统计学 第六.pptVIP

动态数列分析 ——构成因素分析法 按指标值的变化形态分类 平稳序列(stationary series) 基本上不存在趋势的序列，各观察值基本上在某个固定的水平上波动 或虽有波动，但并不存在某种规律，而其波动可以看成是随机的 非平稳序列 (non-stationary series) 有趋势的序列 线性的，非线性的 有趋势、季节性和周期性的复合型序列 时间序列的构成要素 趋势、季节、周期、随机性 趋势(trend) 呈现出某种持续向上或持续下降的状态或规律 季节性(seasonality) 也称季节变动(Seasonal fluctuation) 时间序列在一年内重复出现的周期性波动 周期性(cyclity) 也称循环波动(Cyclical fluctuation) 围绕长期趋势的一种波浪形或振荡式变动 随机性(random) 也称不规则波动(Irregular variations) 除去趋势、周期性和季节性之后的偶然性波动 时间序列的构成模型 时间序列的构成要素分为四种，即趋势(T)、季节性或季节变动(S)、周期性或循环波动(C)、随机性或不规则波动(I)非平稳序列 时间序列的分解模型 乘法模型 Yi=Ti×Si×Ci×Ii 加法模型 Yi=Ti+Si+Ci+Ii 简单平均法  (simple average) 根据过去已有的t期观察值来预测下一期的数值 设时间序列已有的其观察值为 Y1、Y2、… 、Yt，则t+1期的预测值Ft+1为 有了t+1的实际值，便可计算出的预测误差为 t+2期的预测值为 简单平均法(特点) 适合对较为平稳的时间序列进行预测，即当时间序列没有趋势时，用该方法比较好 如果时间序列有趋势或有季节变动时，该方法的预测不够准确 将远期的数值和近期的数值看作对未来同等重要，从预测角度看，近期的数值要比远期的数值对为来有更大的作用。因此简单平均法预测的结果不够准确 移动平均法(moving average) 对简单平均法的一种改进方法 通过对时间序列逐期递移求得一系列平均数作为趋势值或预测值 有简单移动平均法和加权移动平均法两种 简单移动平均法(simple moving average) 将最近k期的数据加以平均作为下一期的预测值 设移动间隔为 K(1kt)，则t期的移动平均值为 t+1期的简单移动平均预测值为 预测误差用均方误差(MSE) 来衡量 简单移动平均法(特点) 将每个观察值都给予相同的权数 只使用最近期的数据，在每次计算移动平均值时，移动的间隔都为k 主要适合对较为平稳的时间序列进行预测 应用时，关键是确定合理的移动间隔长度 对于同一个时间序列，采用不同的移动步长预测的准确性是不同的 选择移动步长时，可通过试验的办法，选择一个使均方误差达到最小的移动步长。 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 测定方法主要有：移动平均法、指数平滑法、线性模型法等 时间序列的主要构成要素 线性模型法(线性趋势方程) ?线性方程的形式为 线性模型法(a 和 b 的最小二乘估计) 趋势方程中的两个未知常数 a 和 b 按最小二乘法(Least-square Method)求得 根据回归分析中的最小二乘法原理 使各实际观察值与趋势值的离差平方和为最小 最小二乘法既可以配合趋势直线，也可用于配合趋势曲线 根据趋势线计算出各个时期的趋势值 线性模型法(a 和 b 的求解方程) 二次曲线(second degree curve) 现象的发展趋势为抛物线形态 一般形式为 根据最小二乘法求得 a、b、c标准方程 指数曲线(exponential curve) 用于描述以几何级数递增或递减的现象 一般形式为 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 趋势线的选择 观察散点图 根据观察数据本身，按以下标准选择趋势线 一次差大体相同，配合直线 二次差大体相同，配合二次曲线 对数的一次差大体相同，配合指数曲线 一次差的环比值大体相同，配合修正指数曲线 对数一次差的环比值大体相同，配合 Gompertz 曲线 倒数一次差的环比值大体相同，配合Logistic曲线 3. 比较估计标准误差 季节指数(seasonal index) 刻画序列在一个年度内各月或季的典型季节特征 以其平均数等于100%为条件而构成 反映某一月份或季度的数值占全年平均数值的大小 如果现象的