(13)第13章 时间序列分析和预测2-(精选·课件).pptVIP

简单平均法 简单平均法  (simple average) 根据过去已有的t期观察值来预测下一期的数值 设时间序列已有的其观察值为 Y1、Y2、… 、Yt，则t+1期的预测值Ft+1为 有了t+1的实际值，便可计算出的预测误差为 t+2期的预测值为 简单平均法(特点) 适合对较为平稳的时间序列进行预测，即当时间序列没有趋势时，用该方法比较好 如果时间序列有趋势或有季节变动时，该方法的预测不够准确 将远期的数值和近期的数值看作对未来同等重要，从预测角度看，近期的数值要比远期的数值对未来有更大的作用。因此简单平均法预测的结果不够准确 移动平均法 移动平均法(moving average) 对简单平均法的一种改进方法 通过对时间序列逐期递移求得一系列平均数作为趋势值或预测值 有简单移动平均法和加权移动平均法两种 简单移动平均法(simple moving average) 将最近k的其数据加以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 预测误差用均方误差(MSE) 来衡量 简单移动平均法(特点) 将每个观察值都给予相同的权数 只使用最近期的数据，在每次计算移动平均值时，移动的间隔都为k 主要适合对较为平稳的时间序列进行预测 应用时，关键是确定合理的移动间隔长 对于同一个时间序列，采用不同的移动步长预测的准确性是不同的 选择移动步长时，可通过试验的办法，选择一个使均方误差达到最小的移动步长。 简单移动平均法(例题分析) 【例】对居民消费价格指数数据，分别取移动间隔k=3和k=5，用Excel计算各期的居民消费价格指数的平滑值(预测值) ，计算出预测误差，并将原序列和预测后的序列绘制成图形进行比较 简单移动平均法(例题分析) 解：先将1998～2003年各季度农业生产资料零售额数据按时间顺序排列，然后求其4项移动平均趋势值 移动平均使用时注意事项 （1）进行平滑修均数列时，移动平均后的趋势值应放在各移动项的中间位 （2）对于偶数项移动平均需要进行“中心化” （3）移动间隔的长度应长短适中 如果现象的发展具有一定的周期性，应以周期长度作为移动间隔的长度 若时间数列是季度资料，应采用4项移动平均 若为月份资料，应采用12项移动平均 加权移动平均法(weighted moving average) 对近期的观察值和远期的观察值赋予不同的权数后再进行预测 当时间序列的波动较大时，最近期的观察值应赋予最大的权数，较远的时期的观察值赋予的权数依次递减 当时间序列的波动不是很大时，对各期的观察值应赋予近似相等的权数 所选择的各期的权数之和必须等于1。 对移动间隔(步长)和权数的选择，也应以预测精度来评定，即用均方误差来测度预测精度，选择一个均方误差最小的移动间隔和权数的组合 指数平滑法 指数平滑法(exponential smoothing) 是加权平均的一种特殊形式 对过去的观察值加权平均进行预测的一种方法 观察值时间越远，其权数也跟着呈现指数的下降，因而称为指数平滑 有一次指数平滑、二次指数平滑、三次指数平滑等 一次指数平滑法也可用于对时间序列进行修匀，以消除随机波动，找出序列的变化趋势 一次指数平滑(single exponential smoothing) 只有一个平滑系数 观察值离预测时期越久远，权数变得越小 以一段时期的预测值与观察值的线性组合作为t+1的预测值，其预测模型为 一次指数平滑 在开始计算时，没有第1个时期的预测值F1，通常可以设F1等于1期的实际观察值，即F1=Y1 第2期的预测值为 第3期的预测值为 一次指数平滑 (预测误差) 预测精度，用误差均方来衡量 Ft+1是t期的预测值Ft加上用?调整的t期的预测误差(Yt-Ft) 一次指数平滑 (?的确定) 不同的?会对预测结果产生不同的影响 一般而言，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 一次指数平滑 (例题分析) 用Excel进行指数平滑预测 第1步：选择“工具”下拉菜单 第2步：选择“数据分析”选项，并选择“指数平滑”，然后确定 第3步：当对话框出现时 在“输入区域”中输入数据区域 在“阻尼系数”（注意：阻尼系数=1- ? ）输入的值 选择“确定” 一次指数平滑 (例题分析) 一次指数平滑 (例题分析) 线性趋势分析和预测