(应用统计学经济与相关管理中的数据分析)第十三章时间序列分析和预测.pptVIP

* 第十三章 时间序列分析和预测 【本章导读及学习目标】 时间序列分析是研究事物发展趋势及其规律的重要方法，它主要分析社会经济现象随时间变化的数量规律性。本章从时间序列的特点入手，主要通过对时间序列的指标分析、构成成分分析，学习时间序列的分析和预测方法。时间序列的指标分析主要是水平分析和速度分析，时间序列的构成成分主要通过长期趋势、季节变动、循环趋势和不规则变动进行分析，最后讲解利用SPSS软件进行时间序列的分析和预测。 通过本章的学习，重点掌握时间序列的概念、种类、时期序列和时点序列的特点及时间序列的水平指标和速度指标的计算和运用；在此基础上熟悉时间序列的构成因素及分析模型，熟悉趋势变动及季节变动的测定。 * 第一节 时间序列的概念和种类 社会经济现象常常呈现动态性，也就是随着时间而变化。按照一定的时间顺序对某个现象、某个变量进行观测并记录下来的数值形成的序列就是时间序列。统计对社会经济对象的研究不仅要从静态上揭示研究对象在具体时间、地点、条件下的数量特征和数量关系，而且要从动态上反映其发展变化过程及其规律性。时间序列分析是对事物进行动态研究的基本统计方法。 * 一、时间序列的概念 时间序列(time series)是指按照时间顺序排列的某种现象统计指标观测值的数据序列，也称为时间数列或动态序列。其中，时间可以是年、季度、月、周、日或其他任何时间形式。 常见的时间序列有：按年、季度、月、周、日统计的商品销售量、销售额或库存量，各年的国民生产总值、人口出生率，逐日的股票价格，各季度的物价指数等。 * 一、时间序列的概念 时间序列可用于分析社会经济现象发展变动的数量规律，其作用如下。 (1) 计算各种水平指标和速度指标，考察社会经济现象发展变化的方向、速度与结果，并进行动态比较。 (2) 用于建立数学模型，描述社会经济现象发展变化的特征与趋势，揭示其变化规律，对未来发展状况进行预测。 (3) 将不同时间序列纳入同一个模型中进行分析，揭示现象之间相互联系的程度及其动态演变关系。 * 一、时间序列的水平分析 (一)发展水平 (二)平均发展水平 1．根据时期序列计算平均数 2．根据时点序列求平均数 3．根据相对数求平均数 (三)增长量 (四)平均增长量 * 二、时间序列的速度分析 (一)发展速度 1．环比发展速度 2．定基发展速度 (二)平均发展速度 (三)增长速度 1．环比增长速度 2．定基增长速度 (四)平均增长速度 * 第三节 时间序列的构成和预测模型 一、时间序列的构成 (一)趋势成分 (二)季节成分 (三)循环成分 (四)不规则成分 * 二、时间序列预测模型 * 二、时间序列预测模型 按照上述两种模型，再采用一定的方法把影响时间序列的四种因素分离出来，就可以度量出不同因素对序列影响的大小和规律，从而了解一个时间序列是如何综合这些因素的变动而体现它本身的变动的，为我们认识过去、评估现实、预测未来提供科学的依据。 当我们收集到一些数据，如何确定是使用加法模型还是乘法模型呢？一个简单的方法是观察图形。如果数值偏离趋势部分的大小不随时间的改变而改变，用加法模型；如果数值偏离趋势部分的大小随时间的改变而增加，用乘法模型。 这两种模型中，由于相对数具有直接的可比性，所以在实际中乘法模型应用频率较高。本章后面的分析和预测中仅就乘法模型加以论述和分析。 * 第四节 长期趋势的测定 按照上一节时间序列分解的思想，时间序列可以分解为四种成分，进行时间序列分析可以将不同成分从序列中分解出来。长期趋势变动是时间序列分析首先要研究的最重要的变动，因为它代表着事物发展变化的主要趋势。测定长期趋势的方法很多，通常有移动平均法、指数平滑法和模型拟合法。本节介绍这几种测定长期趋势的方法。 * 一、移动平均法 (一)简单移动平均法 (二)加权移动平均法 * 二、指数平滑法 移动平均法实际上是利用简单平均数或加权平均数作为时间序列某一期趋势的估计，如简单平均法是利用最近n期数据的算术平均数作为最后一期趋势的估计，实际上假定无论时间的远近，这最近n期的观测值对最后一期的影响都是一样的。但实际上，对大多数随机事件而言，通常近期的结果对现在影响会大一些，远期的结果对现在的影响会小些。为了更好地反映这种影响作用，我们考虑时间间隔对事件发展的影响，各期数据的权重随着时间间隔的增大而呈指数衰减，这就是指数平滑的思想。 指数平滑法(exponential smoothing method)是用过去时间序列值的加权平均数作为趋势值或预测值，该方法只选择一个权重，即最近时期观测值的权重，其他时期数据值的权重可以自动推算出来，离得越近的观测值要给以更多的权数，当观测值离预测时期越久远时，权重变得越小，其权重按指数速度递减。 * 二、指数平滑法 * 二、