(精选)统计学第8 章时间序列分析课件.ppt

第8章 时间序列分析 Time Series Analysis;学习目标;为什么要进行时间序列分析？;8.1 时间序列的分解 ;季节变动（ S ）;循环变动（C）;不规则变动（I）; ; ;加乘混合模型，比如 时间序列分解模型的选取需要考虑到现象变化的规律和数据本身的特征，如果季节变动（循环变动、不规则变动）依赖于长期趋势的变化，则宜选用乘法模型或加乘混合模型，否则可以考虑加法模型。 ;8.1.3 时间序列长期趋势分析;1 移动平均法;把时间序列连续 N 期的平均数作为最近一期（第t期）的趋势值: ;把时间序列连续 N 期的平均数作为 N 期的中间一期的趋势值。 如果N为奇数，则把N期的移动平均值作为中间一期的趋势值。 如果N为偶数，须将移动平均数再进行一次两项移动平均，以调整趋势值的位置，使趋势值能对准某一时期)。相当于对原序列进行一次N+1 项移动平均，首末两个数据的权重为0.5，中间数据权重为1。;Example 1;中心移动平均法;移动平均的结果;Example 2;移动平均股价序列;移动平均法一般用来消除不规则变动的影响，把序列进行修匀（smoothing)，以观察序列的其他成分。 如果移动平均的项数等于季节长度则可以消除季节成分的影响； 如果移动平均的项数等于平均周期长度的倍数则可以消除循环变动的影响。 由于区分长期趋势和循环变动比较困难，在应用中有时对二者不做区分，而是把两项合在一起称为“趋势循环”成分（trend-cycle)。;2、时间回归法（趋势方程法）;趋势线的选择;趋势方程的估计方法;Example 1: 新卫机械厂的销售收入;Excel的计算结果;趋势方程;Example 2: 销售额时间序列 ;8.1.4 时间序列季节变动分析 ;季节指数 ;用移动平均趋势剔除法计算季节指数;案例:海鹏网球中心的利润。;季节指数的计算;季节指数的计算;季节指数的图形;;对销售额时间序列，分别利用乘法模型和加法模型由SPSS软件计算出的季节指数和季节因素后，可以看出，销售旺季为8月份，淡季为12月份。 ;时间序列图形;月份;销售额时间序列的季节变动（加法模型） ;8.1.5 时间序列循环变动分析;循环变动;循环变动的图形;不规则变动;8.1.6 ??间序列分解预测法;由建立的趋势模型得到; 为了考察预测效果，利用1990.1－2001.12数据对2002年各月的销售额进行预测，这样可以计算预测误差。 首先原始序列进行成分分解，这里我们选择乘法模型（分析?预测?季节性分解），得到序列的季节指数和季节调整后的序列。 ; 根据季节调整后的序列（包含TCI成分）拟合二次趋势方程。 因为t在模型中不显著，被从模型中剔除 注：也可以根据原始数据拟合趋势方程；或者对原始序列的12期中心化移动平均序列（包含TC成分)建立趋势模型。 ;利用二次模型预测出2002年各月份的销售额的趋势值，再乘以季节指数就可以得到2002年各月份的销售额的预测值。 ;销售额时间序列与分解法预测（乘法模型） ;预测误差的测度指标;预测误差的测度指标;乘法模型的预测误差;乘法模型的预测误差;8.2 指数平滑 Exponential smoothing ; 指数平滑方法的基本原理;;适用场合;平滑系数的确定;初始预测值的确定;案例分析;单参数指数平滑的图形结果; ;双参数指数平滑模型;应用实例;应用实例;图形;双参数指数平滑预测新卫机械厂的销售收入;预测图形; ; ;例子：销售额时间序列 ; ;Example : 销售额时间序列的温特指数平滑预测;8.3 ARIMA模型;时间序列的平稳性; 非平稳序列 平稳序列;;平稳时间序列模型;一个模拟的AR(1)序列;一个模拟的MA(1)序列;有均值项的ARMA模型; ;模型（序列） AR(p) MA(q) ARMA(p,q) 自相关函数 拖尾 第q个后截尾 拖尾 偏自相关函数 第p个后截尾 拖尾 拖尾;Example：一个零均值时间序列; 下图图中横线为0±两倍标准差，可以判断ACF和PACF是否显著非零）。可以看出ACF呈拖尾状，PACF第2个后截尾，可初步断定序列适合AR(2)模型。 ;模型阶数的确定;模型阶数的确定（ARMA）*; ; ;例1：AR模型;例1：AR模型;例2：MA模型;例2：MA模型;MA(2)模型;MA(2)的拟合效果图