第12篇管理统计学.pptx

;;时间序列分析的应用范围十分广泛，可以根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述；可以用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理；还可以根据时间序列模型调整输入变量，以使系统在发展过程中保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。 ;时间序列的概念;时间序列的分类 ;举例说明;时间序列的组成因素与模型;统计学上，时间序列一般有两种的模型：乘法模型和加法模型。 乘法模型： 加法模型：; 平稳时间序列平滑与预测; 移动平均法;例12-1;解：以3年移动平均为例说明计算步骤，3年移动平均趋势值由一系列3个连续观察值平均得到。第一个3年移动平均趋势值由序列中前5年的观察值相加再除以3得到： 依次类推，可得3年移动平均趋势值和7年移动平均趋势值如图12-2所示。 在序列中前 年和后 年都不可能得到移动平均值。所以，以3年移动平均序列为例，序列的前一年和后两一年都是没有移动平均值的。 ;分析结论如下： 从图12-2中观察到，3年移动平均趋势值放在第二项对应的位置上，7年移动平均趋势值放在第4项对应的位置上。 同时，看到7年移动平均序列比3年移动平均序列表现的趋势更明显，这是因为它的移动间隔更长。 移动间隔越长，可以得到的移动平均值越少，因此，长于7年的移动间隔通常是不可取的，因为在序列的前几项和后几项将失去太多的移动平均值，这可能导致脱离现象发展的真实趋势。 ;移动平均法存在的一些问题 加大移动平均法的期数（即加大N值）会使平滑波动效果更好，但会使预测值对时间序列数据的实际变动更不敏感 ； 移动平均值并不总是很好地反映出趋势，由于是平均值，预测值总是停留在过去的水平上，从而不能预测将来的波动性； 移动平均法还需要有大量过去数据的记录，如果缺少历史数据，移动平均法就无法使用。 ; 指数平滑法;例12-2;图12-3 汽车租赁需求量预测值 ; 有趋势序列的最小二乘法预测模型; 线性趋势模型;例12-3;使用Excel的做直线趋势分析 ，输出结果如下： 从分析结果得直线趋势方程为： ;直线曲线方程如下所示 ： 可以清楚的观察到一条逐渐向上的直线，其直线回归的调整后的判定系数为0.966。 ;二次曲线趋势模型;例12-4; 由上图输出结果可以看出二次曲线趋势方程为： 二次曲线方程如下图所示： 明显看出二次曲线趋势模型不如直线趋势模型适合这个时间序列，它调整后的判定系数为0.965。 ;例12-5;输出结果可得指数趋势方程为： 采用对数还原可得到最终的指数趋势方程为 ： 指数曲线方程如下图所示 ： 同二次曲线趋势模型一样，指数曲线趋势模型不如直线趋势模型适合这个时间序列，它调整后的判定系数为0.966。 ;使用第一、第二、百分数差异法选择模型;如果直线趋势模型能完全适用于的一个时间序列，那么这个时间序列的第一差异将相等，也就是说连续观察值之间的差值应该是相等的 ，即 如果二次曲线趋势模型能完全适用于的一个时间序列，那么这个时间序列的第二差异将相等，即 ;如果指数曲线趋势模型能完全适用于的一个时间序列，那么这个时间序列的百分数差异将相等，即 虽说我们不可能期望一个时间序列存在完全适用的模型，但是我们可以考虑使用第一、第二和百分数差异法来选择一个合适的模型。 ; 我们对表12-5所示某企业2000-2005年部分的销售额序列进行第一、第二和百分数差异法分析如表12-6所示： 观察表12-6中的数据，发现这个时间序列的第一、第二和百分数差异都不相等。这样，我们在12.4节将介绍另外一个可能更适合这个时间序列的模型。 ;有趋势序列的自回归预测模型;一般，一级自回归模型为： 二级自回归模型为： n级自回归模型为： 都是参数，可以用最小二乘法进行参数的估计。 ; 用自回归预测模型预测的具体步骤为： （1）确定最大滞后值n， 而是后面进行回归系数显著性检验（t检验）的自由度。 （2）形成一系列的滞后时间序列。 （3）运用Excel给出滞后序列的回归结果，确定自回归方程。 （4）对模型中最高级别参数进行显著性检验，检验统计量t值由公式如下定义：; 式中， 是回归模型中最高级别参数的假设值 是自回归模型中最高级别参数的估计值 是的 标准离差 a. 如果零假设被