运筹学预测-精品·公开课件.pptVIP

第七章 预测方法 第一节 预测的概念 第二节 定性分析预测法 第三节 时间序列预测法 第四节 回归分析预测法 第一节 预测的概念 第三节 时间序列预测法 什么是数据 数据是一种信息，这种信息如以量的标志显现出来，就称其为数据。数据是一定条件下客体在量的方面的综合表现。在开始一项研究工作时，最基本的工作之一，就是收集数据。 数据按其本义来说是定量的（计数或计量）的。但在实际应用中，它们可以是定量的，也可以是定性的，或者是两者的结合。随着人类认识客体技术的提高与认识层次的深化，数据的外延还在不断的扩大。 样本数据 常用的样本数据有三类： 时间序列数据（Time series data），是一批按照时间先后顺序排列的统计数据 截面数据（Cross section data），是一批发生在同一时间截面上的调查数据 虚拟变量数据（Dummy variable data），也称为二进制数据，一般取0或1。虚拟变量经常被用在计量经济学模型中，以表征政策、条件等因素 时间序列数据 时间序列数据又俗称为纵向数据。例如，我国自改革开放的1978-2000年GNP数据。 时间序列的时间是变化的。常用的时间间隔有：年、季度、月、周、日 时间序列数据通常存在季节变动和序列相关——自相关（误差的协方差不等于0，即前期误差与后期误差之间存在相关） 截面数据 截面数据又俗称横向数据，是一批发生在同一时间截面上的调查数据。研究某个时点上的变化情况。例如，工业普查数据、人口普查数据、家庭调查数据等。 截面数据的时间是凝固的。 截面数据中大多存在异方差，必须引起注意。 虚拟变量数据的定义 虚拟变量是只取1或0之一的一个变量，一般用以表示定性变量，例如政策变量、条件变量等。 虚拟变量组合起来可以表征多种状态。 使用的虚拟变量的个数=欲表征的状态数，3种状态只用2个虚拟变量，若3状态采用3个虚拟变量，将造成多重共线。 用虚拟变量表示定性数据 平行数据（Panel Data） 平行数据是时间序列数据与截面数据的合成体。 例如，1978-1999年我国各省市城镇居民消费结构的调查资料。 时间序列定义 一个时间序列时一时间顺序生成的观测值的集合 若该集合是连续的，这层次时间序列为连续型时间序列 若该集合是离散的，这层次时间序列为离散型时间序列 本课程所讨论的时间序列，是离散型时间序列，其观测值按固定时间间隔采样 设yt是时间序列在时刻（或时期）t 的观测值，当在 t = 1, 2, 3, 4, 5, 6, 7, …… ,n 采样时，得到时间序列： y1, y2, y3 , y4 , y5 , y6 , …… , yn 时间序列定义 时间数列——又称为动态数列。 把反映某一现象发展变化的一系列指标数值按时间先后顺序排列起来所形成的数列。 两个基本要素：现象所属时间、指标数值。 按指标所反映的时间状况不同分为： 时期数列——现象在不同时段内的活动总量； 时点数列——现象在不同瞬间时点上的总量。 二者的主要区别在于：时间状况、指标数值的可加性、及指标数值与时间长短的关系等方面。 时间序列的构成要素 趋势、季节、周期、随机性 趋势(trend) 呈现出某种持续向上或持续下降的状态或规律 季节性(seasonality) 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 周期性(cyclity) 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 随机性(random) 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 时间序列的构成模型 时间序列的构成要素分为四种，即趋势(T)、季节性或季节变动(S)、周期性或循环波动(C)、随机性或不规则波动(I)非平稳序列 时间序列的分解模型 乘法模型 Yi=Ti×Si×Ci×Ii 加法模型 Yi=Ti+Si+Ci+Ii 图形描述(例题分析) 图形描述(例题分析) 季节性分析 季节指数(seasonal index) 刻画序列在一个年度内各月或季的典型季节特征 以其平均数等于100%为条件而构成 反映某一月份或季度的数值占全年平均数值的大小 如果现象的发展没有季节变动，则各期的季节指数应等于100% 季节变动的程度是根据各季节指数与其平均数(100%)的偏差程度来测定 如果某一月份或季度有明显的季节变化，则各期的季节指数应大于