非平稳序列的确定性分析课件.pptVIP

X-12-ARIMA模型季节效应图 X-12-ARIMA模型趋势效应图 X-12-ARIMA模型随机波动效应图 X-12-ARIMA模型拟合效果图 本章结构 确定性因素分解 1. X-11季节调整模型 2. X-12-ARIMA模型 3. 指数平滑预测模型 4. 指数平滑预测模型 确定性因素分析的第二个主要目的是根据序列呈现的确定性特征，选择适当的模型，预测序列未来的发展。根据序列是否具有长期趋势与季节效应，可以把序列分为如下三大类： 第一类：既没有长期趋势有没有季节效应的序列 第二类：只有长期趋势，没有季节效应的序列 第三类：既可以有长期趋势，也可以没有长期趋势，但一定有季节效应的序列 在确定性因素分解领域，针对这三类序列，可以采用三种不同的指数平滑模型进行序列预测。 简单移动平均 对于既无长期趋势，又无季节效应的水平平稳序列，可以认为序列在一个比较短的时间间隔内，序列的取值是比较稳定的，序列值之间的差异主要是由随机波动造成的。根据这种假定，我们可以用最近一段时间内的平均值作为未来几期的预测值，该方法称为简单移动平均预测法。 假定最后一期的观察值为 ，那么使用简单移动平均模型，向前预测 期，各期的预测值为 简单指数平滑预测模型 简单移动平均法实际上就是用一个简单的加权平均数作为某一期序列值的估计值。实际上也就是假定无论时间的远近，这n期的观察值对预测值的影响力都是一样的。但在实际生活中，我们会发现对大多数随机事件而言，一般都是近期的结果对现在的影响会大些，远期的结果对现在的影响会小些。为了更好地反映这种时间所起的影响作用，我们将考虑到时间间隔对事件发展的影响，各期权重随时间间隔的增大而呈指数衰减。这就是1961年Brown和Meyers提出指数平滑法的构造思想。 简单指数平滑模型 等价模型 简单指数平滑 简单指数平滑面临一个确定初始值的问题。我们有许多方法可以确定的初始值，最简单的方法是指定 。 平滑系数 的值最初由研究人员根据经验给出。一般对于变化缓慢的序列， 常取较小的值，相反对于变化迅速的序列， 常取较大的值。经验值通常介于0.05至0.3之间。 从理论上我们可以证明使用简单指数平滑法预测任意期的预测值都为常数。 案例5.8 根据1950-2008年的观察值序列，指定平滑系数为0.2，采用指数平滑法预测2009-2013年我国邮路及农村投递线路每年新增里程数。 Holt两参数指数平滑 Holt 两参数指数平滑适用于对含有线性趋势的序列进行修匀。它的基本思想是假定序列有一个比较固定的线性趋势——每期都递增r或递减r，那么第t期的估计值就应该等于第t-1期的观察值加上每期固定的趋势变动值，即 但是由于随机因素的影响，使得每期的递增或递减值不会恒定为r，它会随时间变化上下波动，所以趋势序列实际上是一个随机序列,因而 Holt两参数指数平滑 Holt两参数指数平滑公式 平滑序列的初始值，最简单的是指定 。 趋势序列的初始值，最简单的方法是：任意指定一个区间长度,用这段区间的平均趋势作为趋势初始值 使用Holt 两参数指数平滑法，向前 期的预测值为 案例5.9 对1964—1999年中国纱年产量序列进行Holt 两参数指数平滑，并预测2000—2015年中国纱产量序列值 Holt-Winters三参数指数平滑 为了修匀引入季节效应的序列，Winters在1960年在Holt两参数指数平滑的基础上构造了Holt-Winters三参数指数平滑。 Holt-Winters三参数指数平滑公式（加法模型） Holt-Winters三参数指数平滑 Holt-Winters三参数指数平滑公式（乘法模型） 案例5.10 对1993—2000年中国社会消费品零售总额序列，使用Holt-Winters三参数指数平滑法进行12期预测。 上机指导 X-11过程 X-12过程 Forecast过程 * 该序列 * 该序列 * 该序列 * 案例5.4 季节偏差图 季节指数图 Henderson加权移动平均 简单中心移动平均具有很多优良属性，使它成为实务中最常用的一种移动平均方法，但是它也有不足。在提取趋势信息的时候，它能很好地提取一次函数和二次函数的信息，但是对于2次以上曲线，它的趋势信息提取不充分。 Henderson是一位20世纪早期的保险精算统计学家，他最初提出Henderson加权移动平均是为了解决生命表的修匀问题。 X11过程使用Henderson加权移动平均，在简单中心移动平均的基础上进一步精确提取序列趋势信息 案例5.5 使用五期简单中心移动平均对一元三次函数 进行拟合，并考察拟合误差项的性质。 五期中心