第六章 季节模型课件.ppt

应用时间序列分析;本章要点和教学要求;一、季节时间序列表示; ;二、季节时间序列的重要特征;; 图6.1 1994年到2005年某地牛奶产量趋势图 数据来源R软件的例子。; 图6.2 1997年1月—2003年8月到北京海外旅游人数; 从图6.1和图6.2可以看出影响一个季节性时间序列的因素除了有规律的季节因素以外，还存在不断增长的趋势变动和无规律的不规则变动等。例如从1997年1月到2003年8月随着时间推移到北京海外旅游人数逐年增加，这是趋势变动，又由于2003年非典的流行，使得到北京的海外旅游人数从2003年2月份锐减，这是不规则变动。;第二节 季节性时间序列模型;; 图6.4 模拟数据的自相关图; 一个纯季节性的非平稳时间序列的趋势图表现出图6.5的特征。其自相关函数在在滞后期为周期的倍数时，表现出高度的相关性，几乎不收敛，如在六个周期后自相关函数还为0.603。;图6.6 模拟数据 的自相关函数图;;更一般的季节性的SARIMA为 ;二、乘积季节性模型;（6.5）;三、常见的随机季节模型;第三节 季节性模型的识别;一、季节性MA模型的自相关函数; 假设某一季节性时间序列适应的模型为; 【例6.1】假设某时间序列的周期s=12，该序列服从的模型为 求其自相关函数。;自协方差函数为：;当s=11时，;当s=13时，;（二）季节性AR模型的偏自相关函数;更一般的情形，如果一个时间序列服从模型;;【例6.3】计算奶牛平均月产量数据的自相关函数。;;图6.8 牛奶产量一阶差分后的自相关图; 尽管通过一阶差分序列已经消除了趋势变动，但是非平稳季节变动的成分仍然存在，因为直到第6个周期上，其自相关函数值仍高达0.811，且显著不为零。所以应该做季节差分。季节差分后的序列的自相关函数如图6.9。;图6.9 牛奶产量（1-B)(1-B12)的自相关图;第四节 季节性时间序列模型的建立和应用; 第三步：计算差分后序列的自相关函数和偏自相关函数，识别模型的阶数，选择一个初始模型。 第四步：对模型进行初估计，比如矩估计，得到参数的初估计值，然后以初估计值为初始值，对参数进行最小二乘估计或极大似然估计。 第五步：对估计得到的模型残差进行适应行检验，决定是否接受暂定的模型。如果模型没有通过适应性检验时，则要根据有关的信息，对模型进行改进。;利用Eviews软件，采用最小二乘估计估计模型。;表6.3 模型参数估计信息;模型预测效果可以从图6.10得到。;第五节 X－11方法简介;一、季节调整和时间序列的构成因素;（二）时间序列的构成因素; 3.不规则变动 不规则变动是一种偶然性、随机性、突发性因素。受这种因素影响，现象呈现时大时小、时起时伏、方向不定、难以把握的变动。这种变动不同于前三种变动，它完全无规律可循，无法控制和消除，例如战争、自然灾害等。 ; 4.贸易日因素 贸易日因素由于每个月的周末数不同，那么对于类似商品销售额的数据，在周末多的月份销售额会比较高。那么某月度销售额增加，是旺季所致，还是由于周末天数多所致，所以对一个时间序列进行分析时，考虑贸易日因素也是重要的。 ; 【例】利用中国1993年1月至2000年12月社会商品零售额月度资料，通过X-11季节调整过程的分析，可以得到最终的时间序列的趋势成分（图6-10）、季节因子（图6-11）和不规则因子（图6-12），从而有利于对时间序列进行更深入的分析。;社会商品零售额原始数据图;社会商品零售额长期趋势成分图;社会商品零售额不规则变动因子图;社会商品零售额季节因子图;二、时间序列的组合模型; 在加法模型中，各种影响因素是相互独立的，均为与X同计量单位的绝对量。在乘法模型中，只有长期趋势是与X同计量单位的绝对量，其余因素均为以长期趋势为基础的比率，表现为对于长期趋势的一种相对变化幅度，通常以百分数表示。 （6.14）和（6.15）式是时间序列的完备模式。事实上，这五类因素并不是对每一个时间序列所代表的现象都同时施加其影响，或者说，并不是每一种现象都同时受到这五类因素的影响。这就形成了时间序列的不同组合模式，比如： 趋势模式：X=TI 趋势季节模式：X=TSI;三、X－11程序; 使用某一种方法