长期趋势时季节性变动及不规则变动的测定。主要采用趋势剔除法，通过乘法或加法模型进行。 ①第一种情况--不包含趋势时季节变动的测定 可以用采用按季（月）平均法，或者在多元回归方程中选用哑变量的方法。 按季（月）平均法 ------基本步骤为： 1/ 计算同月（或同季）的平均数 2/ 计算全部数据的总月（总季）平均数 3./计算季节指数（S） 如果季节指数之和不等于400%或月季节指数不等于1200%，就需要调整。 调整系数： 用调整系数分别乘以各月(或季)季节指数 也可以选择多元回归方程选用哑变量的分析方法，进行季节测定。 以季节分类变量作为自变量，销售量为因变量，建立多元回归方程。 由于季节为分类变量，应采用哑变量（或虚拟变量，二分变量）的方法。分类变量有k个水平，应该有k-1哑变量，比如销售量与季度的回归方程可以表示为： 见表8-24 ，表8-25 ，表8-26 ，表8-27 ，表8-28 ，图8.18 。 ②第二种情况--包含长期趋势时季节变动的测定 主要选择采用的方法：趋势剔除法、模型分析法。 趋势剔除法----基本分析步骤为： 【假定序列满足乘法模型Y=T×S×C×I】 第一步，对原时间序列（Y）进行N期（周期长度，通常为12月或4个季度）中心化移动平均； 第二步，将原时间序列各观测值除以相应的中心化移动平均值，到不存在长期趋势的(S×I)； 第三步，计算剔除长期趋势后的时间序列的同期（同月或季度等）平均值，得到未调整的季节指数s。 如果各季节指数之和不等于400％（按季计算）或1200％（按月计算），应当予以调整。 第四步，用调整系数依次乘各季（或月）的季节指数s， 季节指数的进一步使用与说明 季节指数，除了可以用于分析季节变化规律，进行预测，便于安排生产和生活外，还可以用来调整原始序列，对时间序列季节变动影响进行消除使其成为不含有季节变动的时间序列。 方法是：将原序列实际数值除以季节指数。 模型分析法： 一种是将趋势和季节（采用虚拟变量）结合起来进行。 模型形式为： 另一种是温特（Winter）指数平滑法，也称三参数指数平滑模型 Spss中选择季节性模型中的“Winter(冬季）乘法模型可以直接得到预测结果。 时间序列数据是月度数据，其分析思路与方法类同季度数据。 （3）循环变动的测定 基本分析步骤： 第一步，计算出季节指数（S）； 第二步，用原始数据Y除以季节指数S，得无季节变动数据T×C×I； 第三步，根据无季节变动数据测定出长期趋势T 通过方程计算出各期的趋势值T 第四步，用（T×C×I）除以T，得无季节、无长期趋势的数据（C×I）。一般用CI% 第五步，用移动平均法来消除I，得循环变动C，即循环变动指数Ｃ％. 见表8-37 。 spss的“分析-预测-季节性分解”可以直接进行趋势，季节成分的分解。再根据分解后的STC-1得到的趋势方程，并可以预测。 8.4.1随机时间序列及模型与构建概述对一个随机时间序列分析，首先判断序列是否平稳 即是平稳随机时间序列还是非平稳随机序列。方法可以通过时间序列图和自