统计预测与决策 第五章 时间序列平滑法 PPT.pptVIP

时间序列平滑预测法 小组成员 本章目录 一、基本原理及步骤 二、优缺点 优点：计算简单 缺点：1.要保留的历史数据较多 2.只能用于平稳时间序列 3.N的大小不容易确定 三、注意项 1.一次移动平均法只能用于平稳时间序列，即经济变量在某一值上下波动或缓慢升降是预测效果比较好，因为，时间序列的的基本特性发生变化时，一次移动平均法不能很快的适应这种变化。因此，移动平均法只能用于短期预测，因为在短期情况下，时间序列通常具有平稳特征。 2.N的选择问题： 当数据的随机因素较小时→选用小的N→有利于跟踪数据的变化，减少预测值的滞后期数，反应灵敏。 当数据的随机因素较大时→选用大的N→有利于较大限度的平滑由随机性所带来的严重偏差。 即：N越小反应越灵敏，N越大平滑效果越好 一次移动平均法应用举例—— 股市中的移动平均线 一、基本原理 一次移动平均来预测一组具有趋势的数据时，预测值（估计值）往往高于或低于实际值 线性增加的时间序列→偏低 线性减小的时间序列→偏高 为了避免这种滞后误差，发展了线性二次移动平均法。即在对实际值进行一次移动平均的基础上，再进行一次移动平均。 二、公式 使用移动平均法进行预测的局限性 1.计算移动平均必须具有N个过去观察值，必须存储大量数据. 2.N个过去观察值中每一个权数都相等，早于（t-N+1）期的观察值的权数等于0，而实际上往往是最新观察值含更多信息，应具有更大权重。 公式其实就是由一次移动平均法演变而来的： Ft+1= (xt+xt-1+ … + xt-n+1) Ft = (xt-1+xt-2 + …+ xt-n ) → Ft+1= xt + Ft - xt-n → Ft+1= xt +(1- )Ft 用α代替 ，即α在0和1之间，则公式变为 Ft+1=αxt+(1-α)Ft Ft+1= αxt+(1-α)Ft = αxt+(1-α)[αxt-1+(1-α)Ft-1 ] = αxt+α(1-α)xt-1+(1-α)2 Ft-1 = … = αxt +α(1-α)xt-1+ α(1-α)2 xt-2 + … + α(1-α)n xt-n 平滑常数α=0.1 MSE=1/5∑et2 =28.9256 (2)平滑常数α=0.3 MSE=1/5 ∑et2 =28.9863 (3)平滑常数α=0.9 MSE=1/5 ∑et2 =34.4553 显然α=0.1所对应的均方差最小，所以选定0.1为平滑常数 则 F7 =α×x6 +(1-α)×F6 =0.1×88.07+0.9×76.87 =76.99 (元) 布朗单一参数线性指数平滑法，其基本原理与线性二次移动平均法相似 ，当趋势存在时，一次和二次平滑值都滞后于实际值，将一次和二次平滑值之差加在一次平滑值上，则可对趋势进行修正。 由两个结果可以计算线性平滑模型的两个参数： at = 2×St(1) － St(2) bt = [α/(1－α)][ St(1) － St(2)] 得到线性平滑模型： Fm+t = at +btm ｍ为预测的超前期数 得到线性预测模型为： F9+m=a9 + b9×m =218.41+3.67m 求下一期销售量的预测值 t=10 m=10-9=1 F10=F9+1=a9 + b9×1 = 222.08（万件） 霍尔特双参数线性指数平滑法 霍尔特指数平滑法是一种线性指数平滑方法。最突出的优点是对具有趋势变动的时间数列，不用二次指数平滑，而是对趋势直接进行平滑并对时间数列进行预测。这种方法因具有很大的灵活性而被广泛地使用。 二、公式 霍尔特指数平滑方法有两个基本平滑公式和一个预测公式 St =αxt + (1–α)(St-1 + bt-1 ) ←对数据进行平滑 给St-1加上趋势增量bt-1来修正St，消除了滞后性。 bt =γ(St–St-1)+(1–γ) bt-1 ←对趋势进行平滑 用来修正趋势值bt，趋势值用相邻两次平滑值之差表示。利用y对相邻两次平滑值进行修正，并将修正值加上