[理学]时间序列的分解分析.pptVIP

时间序列的分解分析 一、时间序列的构成因素和分析模型 一、时间序列的构成因素和分析模型 一般常用的数学模型有加法模型和乘法模型 （1）乘法模型是假定四种因素存在着某种相互影响关系，互不独立。因此，时间序列各期发展水平是各个影响因素相乘之积，适用于相对数时间序列总变动的计算。其计算公式： Y＝T·S·C·I 式中： Y —— 动态总变动,各期发展水平； T —— 长期趋势变动； S —— 季节变动； C —— 循环变动； I —— 不规则变动。 （2）加法模型是假定四种变动因素是互相独立的，则时间序列各期发展水平是各个影响因素相加的总和，适用于总量指标总变动的计算。其计算公式： Y＝T＋S＋C＋I 式中： Y —— 动态总变动； T —— 长期趋势变动； S —— 季节变动； C —— 循环变动； I —— 不规则变动。 时间序列的分解就是要按照给定的分析模型,将各种变动因素的具体数值测定出来 . 分解分析之前,首先得了解序列中所包含的构成因素. （一）仅含有T和I,则只要消除随机波动 乘法模型: Y＝T·I 加法模型 : Y＝T＋I （二）含有T、S和I 乘法模型: Y＝T·S·I 加法模型 : Y＝T+S+I 1) 先分析和测定现象变动的长期趋势,求出T 2) 然后消除序列中包含的趋势值 乘法模型: Y/T＝S·I 加法模型 : Y-T＝S+I 3) 对2)的结果进行分析,消除随机变动的影响,得到季节变动的测定值S 时间序列分解分析是时间序列的核心内容,其作用可以概括为: 1、分析和预测有关构成因素的数量表现,可以更好的认识 和掌握现象变化发展的规律性. 2、将所测定出的某一构成因素的数值从时间序列中分离出去. 3、为用时间序列进行预测奠定基础 长 期 趋 势 测 定 长期趋势分析与预测 测定长期趋势的主要方法有：时距扩大法、移动平均法、数学模型法等等。 （一）时距扩大法 时距扩大法是长期趋势最原始最简便的方法。 它是对原来时距较短的时间序列，加工整理为时距较长的时间序列，以消除原序列因时距过短受偶然因素和季节变动影响所引起的波动，使现象的发展趋势和规律性明显地表现出来。 如表6-16 、 6-17 应用时距扩大法时需要注意以下几个问题： 第一，扩大的时距多大为宜取决于现象自身的特点。 对于呈现周期波动的动态数列，扩大的时距应与波动的周期相吻合； 对于一般的动态数列，则要逐步扩大时距，以能够显示趋势变动的方向为宜。 时距扩大太大，将造成信息的损失。 第二，扩大的时距要一致，相应的发展水平才具有可比性。 移动平均法是将时间数列的时距扩大，在数列中按一定项数逐项移动计算平均数，达到对原始数列进行在这个修匀的目的。从而形成一个趋势值时间数列。 趋势值数列中，消除了偶然因素的影响，显示出现象发展的趋势。 现以表6—18某企业2002年销售额资料为例加以说明。 （二）移动平均法 1、移动平均法是将时间数列的时距扩大，在时间序列中按一定项数逐项移动计算平均数，达到对原始序列进行修匀的目的。从而形成一个趋势值时间数列。 移动平均法是测定时间序列趋势变动的基本方法 2、 有简单移动平均法和加权移动平均法两种 简单移动平均法 也称中心移动平均法,指将相邻的k个数据加以简单平均作为移动平均中项的趋势测定值 有奇数项移动平均法和偶数项移动平均法 奇数项移动平均法 公式为: 这里N:移动平均的项数 t: 每个移动平均数中项的时期数 偶数项移动平均法 要进行两次移动平均 公式为: 简单移动平均法(特点) 将每个观察值都给予相同的权数 主要适合对较为平稳的时间序列进行预测 应用时，关键是确定合理的移动间隔长 对于同一个时间序列，采用不同的移动步长预测的准确性是不同的 选择移动步长时，可通过试验的办法，选择一个使均方误差达到最小的移动步长。 (例题分析) 【例】对居民消费价格指数数据，分别取移动间隔k=3和k=5，用Excel计算各期的居民消费价格指数的平滑值(预测值) ，计算出预