统计学第十三章.pptVIP

时间序列的作用 1、描述发展状态和结果，观察发展过程，达到认识的目的 2、研究发展方向、程度和趋势 3、探索发展规律，进行历史对比和未来预测 4、分析事物之间发展依存关系 5、说明现象在不同空间的差异程度 时间序列的分类 时间序列的分类 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 趋势(trend) 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 含有不同成分的时间序列 图形描述 图形描述(例题分析) 图形描述(例题分析) 增长率分析 年距发展速度 年距发展速度= 消除了季节变换的影响。 增长率(growth rate) 也称增长速度 报告期观察值与基期观察值之比减1，用百分比表示 由于对比的基期不同，增长率可以分为环比增长率和定基增长率 由于计算方法的不同，有一般增长率、平均增长率、年度化增长率 一位投资者持有一种股票，1996年、1997年、1998年和1999年收益率分别为4.5%、2.0%、3.5%、5.4%。计算该投资者在这四年内的平均收益率。 确定时间序列的成分 确定趋势成分(例题分析) 确定趋势成分(例题分析) 确定趋势成分(例题分析) 确定季节成分(例题分析) 年度折叠时间序列图 (folded annual time series plot) 选择预测方法 预测方法的选择 评估预测方法 计算误差 平均误差ME(mean error) 平均绝对误差MAD(mean absolute deviation) 计算误差 均方误差MSE(mean square error) 平均百分比误差MPE(mean percentage error) 平均绝对百分比误差MAPE(mean absolute percentage error) 简单平均法 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，则第t+1期的预测值Ft+1为 有了第t+1的实际值，便可计算出预测误差为 第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 预测结果不准 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未来有更大的作用 当时间序列有趋势或有季节变动时，该方法的预测不够准确 移动平均法 指数平滑平均法 指数平滑法(exponential smoothing) 是加权平均的一种特殊形式 对过去的观察值加权平均进行预测的一种方法 观察值时间越远，其权数也跟着呈现指数的下降，因而称为指数平滑 有一次指数平滑、二次指数平滑、三次指数平滑等 一次指数平滑法也可用于对时间序列进行修匀，以消除随机波动，找出序列的变化趋势 一次指数平滑(single exponential smoothing) 只有一个平滑系数 观察值离预测时期越久远，权数变得越小 以一段时期的预测值与观察值的线性组合作为第t+1期的预测值，其预测模型为 一次指数平滑 在开始计算时，没有第1期的预测值F1，通常可以设F1等于第1期的实际观察值，即F1=Y1 第2期的预测值为 第3期的预测值为 一次指数平滑 (预测误差) 预测精度，用误差均方来衡量 Ft+1是第t期的预测值Ft加上用?调整的第t期的预测误差(Yt-Ft) 一次指数平滑 (? 的确定) 不同的?会对预测结果产生不同的影响 当时间序列有较大的随机波动时，宜选较大的? ，以便能很快跟上近期的变化 当时间序列比较平稳时，宜选较小的? 选择?时，还应考虑预测误差 误差均方来衡量预测误差的大小 确定?时，可选择几个进行预测，然后找出预测误差最小的作为最后的值 一次指数平滑 (例题分析) 第1步：选择【工具】下拉菜单 第2步：选择【数据分析】，并选择【指数平滑】，然后【确定】 第3步：当对话框出现时 在【输入区域】中输入数据区域