剖析时间序列分析与预测.pptVIP

线性回归 一. 一元线性回归模型 参数的最小二乘估计 * 什么是回归分析？ 从一组样本数据出发，确定变量之间的数学关系式 利用所求的关系式，根据一个或几个变量的取值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确程度 * 趋向中间高度的回归 回归这个术语是由英国著名统计学家Francis Galton在19世纪末期研究孩子及他们的父母的身高时提出来的。Galton发现身材高的父母，他们的孩子也高。但这些孩子平均起来并不像他们的父母那样高。对于比较矮的父母情形也类似：他们的孩子比较矮，但这些孩子的平均身高要比他们的父母的平均身高高。 Galton把这种孩子的身高向中间值靠近的趋势称之为一种回归效应，而他发展的研究两个数值变量的方法称为回归分析。 * 回归分析与相关分析的区别 相关分析中，变量 x 变量 y 处于平等的地位；回归分析中，变量 y 称为因变量，处在被解释的地位，x 称为自变量，用于预测因变量的变化 相关分析中所涉及的变量 x 和 y 都是随机变量；回归分析中，因变量 y 是随机变量，自变量 x 可以是随机变量，也可以是非随机的确定变量 相关分析主要是描述两个变量之间线性关系的密切程度；回归分析不仅可以揭示变量 x 对变量 y 的影响大小，还可以由回归方程进行预测和控制 * 一元线性回归模型 当只涉及一个自变量时称为一元回归，若因变量 y 与自变量 x 之间为线性关系时称为一元线性回归 对于具有线性关系的两个变量，可以用一条线性方程来表示它们之间的关系 描述因变量 y 如何依赖于自变量 x 的方程称为回归模型 * 一元线性回归模型 ? 对于只涉及一个自变量的简单线性回归模型可表示为 y = a+b x 模型中，y 是 x 的线性函数 反映了由于 x 的变化而引起的 y 的变化 a 和 b 称为模型的参数 * 参数 a 和 b 的最小二乘估计 * x y (xn , yn) (x1 , y1) ? ? ? ? ? ? ? ? ? (x2 , y2) (xi , yi) ｝ ei = yi-yi ＾ 最小二乘估计(图示) * 最小二乘法 使因变量的观察值与估计值之间的离差平方和达到最小来求得 和 的方法。即 用最小二乘法拟合的直线来代表x与y之间的关系与实际数据的误差比其他任何直线都小 * 对a、b求偏导 * 最小二乘法（ 和 的计算公式） ? 根据最小二乘法的要求，可得求解 和 的标准方程如下 * 估计方程的求法 【例】根据例1中的数据，配合人均消费金额对人均国民收入的回归方程 根据 和 的求解公式得 * 估计(经验)方程 人均消费金额对人均国民收入的回归方程为 y = 54.22286 + 0.52638 x ^ * *时间序列预测分析 时间序列的概念 1.同一现象在不同时间上的相继观察值排列而成的数列 2.形式上由现象所属的时间和现象在不同时间上的观察值两部分组成 3.排列的时间可以是年份、季度、月份或其他任何时间形式 * 时间序列实例 国内生产总值等时间序列 年 份 国内生产总值 (亿元) 年末总人口 (万人) 人口自然增长率 (‰) 居民消费水平 (元) 1990 1991 1992 1993 1994 1995 1996 1997 1998 18547.9 21617.8 26638.1 34634.4 46759.4 58478.1 67884.6 74772.4 79552.8 114333 115823 117171 118517 119850 121121 122389 123626 124810 14.39 12.98 11.60 11.45 11.21 10.55 10.42 10.06 9.53 803 896 1070 1331 1781 2311 2726 2944 3094 * 时间序列的编制原则 1、时间一致。 2、口径一致。 3、计算方法一致 * 移动平均法 测定长期趋势的一种较简单的常用方法 通过扩大原时间序列的时间间隔，并按一定的间隔长度逐期移动，计算出一系列移动平均数 由移动平均数形成的新的时间序列对原时间序列的波动起到修匀作用，从而呈现出现象发展的变动趋势 移动步长为K(1Kn)的移动平均序列为 * 时期数 指标值 三项移动 四项移动 修正后 t1 a1 t2 a2 t3 a3 … … tn-2 an-2 tn-1 an-1 tn an * 移动平均法(实例) 表11- 6 1981～1998年我国汽车产量数据 年 份 产量(万辆) 年份 产量(万辆) 1981 1982 1983 1984 1985 1986 1987 198