第8节 时间数列-3.pptVIP

§8－3 时间数列的分解分析 一、时间数列的构成因素 1.长期趋势（T）：是指时间序列在较长时期内展现出来的的总态势。 上升、下降或保持原来水平。 2.季节变动（S）：时间序列受季节因素的影响随季节更替而呈现的周期性变动。 3.循环变动（C）：时间序列以若干年为周期，出现的上升、下降循环往复的波动。 4.随机变动（I）：由偶然因素引起的不规则变动。 长期趋势（概念要点） 现象在较长时期内持续发展变化的一种趋向或状态 由影响时间序列的基本因素作用形成 时间序列的主要构成要素 有线性趋势和非线性趋势 线性趋势 二、长期趋势的测定 （一）时距扩大法 时距扩大法是测定长期趋势最原始、最简单的方法。 它是将原来时间序列中较小时距单位的若干个数据加以合并，得出较大时距单位的数据。扩大了时距单位的数据可以使较小时距单位数据所受到的偶然因素的影响相互抵消，而显示出现象变动的基本趋势。 时距扩大法应注意的问题： 只适用于时期数列。 扩大的时距大小要符合现象的自身特点。 扩大的时距要一致。 信息损失过多，无法预测。 （二）移动平均法 3、移动平均法要注意的问题： （1）移动平均项数N的确定。 N越大，修匀性越强，新数列表现的长期趋势越明显。 N的大小应根据时间数列的特点来确定。 如果现象的发展具有一定的周期性，应以周期长度作为移动间隔的长度 若时间序列是季度资料，应采用4项移动平均 若为月份资料，应采用12项移动平均 例如，股票数据分析 移动平均法要注意的问题： （2）时间数列移动平均后会造成信息量的损失。 N越大，损失的信息量越多。 4、加权移动平均法 简单移动平均法适用于线性趋势的测定，如果社会经济现象发展是非线性的，就要考虑用加权移动平均法。 所谓加权移动平均法就是对各期指标值进行加权后再进行移动平均。依照在简单移动平均中，移动平均数代表移动平均中项时期的长期趋势值的做法，在加权移动平均法中一般也采用奇数项加权移动平均，各期权数以二项展开式的系数为计算基础，使中项时期指标值的权数最大，两边对称，逐期减小。 例如，五项移动平均，应以 （三）数学模型法 1.根据数据本身选择合适的模型。 选择合适的模型 选择合适的模型 二次曲线(实例) 2.估计模型参数 （1）直线模型 普通最小二乘法将时间序列中各项数据的重要性同等看待。而事实上各项数据对未来的影响作用不同的。一般来说，近期数据比起远期数据对未来的影响更大。 因此，较合理的方法就是使用加权的方法，对近期数据赋以较大的权数，对远期数据则赋以较小的权数。 b)加权最小二乘法 误差比较： 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) 指数曲线(a、b 的求解方法) 2. 根据最小二乘法，得到求解 lga、lgb 的标准方程为 四、趋势外推预测 　　　测定长期趋势的一个重要目的就是要利用这一长期趋势对未来进行预测。进行趋势外推预测的常用方法有以下几种： （一）移动平均法 与前面的中心化移动平均法不同的是，用于外推预测的移动平均数不代表移动平均中项的趋势值，而是代表预测期的趋势值。 1.简单移动平均法 t+1期的预测值的计算公式为： （8.28） 式中N表示移动平均的项数。 这种方法的一次移动平均只有一期的预测能力。 例子见　P229 2.加权移动平均法 采用加权的方法加大近期数据的权数，突出近期数据在预测中的影响作用。设Wi 为yt-i 的权数，满足各期值对预测值的影响由近及远逐渐减小，有 w0w1 …wN-1 t +1期的预测值的计算公式为： 加权移动平均法算例 一种常用方法如下： 如N＝5时， 　w0=5 , w1=4 ,w2=3,w3=2,w4=1 t +1期的预测值的计算公式为： （二）指数平滑法 指数平滑法是统计预测中广泛使用的一种方法，它可以直接用于预测，也可以用于估计模型参数。 指数平滑法也称指数修匀预测法，按修匀次数的多少有一次指数平滑、二次指数平滑、三次乃至多次指数平滑。下面讨论的是一次指数平滑法。 一次指数平滑法 在时间序列中，以本期的实际数yt和本期的预测数 为依据，然后赋予不同的权数，求得下一期预测数。用公式表示如下： α值的确定 应用指数修匀法预测，α值的确定是一个关键问题。因为权数的分配是按指数方式递减的，递减的速度决定于α值的大小。α值越大时权数的递减速度越快，反之就越慢。所以α的取值对预测的效果有很密切的关系。确定α值前，通常可以先取各种值进行试算