第13章 时间序列分析与预测课件.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 2010年 2010年 指数平滑法(exponential smoothing) 对过去的观察值加权平均进行预测的一种方法 观察值时间越远，其权数也跟着呈现指数的下降，因而称为指数平滑 以一段时期的预测值与观察值的线性组合作为第t+1期的预测值，其预测模型为 Yt为第t期的实际观察值 Ft 为第t期的预测值 ?为平滑系数 (0 ?1) 2010年 在开始计算时，没有第1期的预测值F1，通常可以设F1等于第1期的实际观察值，即F1=Y1 第2期的预测值为 第3期的预测值为 2010年 指数平滑法 (平滑系数? 的确定) 不同的?会对预测结果产生不同的影响 当时间序列有较大的随机波动时，宜选较大的? ，以便能很快跟上近期的变化 当时间序列比较平稳时，宜选较小的? 选择?时，还应考虑预测误差 误差均方来衡量预测误差的大小 确定?时，可选择几个进行预测，然后找出预测误差最小的作为最后的值 2010年 ? 用Excel进行指数平滑预测 第1步：选择【工具】下拉菜单 第2步：选择【数据分析】，并选择【指数平滑】，然后【确定】 第3步：当对话框出现时 在【输入区域】中输入数据区域 在【阻尼系数】( 注意：阻尼系数=1- ? )输入的值 选择【确定】 选择适当的平滑系数? ，采用Excel进行指数平滑预测，计算出预测误差，并将原序列和预测后的序列绘制成图形进行比较 2010年 2010年 2010年 线性趋势(linear trend) 现象随着时间的推移而呈现出稳定增长或下降的线性变化规律 由影响时间序列的基本因素作用形成 时间序列的成分之一 预测方法：线性模型法 2010年 线性模型法(线性趋势方程) ? 线性方程的形式为 —时间序列的预测值 t —时间标号 a—趋势线在Y 轴上的截距 b—趋势线的斜率，表示时间 t 变动一个 单位时观察值的平均变动数量 2010年 线性模型法(a 和 b 的求解方程) 根据最小二乘法得到求解 a 和 b 的标准方程为 解得 预测误差可用估计标准误差来衡量 m为趋势方程中待确定的未知常数的个数 2010年 根据数据，用最小二乘法确定直线趋势方程，计算出各期的预测值和预测误差，并将原序列和各期的预测值序列绘制成图形进行比较 。 ? 用Excel进行线性趋势预测 2010年 2010年 2010年 现象的发展趋势为抛物线形态 一般形式为 根据最小二乘法求 a，b，c的标准方程 二次曲线(second degree curve) 2010年 【例7.9】根据能源生产总量数据 ，计算出各期的预测值和预测误差，预测2001年的能源生产总量，并将原序列和各期的预测值序列绘制成图形进行比较 二次曲线方程： 预测的估计标准误差： 2001年能源生产总量的预测值 ? 用Excel进行二次趋势预测 2010年 2010年 2010年 时间序列以几何级数递增或递减 一般形式为 指数曲线(exponential curve) a，b为待估的未知常数 若b1，增长率随着时间t的增加而增加 若b1，增长率随着时间t的增加而降低 若a0，b1，趋势值逐渐降低到以0为极限 2010年 指数曲线(a，b 的求解方法) 采取“线性化”手段将其化为对数直线形式 根据最小二乘法，得到求解 lga、lgb 的标准方程为 求出lga和lgb后，再取其反对数，即得算术形式的a和b 2010年 【例】根据人均GDP数据，确定指数曲线方程，计算出各期的预测值和预测误差，预测2001年的人均GDP，并将原序列和各期的预测值序列绘制成图形进行比较 指数曲线趋势方程： 预测的估计标准误差： 2001年人均GDP的预测值 ? 用Excel进行指数趋势预测 2010年 2010年 2010年 指数曲线与直线的比较 比一般的趋势直线有着更广泛的应用 可以反应现象的相对发展变化程度 上例中，b=0.170406表示1986—2000年人均GDP的年平均增长率为17.0406% 不同序列的指数曲线可以进行比较 比较分析相对增长程度 2010年 预测步骤 确定并分离季节成分 计算季节指数，以确定时间序列中的季节成分 将季节成分从时间序列中分离出去，即用每一个观测值除以相应的季节指数，以消除季节性 建立预测模型并进行预测 对消除季节成分的序列建立适当的预测模型，并根据这一模型进行预测 计算除最后的预测值 用预测值乘