用EVIEWS实现预测第三讲新.pptVIP

第三讲 用EVIEWS实现预测 指数平滑 所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规律，但确实存在某种前后关联的时间序列的短期预测。由于其他很多分析方法都不具有这种特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。 操作步骤 1、一步是建立工作文件和录入数据。 2、绘制序列图形，选择平滑方法。3、扩大样本期。 4、进行指数平滑。指数平滑的菜单操作方法有两种：一是在主工作文件窗口打开的情况下，点击主窗口的Quick→Series Statistics→Exponential Smoothing；二是在序列对象窗口中点击Procs→Exponential Smoothing。点击后屏幕出现指数平滑对话框。 点击OK后，窗口中将会出现平滑过程的结果，包括估计参数的值、残差平方和、预测误差的均方根以及均值和趋势项，这些指标描述了平滑法预测结果的可靠程度. EVIEWS并没有直接给出预测值。数值保存在系统生成的平滑序列SALESSM中，只需打开该序列就可以看到预测的结果。而且，平滑后的序列也会出现在工作文件中。 如果将指数平滑的预测结果和原观测值共同显示在同一张图上，可以看起来更清楚。 首先在工作文件菜单中同时选中两个序列SALES和SALESSM，方法是先点击一个序列，之后按住键盘上的Shift键再点击另外一个序列。 然后点击工作文件菜单工具栏中的Show，在弹出的对话框中点击OK。此时，系统将弹出一个类似序列对象窗口的群窗口，窗口中以Excel表格的形式同时显示出SALES和SALESSM。最后点击该窗口上方的View→Graph→Line。 季节调整 ① X11方法（X11 Method） 这一部分指定季节调整分解的形式：乘法；加法；伪加法（此形式必须伴随ARIMA说明）；对数加法。注意乘法；伪加法和对数加法不允许有零和负数。 移动平均方法 简单的移动平均 加权的移动平均 中心化移动平均 X-11季节调整法中的亨德松的5,9,13和23项加权移动平均。 移动平均的思路很简单，是算术平均的一种，具有以下特征，周期（及其整数倍)与移动平均项数相等的周期性变动基本得到消除。 相互独立的不规则变动得到平滑。 tramo/Seats 注意： 季节调整法并不要求观测值必须从某年的第一个月（或季度）开始，某年的最后一个月（或季度）结束。数据可以从任何一个月（或季度）开始或结束，EViews会调整整个序列。 季节调整方法只适用于季度或月度序列，并且要求数据不少于4年。选择乘法（X-11法或移动平均比率法）时，序列中的观察值必须为正。 Moving average Method计算步骤： 第1步：计算原序列的中心化移动平均序列，其中每个移动平均值都是由一个整年的数据计算的。该序列用当前选定的全部样本值计算并处于样本序列的中心位置。 第2步：若当初选择的是移动平均比率法，则计算移动平均比率序列（原序列/移动平均序列）；若当初选择的是移动平均差分法，则计算移动平均差分序列（原序列-移动平均序列）。 第3步：用整个移动平均比率序列（或移动平均差分序列）计算相应月或季度的平均数。计算出的这些平均数就是季节影响因子。 第4步：用季节影响因子除原来的序列，从而得到季节调整序列。若当初选择的是移动平均差分法，则从原序列中减去季节影响因子，从而得到季节调整序列。 ④ 存调整后的分量序列名（Component Series to save） X12将被调整的序列名作为缺省列在Base name框中，可以改变序列名。在下面的多选钮中选择要保存的季节调整后分量序列，X12将加上相应的后缀存在工作文件中： ·最终的季节调整后序列（＿SA）； ·最终的季节因子（＿SF）； ·最终的趋势—循环序列（＿TC）； ·最终的不规则要素分量（＿IR）； ·季节/贸易日因子（＿D16）； ·假日/贸易日因子（＿D18）； X-11法与移动平均法的最大不同是：X-11法中季节因子年与年有可能不同，而在移动平均法中，季节因子被假设为是一样的。 欧盟统计中心研制出了称为TRAMO/SEATS方法。TRAMO (time series regression with ARIMA noise,missing observation,and outliers———具有ARIMA噪声、省略观察值和异常值的时间序列回归法)和SEATS(signalextraction in ARIMA time series———ARIMA时间序列的信号提取法)是由A-gustin Maravall和Victor Gomez开发的,是以ARIM