一种基于周期波动样本预测方法.docVIP

一种基于周期波动样本的预测方法 　　［摘要］探讨了一类统计样本的周期性与波动性成立的条件下，建立分段线性回归方程，以此方法来进行分析预测。该方法较用全系列数据建立的一元线性回归方法误差更小，适合于经济活动中典型的时序列周期性样本为基础的预测。 　　［关键词］预测 时序列 周期性样本 分段回归 　　 　　一、引言 　　 　　以时序列方法分析经济活动现象时,一般是以日、月、季、年等为统计单位，对观察大量统计数据时，发现其中有些统计对象存在一定的周期现象，而在一个周期内又存在一定的波动性，如交通量、旅游人数、销售量等。 　　利用统计数据，建立适当预测模型，有线性回归、功率谱分析、逐步回归、长周期波以及神经网络方法等。但是谱分析方法和神经网络等方法要求时间序列数据到达观测次数，样本数少则拟合不好，且要求数据符合静态要求。简单的线性回归方法对明显周期波动的时序列样本预测存在较大的误差。在其它因素没有较大变化的前提下，本文提出时序列样本的周期性与波动性成立时，建立分段回归方程的预测方法。 　　1.时序列样本的周期性分析 　　首先，观测样本的周期性，如图1。估计周期的时间长度。将样本按估计的周期分段，假设有l段，如图2。检验各段相互之间的相关性。其中第Xi、Xj段之间的相关系数为： 　　式1中，δxi、δxj为Xi、Xj段的标准差；n为每段观测值数目，各段相等。 　　样本的周期性可以由各样本段的线性相关显著性来检验。给定显著性水平α，由t分布确定接受各段之间为线性相关假设所必须达到的相关系数为rα，当任意两队样本的相关系数rrα时，接受周期性假设，说明样本呈现周期性，可以进行下一步处理。当r≤rα时，拒绝周期性假设，分段回归方法将因为误差增大而失效。 　　 　　二、建立分段回归方程 　　 　　根据对应周期内各段在t1＋(i-1)t周＋Δt时点的时间ti和观测值，分别建立n个一元线性回归方程。 　　 　　三、预测方法 　　 　　设预测时点为T’，确定T’对应周期中的时点Δt和周期序数i： 　　i=（T’-Δt -t1）/t周（式5） 　　选择Δt对应的第k个回归方程，预测值为Y’，则有： 　　Y’=αk+βk i。 （式6） 　　 　　四、模型显著性检验 　　 　　通过历史数据与模型的预测计算值对比，对按分段法建立的模型进行总体均值一致性检验、方差检验和拟合优度检验，以确定模型与实际情况相吻合。 　　1.总体均值一致性检验: 　　假设，给定显著水平α， 　　（式中1、2分别指代预测值样本和实际值样本，下同)查t分布表，当时,接受原假设H0。 　　2.方差检验: 　　假设，给定显著水平为α， 　　查F分布表，当,接受原假设H0。 　　3.拟合优度检验: 　　假设H0：分段回归方程符合实际规律，计算： 　　给定显著水平为α，查X2分布表，当x2≤时，接受原假设H0，即分段回归方程符合实际规律。 　　 　　五、算例 　　 　　数据来源于国家统计局发布的全社会客货运量资料中的铁路月进度指标（客货合计）。假设铁路客货运输需求增长速度与铁路运力增加投入速度基本稳定。预测2007年铁路客货发送量。 　　1.验证月度运量的周期性 　　观察发现客货运量的总体趋势是增加的，在每一年内不同月份有些许增减。按年度对比时，发现每年的运量曲线线形基本相似，以年度为周期，反复出现，呈现周期性，如图3。按式2，取显著水平为α=0.05，计算各年度数据间的相关系数，均大于rα，各年度按月份的统计数据呈现相关性。由于各个月份之间的运量不同，表现为波动，该波动具有规律，即以年为周期，呈周期性。以其它时间长检验，其周期性不成立。 　　2.预测模型的建立与拟合效果检验 　　按对应月份分别建立一元线性回归方程，其中自变量t为年度值。通过2006年运量的实际值与模型对2006年运量的回归计算值对比，进行检验。通过样本总体均值一致性检验、方差检验、拟合优度检验，说明按月份分别建立回归方程符合实际规律。 　　3.预测2007年的铁路客货发送量 　　根据分段回归方程，预测2007年1月的运量为：Y（2007年1月）=0.248×2007-494.174=3.562亿吨。同理预测其它各月份的发送量依次分别为：3.46、3.59、3.57、3.76、3.62、3.83、3.95、3.70、3.76、3.78和3.80亿吨。如图4，可得出2007年发送量的预测值与历年的实际值具有相似的波动性。 　　 　　六、结语 　　 　　历史数据反映了人们需求的周期波动性，是安排生产与经营活动的关键。比较用全系列数据的一元线性回归方法与分段回归方法的预测值与实际值的偏差，说明分段回归方法远远优于前者。分段回归方法适