(07)第13章时间序列分析和预测.pptVIP

第13章 时间序列分析和预测 第13章 时间序列分析和预测 13.1 时间序列及其分解 13.2 时间序列的描述性分析 13.3 时间序列的预测程序 13.4 平稳序列的预测 13.5 趋势型序列的预测 13.6 季节型序列的预测 13.7 复合型序列的分解预测 时间序列的分类 时间序列的分类 平稳序列(stationary series) 基本上不存在趋势的序列，各观察值基本上在某个固定的水平上波动 或虽有波动，但并不存在某种规律，而其波动可以看成是随机的 非平稳序列 (non-stationary series) 有趋势的序列 线性的，非线性的 有趋势、季节性和周期性的复合型序列 复合型时间序列的构成要素 图形描述 图形描述(例题分析) 图形描述(例题分析) 增长率分析 发展速度 增长速度 平均发展速度 平均增长速度 平均增长率(例题分析 ) 增长率分析中应注意的问题 当时间序列中的观察值出现0或负数时，不宜计算增长率 例如：假定某企业连续五年的利润额分别为5、2、0、-3、2万元，对这一序列计算增长率，要么不符合数学公理，要么无法解释其实际意义。在这种情况下，适宜直接用绝对数进行分析 在有些情况下，不能单纯就增长率论增长率，要注意增长率与绝对水平的结合分析 增长率分析中应注意的问题(例题分析) 确定趋势成分(例题分析) 确定趋势成分(例题分析) 确定趋势成分(例题分析) 确定季节成分(例题分析) 年度折叠时间序列图 (folded annual time series plot) 预测方法的选择 计算误差 平均误差ME(mean error) 平均绝对误差MAD(mean absolute deviation) 计算误差 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) 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预测值(也可作为趋势值) 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 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序列进行预测 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 计算各期居民消费价格指数的预测值，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) 简单移动平均法(例题分析) 指数平滑平均法 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 一次指数平滑 (预测误差) 预测精度，用误差均方来衡量 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