42-确定性时间序列分析方法.pptxVIP

第二节 确定性时间序列分析方法;时间序列预测技术是通过对预测目标自身时间序列的处理来研究其变化趋势。当刚接触到某一个观测序列时，会觉得它是杂乱无章，无规律可循的。其实不然，大量事实表明，一个时间序列往往是以下几类变化形式的叠加或耦合： (1)长期趋势变动。是指时间序列朝着一定的方向持续上升或下降，或停留在某一水平上的倾向，它反映了客观事物的主要变化趋势。 (2)季节变动。指一年或更短的时间之内，由于受某种固定周期性因素(如自然、生产、消费等季节性因素)的影响而呈现出有规律的周期性波动。; (3)循环变动。通常是指周期为一年以上，由非季节因素引起的涨落起伏波形相似的波动。 (4)不规则变动。通常分为突然变动和随机变动。所谓突然变动是指战争、自然灾害或是其它社会因素等意外事件引起的变动。随机变动是指由于大量的随机因素产生的宏观影响。根据中心极限定理，通常认为随机变动近似服从正态分布。;通常用Tt表示长期趋势项，St表示季节变动趋势项，Ct表示循环变动趋势项，Rt表示随机干扰项。常见的确定性时间序列模型有以下几种类型： ; 其中y t是观测目标的观测记录， 如果在预测时间范围以内，无突然变动且随机变动的方差 较小，并且有理由认为过去和现在的历史演变趋势将继续发展到未来时，可用一些经验方法进行预测，具体方法如下：;1、移动平均法;它表明以最近N期序列值的平均值作为未来各期的预测结果。一般N取值范围：5?N ? 200。当历史序列的基本趋势变化不大且序列中随机变动成分较多时，N的取值应较大一些，否则N的取值应小一些。 在存在确定季节变动周期的资料中，移动平均的项数应取周期长度。选择最佳N值的一个有效方法是，比较若干模型的预测误差。预测误差最小者为好。 ;当预测目标的基本趋势与某一线性模型相吻合时，常用二次移动平均法，但序列同时存在线性趋势与周期波动时，可用趋势移动平均法建立预测模型： ;2、时间回归法;3、指数平滑;以简单的没有趋势和没有季节成分的纯粹时间序列为例，指数平滑在数学上实际是一个几何级数。这时，如果用Yt表示在t时间的平滑后数据（或预测值），而用X1, X2, …, Xt表示原始的时间序列。那么指数平滑模型为 ;自然，这种在简单情况下导出的公式（如上面的公式）计算繁琐，无法应对具有各种成分的复杂情况。可以运用EViews软件或SPSS统计分析软件轻松实现指数平滑预测，从而达到快速便捷预测的目的。 ;; ;从图1可以看出以下几点：;;;;;;;;;;;;如果要对比较复杂的纯粹时间序列进行细致的分析，指数平滑往往无法满足要求。而若想对有独立变量的时间序列进行预测，指数平滑更是无能为力。于是需要更加强有力的模型。这就是下面要介绍的Box-Jenkins ARIMA模型。数学上，指数平滑仅仅是ARIMA模型的特例。;4、博克斯—詹金斯法 （Box- Jenkins） 博克斯—詹金斯法，简称B-J法或ARMA模型法，是以美国统计学家Geogre E．P．Box和英国统计学家Gwilym M．Jenkins的名字命名的一种时间序列预测方法。主要试图解决以下两个问题： 一是分析时间序列的随机性、平稳性和季节性； 二是在对时间序列分析的基础上，选择适当的模型进行预测。 其模型可分为： (1)自回归模型(简称AR模型)； (2)滑动平均模型(简称MA模型)； (3)自回归滑动平均混合模型(简称ARMA模型)。;①博克斯一詹金斯法依据的基本思想是： 将预测对象随时间推移而形成的数据序列视为一个随机序列，即除去个别的因偶然原因引起的观测值外，时间序列是一组依赖于时间t的随机变量。这组随机变量所具有的依存关系或自相关性表征了预测对象发展的延续性，而这种自相关性一旦被相应的数学模型描述出来，就可以通过时间序列的过去值及现在值预测其未来的值。;②ARIMA模型介绍;AR (p)自回归模型;MA (q)移动平均模型;ARMA(p,q)模型;但是要想ARMA(p,q)模型有意义则要求时间序列满足：平稳性(stationarity)和可逆性(invertibility)的条件，这意味着序列均值不随着时间增加或减少，序列的方差不随时间变化，另外序列本身相关的模式不改变等条件。 一个实际的时间序列是否满足这些条件是无法在数学上验证的，这没有关系，可以从下面要介绍的时间序列的自相关函数和偏相关函数图中大体识别出来。;③运用博克斯一詹金斯法的前提条件是： 作为预测对象的时间序列是零均值的平稳随机序列。平稳随机序列的统计特性不随时间的推移而变化。直观地说，平稳随机序列的折线图无明显的上升或下降趋势。 但是，大量的社会经济现象随着时间的推移，总表现出某种上升或下降趋势，构成非零均值的非平稳时间序列