《应用统计学》第14章：时间序列预测和指数.pptVIP

应用统计第1章 第14章 时间序列预测和指数 时间序列分析是一种广泛使用的数据分析方法，它主要用来描述与探索自然和社会经济现象随时间发展变化的数量规律性。通过本章的学习，我们希望读者能够了解不同的时间序列预测模型，比如移动平均法、指数平滑法、线性趋势、二次趋势、指数趋势、自回归和用于季节性数据的最小二乘模型，掌握统计实践中模型选择的方法，并同时了解指数的一些基础知识。 本章内容： §14.1 时间序列模型的组成因素 §14.2 年度时间序列数据的平滑 §14.3 基于最小二乘法的趋势拟合和预测 §14.4 自回归模型用于拟合和预测趋势 §14.5 时间序列预测季节数据 §14.6 指数 §14.1 时间序列模型的组成因素 时间序列预测有一个基本假设，那就是影响过去和现在活动的因素将继续以几乎相同的方式影响将来。因此，时间序列预测的主要目的是识别和区分这些影响因素，从而达到帮助我们进行预测的目的。为了达到这些目标，可以用许多数学模型来测量一个时间序列的基本组成因素。一般说来，一个时间序列主要包括如下因素： 趋势成分 波动成分 循环因素 随机因素 季节因素 1.年度时间序列模型 2.月度或季度时间序列模型 §14.2 年度时间序列数据的平滑 在考查年度数据时，由于受到年与年之间波动的影响，我们对该序列长期趋势没有很明显的直观印象，从而不能确定序列中是否存在长期上升或下降的趋势。想要对数据一段时期内的整体变化有更好的了解，可以运用移动平均法或指数平滑法。 1.移动平均法 移动平均法是对于选定的一个长度为L的时期，通过计算L个观测值的均值来预测未来的值，移动平均值以MA(L)表示。 结果取决于L的选取。 例如，5年移动平均，选取L=5; 7年移动平均，选取L=7 举例：5年移动平均 第1个移动平均： 第2个移动平均： 案例：年度销售数据 案例：年度销售数据 年度数据与移动平均 5年移动平均平滑了数据并且显示出某种潜在的变化趋势 2.指数平滑 指数平滑法也是一种时间序列平滑的方法。除了平滑作用，当不确定长期趋势是否存在或长期趋势的类型时，还可以运用指数平滑法进行短期(即将来的某个时期)预测。 之所以称之为指数平滑，是因为这个方法包含一系列指数权重的移动平均。最近的一个值权重值最高，之前的值权重值较之略小，依次递减，第一个值的权重最小。整个序列中，每个指数平滑值都是在所有过去值的基础上得出的，这是指数平滑不同于移动平均的另一个优势。尽管指数平滑计算看上去似乎很麻烦，但是可以运用Microsoft Excel进行计算。 指数平滑模型 指数平滑举例 假设权重 W = 0.2 预测时期 i + 1 §14.3 基于最小二乘法的趋势拟合和预测 运用回归分析预测趋势线： 基于最小二乘法的趋势拟合和预测 线性趋势方程为： 基于最小二乘法的趋势拟合和预测 当时间序列体现出非线性趋势时，可以采用非线性回归模型 二次趋势预测方程： 检验二次项的显著性： 也可以尝试其它非线性函数类型以获取最佳拟合方程。 基于最小二乘法的趋势拟合和预测 指数趋势预测方程： §14.4 自回归模型用于拟合和趋势预测 时间序列中的观测值往往与之前或之后的观测值高度相关，这种相关称为自相关。自回归模型是用来预测含有自相关的时间序列的一种方法。一阶自相关指一个时间序列中连续值之间的相关关系。二阶自相关指两个时期的值之间的相关关系。p阶自相关指一个时间序列中p个时期的值之间的相关关系。 p 阶自回归模型： §14.5 时间序列预测季节数据 回顾包含季节变动的经典时间序列模型 ： 假设季节为季度： 定义3个虚拟变量： 若为第1季度，则Q1 = 1，否则为0 若为第2季度，则Q2 = 1，否则为0 若为第3季度， 则Q3 = 1，否则为0 (若Q1 = Q2 = Q3 = 0，那么第4季度为1） 时间序列预测季节数据 变换为线性形式： 季节模型估计 指数预测方程： 季度模型举例： 假设预测方程为： 季度模型举例： §14.6 指数 简单地说，指数是一个时间序列中某个特定时点的观测值与另一个时点观测值的百分比。 通常，在商业和经济活动中，指数被用作商业或经济活动变化的指示值。指数有很多种，比如价格指数、数