第四章 确定型时间序列.ppt

第4章 确定型时间序列 预测方法 3、时序分析 4.2 移动平均法 将观察期的数据，按时间先后顺序排列，然后由远及近，以一定的跨越期进行移动平均，求得平均值，并以此为基础，确定预测值的方法。 每次移动平均总是在上次移动平均的基础上，去掉一个最远期的数据，增加一个紧跟跨越其后面的新数据，保持跨越期不变，每次只向前移动一步，逐项移动求移动平均值，故称为移动平均法。 4.3 指数平滑法 例：某市1994～2005年某种电器销售额如表，试预测2006年该电器销售额。 当原始序列不呈现水平模式，如：呈现线形模式时，移动平均值序列与原始序列会出现滞后现象，Mt的值比Xt的值相对要小一些。 为了消除这种差距，需要移动 Mt 的位置。 一、不考虑长期趋势的季节指数法 二、考虑长期趋势的季节指数法 年 乘法模式 Xt = Tt×St×Ct×It 其中， Xt与Tt有相同的量纲，St为季节指数，Ct为循环指数，两者皆为比例数； 加法模式 Xt =Tt+St+Ct+It 其中，Xt，Tt，St，Ct，It 均有相同的量纲。 It 是独立随机变量序列，服从正态分布。 四种因素的组合形式一般有以下两类： 时间序列分解法试图从时间序列中区分出这四种潜在的因素，特别是长期趋势因素(T)、季节变动因素(S)和循环变动因素(C)。 显然，并非每一个预测对象中都同时存在着T、S、C这三种趋势，可能是其中的一种或两种。一个具体的时间序列究竟由哪几类变动组合，采取哪种组合形式，应根据所掌握的资料、时间序列及研究目的来确定。 以下假设数据为乘法模式： 并结合教材p.79数据为例说明。 … … … 3024.57 8 4 2114.31 7 3 3163.28 6 2 3274.80 5 1 1993 2809.84 4 4 2094.35 3 3 3043.54 2 2 3017.60 1 1 1991 观察值Xt 季节序号 季 年 3881.6 48 4 3596.76 47 3 5489.58 46 2 5258.71 45 1 2002 4525.94 44 4 3470.14 43 3 5026.05 42 2 4965.46 41 1 2001 4577.63 40 4 3342.35 39 3 4694.48 38 2 4690.48 37 1 2000 有明显的长期趋势和季节变动。 一、移动平均数消除季节性波动 ——消除了季节因素和随机因素，可求出趋势-循环因子 例：有按季统计的时间序列{Xt}，Xt 表示某一季度有关产品的销量，求 N=4 的一次移动平均数列{Mt}， 表示1～4期的这一年平均每季度该产品销量，因为是连续4季的平均，所以 中消除了季节因素。同理， 也消除了季节性因素。 由于随机影响总是围绕某一中间值上下波动，所以经过算数平均后，也可以认为，随机性的影响也被消除了，而长期趋势和周期波动则仍存在于移动平均值序列的{Mt}中。 一、移动平均数消除季节性波动 ——消除了季节因素和随机因素，可求出趋势-循环因子 其中N为季节周期 产品48个季度的销售额如下图： 例 设有某产品十二年（91年－02年）的季度销售额数据。见教材p.79表4.5中的第二列，共有48个数据。 求数据序列的MA(4)，消除了季节性和随机性，只包含了长期趋势和循环变动两部分(T×C). 2894.2 2840.6 2835.6 2805.6 2741.3 移动平均值 … … … 3024.57 8 4 2114.31 7 3 3163.28 6 2 3274.80 5 1 1992 2809.84 4 4 2094.35 3 3 3043.54 2 2 3017.60 1 1 1991 观察值Xt 季节序号 季 年 4556.7 4717.7 4686.1 4570.2 4496.9 4509.8 4477.9 4395.0 4326.2 4237.8 4195.2 4111.7 3881.6 48 4 3596.76 47 3 5489.58 46 2 5258.71 45 1 2002 4525.94 44 4 3470.14 43 3 5026.05 42 2 4965.46 41 1 2001 4577.63 40 4 3342.35 39 3 4694.48 38 2 4690.48 37 1 2000 二、季节性 简单地看，有了观察值时间序列{Xt}以及移动平均值序列{Mt}对于每个 t， Xt