第5章数据分析—动态分析法.pptVIP

相对数时间数列或平均数时间数列计算序时平均数 其基本计算公式为： 式中： 代表相对数或平均数时间数列的序时平均数； 代表分子的总量指标时间数列的序时平均数； 代表分母的总量指标时间数列的序时平均数。 1、由两个时期数列对比形成的相对数或平均数时间数列的序时平均数的计算 其计算公式为： 由于相对数或平均数都是由两个总量指标对比形成的，即 。可以根据掌握的资料不同 故以上公式可变形为： [例] 某企业2002年1—3月份产量计划完程度资料如下表6-11 计算该企业第一季度平均计划完成程度。 2、由两个时点数列对比形成的相对指标或平均指标时间数列计算序时平均数 3、由一个时期数列和一个时点数列对比形成的相对指标或平均指标的时间数列计算序时平均数。 [例] 某企业第一季度商品销售额与月初库存额资料如表6—13。 计算该商业企业第一季度平均商品流转次数。 该商业企业第一季度平均商品流转次数为2.875次。 [练习1] 某商业企业2002年各月商品销售额资料如表6 -6所示，计算每季度销售额。 如：第一季度月平均销售额= （万元） 第二季度月平均销售额= （万元） 第三季度月平均销售额= （万元） 第四季度月平均销售额= （万元） 全年月平均销售额 = = 550(万元) 计算该专业学生平均每天出勤人数: （人） 由计算可知，该专业学生本星期平均每天出勤人 数为158人。 [练习3] 某企业2002年第四季度职工人数资料如表6—9所示。计算该企业第四季度平均职工人数 第四季度平均职工人数为 =245（人） [练习4] 某商场2002年库存情况 如表6—10 所示。计算该商场2002年的月平均库存额 复习 知识目标： 掌握时间序列变动的影响因素 时距扩大法、移动平均法、指数平滑法 能力目标： 能根据以往数据预测下一期的数据 影响动态趋势的因素分析 U.S.A. Population (USPOP.TSM) Ten-year intervals: 1790 to 1990. Exponential trend.Little or no random variability. Accidental Deaths in U.S.A. (DEATHS.TSM) Monthly totals: January 1973 to December 1978. Strong seasonal pattern: high in July, low in Feb. Dow-Jones Index (DJAO2.TSM) Closing prices on 251 consecutive trading days, ending 08/26/94.A Random Walk? Level of Lake Huron (LAKE.TSM) Annual levels (feet): 1875-1972. Linearly (?) decreasing trend. International Airline Passengers (AIRPASS.TSM) Monthly totals: January 1949 to December 1960; Strong seasonal effect: high in summer, low in winter. Linearly (?) increasing trend.Increasing variability. 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（序时平均法）、移动平均法、指数平滑法等等。 1、序时平均法 序时平均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数列，加工整理为时距较长的时间数列，以消除原数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 现在是否可以判断？ 应用序时平均法时需要注意以下几个问题： (1)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时间数列，扩大的时距应与波动的周期相吻合；对于一般的时间数列，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，