(09)第9章 利用过去的模式预测未来(课件)-(精选·课件).pptVIP

未来是不可预测的，不管人们掌握多少信息，都不可能存在能作出正确决策的系统方法。 C. R. Rao 怎样解决下面的问题？ 明年的GDP(国内生产总值)会是多少？ 明天的股票是上涨还是下跌？ 下个月的CPI(消费者价格指数)会是多少 要？ 10月份是房屋销售的旺季吗？ 春节期间的商品销售额增加了吗？ 银行加息周期已经来临了吗？ 第 9 章 根据过去的模式预测未来 9.1 时间序列的组成要素 9.2 时间序列预测的程序 9.3 平滑法预测 9.4 趋势模型预测 9.5 多成分序列的预测 时间序列(times series) 时间序列是按时间记录的一组观测值 其变化可能受一种或几种因素的影响，导致它在不同时间上取值的差异，这些影响因素就是时间序列的组成要素 通常一个时间序列由4部分组成：趋势、季节变动、循环波动和随机波动 时间序列的成分 趋势(trend) 持续向上或持续下降的状态或规律 季节变动(seasonal fluctuation) 也称季节变动(Seasonal fluctuation) 时间序列在一年内重复出现的周期性波动 周期波动(cyclical fluctuation) 也称循环波动(Cyclical fluctuation) 围绕长期趋势的一种波浪形或振荡式变动 随机波动(random fluctuation) 也称不规则波动(Irregular variations) 除去趋势、周期性和季节性之后的偶然性波动 含有不同成分的时间序列 9.2.1 确定时间序列的成分 确定时间序列的成分(例题分析) 确定时间序列的成分(例题分析) 9.2.2 选择预测方法并进行评估 预测方法的选择 误差评估 平均误差ME(mean error) 平均绝对误差MAD(mean absolute deviation) 误差评估 均方误差MSE(mean square error) 平均百分比误差MPE(mean percentage error) 平均绝对百分比误差MAPE(mean absolute percentage error) 移动平均法(moving average) 将最近k期数据平均作为下一期的预测值 设移动间隔为k (1kt)，则t期的移动平均值为 t+1期的简单移动平均预测值为 指数平滑法(exponential smoothing) 观察值离预测时期越久远，权数变得越小，而且以指数形式下降 以一段时期的预测值与观察值的线性组合作为第t+1期的预测值，其预测模型为 指数平滑法 (? 的确定) 不同的?会对预测结果产生不同的影响 当时间序列有较大的随机波动时，宜选较大的? ，以便能很快跟上近期的变化 当时间序列比较平稳时，宜选较小的? 选择?时，还应考虑预测误差 误差均方来衡量预测误差的大小 确定?时，可选择几个进行预测，然后找出预测误差最小的作为最后的值 棉花产量的移动平均和指数平滑预测 9.4.1 线性趋势预测 线性趋势预测(linear trend) 现象随着时间的推移而呈现出稳定增长或下降的线性变化规律 线性方程的形式为 人均GDP的线性趋势预测(例题分析) 9.4.2 非线性趋势预测 指数曲线(exponential curve) 时间序列以几何级数递增或递减 一般形式为 轿车产量的指数趋势预测 (例题分析) 用Excel中的GROWTH函数进行指数趋势预测 修正指数曲线(modified exponential curve) 在一般指数曲线的方程上增加一个常数项K 一般形式为 修正指数曲线(求解k，a，b 的三和法) 修正指数曲线(求解k，a，b 的三和法) 住宅面积的修正指数曲线预测 (例题分析) Gompertz 曲线(Gompertz curve) 以英国统计学家和数学家 B·Gompertz 的名字而命名 一般形式为 Gompertz 曲线(求解K，a，b 的三和法) 罗吉斯蒂曲线(Logistic curve) 多阶曲线 有些现象的变化形态比较复杂，它们不是按照某种固定的形态变化，而是有升有降，在变化过程中可能有几个拐点。这时就需要拟合多项式函数 当只有一个拐点时，可以拟合二阶曲线，即抛物线；当有两个拐点时，需要拟合三阶曲线；当有k-1个拐点时，需要拟合k阶曲线 k阶曲线函数的一般形式为 线性化后，根据最小二乘法求 机床产量的的三阶曲线预测 (例题分析) 9.4.3 自回归模型预测 自回归模型预测 时间序列数据后期的观察值往往与它前面的观察值相关 可以想象2007年的人均GDP与2006年的人均