统计学第九章_时间序列说课.ppt

* 偏自相关系数与自回归模型阶数的判断 偏自相关系数能够排除中间各项数据的影响而反映 t 期与 t-k 期的真实相关关系。 偏自相关系数越大，表明对任意时间 t，yt与yt-k 之间的联系程度强。 偏自相关系数可以用来判断与 yt 显著相关的滞后期观测值有几个，由此可确定自回归模型的阶数。 当滞后期大于 p 后偏自相关系数就不显著了（趋于0），则称时间序列的偏自相关函数是 p 阶截尾的，自回归模型就应包含p个滞后期观测值。 偏自相关系数的计算可采用下列递推公式： * 例9-19 根据例9-17的价格时间序列建立自回归模型。 解：先计算滞后期 k=1,2,3,…时的自相关系数和偏自相关系数。利用统计软件来计算（SPSS、EViews等软件均可）。其中AC即自相关系数，PAC即偏自相关系数。 从图形可见，该序列的自相关系数具有拖尾特征，滞后一、二期的偏相关系数较高，滞后三期以上的偏相关系数无显著意义, 可建立二阶自回归预测模型MA(2)。 根据最小二乘法可估计出模型参数并得到如下模型（括号内为参数的 t 统计量的值。该预测模型的R2=0.607，标准误差为0.0788）： * 四、预测误差 预测误差是指现象的实际值与预测值之差。 误差小，预测结果的精度就高。 要衡量一个预测模型的质量优劣，就只能分析预测模型在原时间序列范围内的预测误差大小。 衡量预测模型的误差常用的指标有： 1. 平均绝对误差（MAE）： 2.平均相对误差（MPE）： 这两种误差受异常值的影响较小，对多个模型的预测误差进行比较时，采用平均相对误差可以避免绝对水平和计量单位不同的影响。 * 预测误差（续） 3. 均方误差（MSE） 4. 均方根误差（RMSE）： 均方误差和均方根误差由于取误差的平方来计算，因此受异常值的影响较大。 * 结束语 所有的时间序列预测都有一个关键的假定前提，那就是现象在原时间序列考察期内所呈现的趋势和规律性将在预测期内基本保持不变，从而要求影响现象的各种主要影响因素的作用和结构基本不变。只有在这种前提下，对原时间序列预测误差小的预测模型，才能对现象的未来具有较强的预测能力。 * * (一)同期平均法 基本原理是：假定时间序列呈水平趋势，通过对多年同期的数据进行简单算术平均，以消除不规则变动，再将各季节水平（同期平均数）与水平趋势值对比，即可得到季节指数。 一般步骤： 1.计算同期平均数 （i =1,2,…,L） 即将不同年份同一季节的多个数据进行简单算术平均。其目的是消除不规则变动的影响。一般要先将各年同一季节的数据对齐排列. 2.计算全部数据的总平均数 用以代表消除了季节变动和不规则变动之后的全年平均水平，亦即整个时间序列的水平趋势值。 3. 计算季节指数（也称为季节比率) Si . * 同期平均法的假设：没有循环变动和长期趋势的影响。即： 则季节比率 S 的求解程序为： 首先： 然后： 同期平均法 * 季节指数 Si100％，表示现象在第 i 期处于旺季，即第 i 期水平高于全年平均水平； Si100％，表示第 i 期是个淡季，即该季节的水平低于全年平均水平。 在一个完整的季节周期中，季节指数的总和等于季节周期的时间项数，或季节指数的均值等于1。 或 否则就要进行调整（即归一化处理）。调整方法是用各项季节指数除以全部季节指数的均值（或将所求的各项季节指数都乘以一个调整系数即可）。 * 季节指数图 例：某企业生产的一种学生学习用复读机的销售量数据如下表所示，试用同期平均法计算各月的季节指数。 　 Jan Feb Mar Apr May Jun July Aug Sep Oct Nov Dec 2001 51 53 45 24 25 18 37 80 120 56 28 29 2002 46 48 40 23 23 21 32 74 101 50 25 27 2003 41 63 47 22 21 23 30 86 139 51 33 29 2004 53 55 50 21 31 20 35 90 112 60 31 37 同月 平均 47.75 54.75 45.5 22.5 25 20.5 33.5 82.5 118 54.25 29.25 30.5 季节指数(%) 101.6 116.5 96.8 47.9 53.2 43.6 71.3 175.5 251.1 115.4 62.2 64.9 100 平均 　 　 　 47 同期平均法简单，易理解，但只适用于呈水平趋势的序列。 当现象呈现出明显上升（下降）趋势时，总会高估（低估）年末季节指数，相应地低估（高估）年初季节指数。 * （二）移动平均趋势剔除法 趋势剔除法的基本原理：首先测定出各期趋势值，然后从原序列中消除趋势成份，最