时间序列分析和预测概述.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 复 习 比较： 选择预测方法 预测方法的选择 是 否 时间序列数据 是否存在趋势 是 是否存在季节 是否存在季节 否 平滑法预测 简单平均法 移动平均法 指数平滑法 季节性预测法 季节多元回归模型 季节自回归模型 时间序列分解 是 趋势预测方法 线性趋势推测 非线性趋势推测 自回归预测模型 否 评估预测方法 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) 13.4 平稳序列的预测 13.4.1 简单平均法 13.4.2 移动平均法 13.4.3 指数平滑法 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，则第t+1期的预测值Ft+1为 有了第t+1的实际值，便可计算出预测误差为 第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 预测结果不准 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 当时间序列有趋势或有季节变动时，该方法的预测不够准确 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 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第t+1期的预测值，其预测模型为 Yt为第t期的实际观察值 Ft 为第t期的预测值 ?为平滑系数 (0 ?1) * 学习目标 时间序列的概念及其分解原理 时间序列的描述性分析 时间序列的预测程序 平稳序列的预测方法 统计方法 描述统计 推断统计 参数估计 假设检验 13.1 时间序列及其分解 13.1.1 时间序列的构成要素 13.1.2 时间序列的分解方法 时间序列(times series) 1. 同一现象在不同时间上的相继观察值排列而成的数列 2. 形式上由现象所属的时间和现象在不同时间上的观察值两部分组成 3. 排列的时间可以是年份、季度、月份或其他任何时间形式 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 时间序列的成分 时间序列 的成分 趋势 T 季节性 S 周期性 C 随机性 I 线性 趋