第11章时间序列和指数.pptxVIP

11.1 时间序列的成分 一个时间序列中往往由几种成分组成，通常假定是四种独立的成分——趋势、循环、季节和不规则。下面我们仔细研究其中的每一种成分。11.1.1 趋势成分 在一段较长的时间内，时间序列往往呈现逐渐增加或减少的总体趋势。时间序列逐渐转变的性态称为时间序列的趋势。趋势通常是长期因素影响的结果，如人口总量的变化、方法的变化等等长期影响因素趋势成分时间序列的长期动向11.1.2 循环成分 时间序列常常呈现环绕趋势线上、下的波动。任何时间间隔超过一年的，环绕趋势线的上、下波动，都可归结为时间序列的循环成分。围绕长期趋势线的上下波动循环成分11.1.3 季节成分许多时间序列往往显示出在一年内有规则的运动，这通常由季节因素引起，因此称为季节成分。季节因素引起的一年内有规则的运动季节成分11.1.3 季节成分例如，一个游泳池制造商在秋季和冬季各月有较低的销售活动，而在春季和夏季各月有较高的销售量。铲雪设备和防寒衣物的制造商的销售却正好相反。11.1.3 季节成分季节成分的扩展季节成分也可用来描述任何持续时间小于一年的、有规则的、重复的运动。例如，每天的交通流量资料显示在一天内的“季节”情况，在上、下班拥挤时刻出现高峰，在一天的休息时刻和傍晚出现中等流量，在午夜到清晨出现小流量。11.1.4 不规则成分 时间序列的不规则成分是剩余的因素，它用来说明在分离了趋势、循环和季节成分后，时间序列值的偏差。不规则成分是由那些影响时间序列的短期的、不可预期的和不重复出现的因素引起的。它是随机的、无法预测的。短期的，不可预期和不重复出现的因素引起的随机变动不规则成分11.1.4 不规则成分 分离出趋势成分不规则成分时间序列分离出循环成分分离出季节成分11.2 利用平滑法进行预测 本节我们讨论三种预测方法：移动平均法、加权移动平均法和指数平滑法。因为每一种方法的都是要“消除”由时间序列的不规则成分所引起的随机波动，所以它们被称为平滑方法。移动平均法三种平滑方法加权移动平均法指数平滑法11.2 利用平滑法进行预测 平滑方法对稳定的时间序列——即没有明显的趋势、循环和季节影响的时间序列——是合适的，这时平滑方法很适应时间序列的水平变化。但当有明显的趋势、循环和季节变差时，平滑方法将不能很好地起作用缺点优点平滑方法很容易使用，而且对近距离的预测，如下一个时期的预测，可提供较高的精度水平。平滑方法预测方法之一的指数平滑法对资料有最低的要求11.2.1 移动平均法移动平均法使用时间序列中最近几个时期数据值的平均数作为下一个时期的预测值。移动平均数的计算公式如下：（11－1）11.2.2 加权移动平均法对每期数据值选择不同的权数，然后计算最近n个时期数值的加权平均数作为预测值加权移动平均法通常，最近时期的观测值应取得最大的权数，而比较远的时期权数应依次递减移动平均法计算移动平均数时每个观测值权数权数相同11.2.3 指数平滑法 加权移动平均法属于只选择一个权数（最近时期观测值的权数），其他时期数据值的权数可以自动推算出来。当观测值离预测时期越久远时，权数变得越小指数平滑法11.2.3 指数平滑法 指数平滑法模型：式中Ft+1——t+1期时间序列的预测值； Yt——t期时间序列的实际值； Ft——t期时间序列的预测值； α——平滑常数（0≤α≤1）。11.2.3 指数平滑法 2期的预测值： 3期预测值： 最后，将F3的表达式代入F4的表达式中，有 11.2.3 指数平滑法 因此，F4是前三个时间序列数值的加权平均数。Y1，Y2和Y3的系数或权数之和等于1。 由此可以得到一个结论，即任何预测值Ft+1是以前所有时间序列数值的加权平均数。 11.2.3 指数平滑法 指数平滑法提供的预测值是以前所有预测值的加权平均数，但所有过去资料未必都需要保留，以用来计算下一个时期的预测值。指数平滑法特点一旦选定平滑常数α，只需要二项的信息就可计算预测值。式（11-2）表明，对给定的α，我们只要知道t期时间序列的实际值和预测值，即Yt和Ft，就可计算t+1期的预测值。11.3 利用趋势推测法进行预测 本节我们将说明如何对拥有长期线性趋势的时间序列进行预测。趋势推测法可行长期线性趋势数列不稳定，随时间呈现持续增加或减少的形态平滑法不合适11.3 利用趋势推测法进行预测 [例题11.1] 考虑一某超市过去10年的自行车销售量时间序列，资料见表11-1。注意，第1年销售了21600辆，第2年销售了22900辆，…，第10年（即最近一年）销售了31400辆。尽管图11-1显示在过去10年中销售量有上、下波动，但时间序列总的趋势是增长的或向上的。 11.3 利用趋势推测法进行预测 11.3 利用趋势推测法进行预测 图11-1 自行车销售时间序列的图形 11.3 利用趋势推测法进行预测