常见的数据统计与分析方法.ppt

1autoreg 过程输出的二次曲线拟合效果图 nlin 过程输出的指数曲线拟合效果图 为了直观地看出拟合效果，我们将原序列和拟合值联合作图，输出图形为上图；通过该图可以看出拟合效果非常不错。也可以用得到的函数进行预测 谢谢大家！ Cramer分解定理（1961） 任何一个时间序列 都可以分解为两部分的叠加：其中一部分是由多项式决定的确定性趋势成分，另一部分是平稳的零均值误差成分，即 确定性影响 随机性影响 循环变动C（Cyclical） 不规则变动I（Irregular） 季节变动S（Seasonal） 长期趋势T（Trend） 对两个分解定理的理解 Wold分解定理说明任何平稳序列都可以分解为确定性序列和随机序列之和。它是现代时间序列分析理论的灵魂，是构造ARMA模型拟合平稳序列的理论基础。 Cramer 分解定理是Wold分解定理的理论推广，它说明任何一个序列的波动都可以视为同时受到了确定性影响和随机性影响的综合作用。平稳序列要求这两方面的影响都是稳定的，而非平稳序列产生的机理就在于它所受到的这两方面的影响至少有一方面是不稳定的。 确定性时序分析的目的 克服其它因素的影响，单纯测度出某一个确定性因素对序列的影响 推断出各种确定性因素彼此之间的相互作用关系及它们对序列的综合影响 4-3-2 时间序列趋势分析 目的 有些时间序列具有非常显著的趋势，我们分析的目的就是要找到序列中的这种趋势，并利用这种趋势对序列的发展作出合理的预测 常用方法 趋势拟合法 平滑法 趋势拟合法 趋势拟合法就是把时间作为自变量，相应的序列观察值作为因变量，建立序列值随时间变化的回归模型的方法 分类 线性拟合 非线性拟合 线性拟合 使用场合 长期趋势呈现出线形特征 模型结构 例:拟合澳大利亚政府1981——1990年每季度的消费支出序列 线性拟合 模型 参数估计方法 最小二乘估计 参数估计值 拟合效果图 非线性拟合 使用场合 长期趋势呈现出非线形特征 参数估计指导思想 能转换成线性模型的都转换成线性模型，用线性最小二乘法进行参数估计 实在不能转换成线性的，就用迭代法进行参数估计 常用非线性模型 模型 变换 变换后模型 参数估计方法 线性最小二乘估计 线性最小二乘估计 － － 迭代法 － － 迭代法 － － 迭代法 例： 对上海证券交易所每月末上证指数序列进行模型拟合 非线性拟合 模型 变换 参数估计方法 线性最小二乘估计 拟合模型: 拟合效果图 时间序列预测法 时间序列预测法可用于短期预测、中期预测和长期预测。根据对资料分析方法的不同，又可分为：简单序时平均数法、加权序时平均数法 平滑法 平滑法是进行趋势分析和预测时常用的一种方法。它是利用修匀技术，削弱短期随机波动对序列的影响，使序列平滑化，从而显示出长期趋势变化的规律 简单平均数法 :也称算术平均法。即把若干历史时期的统计数值作为观察值，求出算术平均数作为下期预测值。这种方法基于下列假设：“过去这样，今后也将这样”，把近期和远期数据等同化和平均化，因此只能适用于事物变化不大的趋势预测。如果事物呈现某种上升或下降的趋势，就不宜采用此法。 加权平均数法: 就是把各个时期的历史数据按近期和远期影响程度进行加权，求出平均值，作为下期预测值。 移动平均法 基本思想 假定在一个比较短的时间间隔里，序列值之间的差异主要是由随机波动造成的。根据这种假定，我们可以用一定时间间隔内的平均值作为某一期的估计值 分类 n期中心移动平均 n期移动平均 移动平均期数确定的原则 事件的发展有无周期性 以周期长度作为移动平均的间隔长度 ，以消除周期效应的影响 对趋势平滑的要求 移动平均的期数越多，拟合趋势越平滑 对趋势反映近期变化敏感程度的要求 移动平均的期数越少，拟合趋势越敏感 移动平均预测 时间序列模型的基本概念及其适用性 时间序列模型的基本概念 随机时间序列模型（nime series modeling）是指仅用它的过去值及随机扰动项所建立起来的模型，其一般形式为 Yn=F(Yn-1, Yn-2, …, ?n) 建立具体的时间序列模型，需解决如下三个问题： (1)模型的具体形式 (2)时序变量的滞后期 (3)随机扰动项的结构 例如，取线性方程、一期滞后以及白噪声随机扰动项（ ?n =?n），模型将是一个1阶自回归过程AR(1)： Yn=aYn-1+ ?n 这里， ?n特指一白噪声。 一般的p阶自回归过程AR(p)是 Yn=a1Yn-1+ a2Yn-2 + … + apYn-p + ?n