时间序列预测法2资料.pptVIP

第四章 时间序列预测法 时间序列，是指一组按时间先后顺序排列的同一现象的统计数据。经济现象和市场行情总是随着时间的推移而变动的。经济研究或企业管理部门要掌握经济活动或行情的变化情况及趋势，要对未来作出科学的预测和决策，就需要及时了解和分析与时间有关的一系列统计资料。按惯性原则，从一组时间序列过去变化规律的分析来推断今后变化状况或趋势的方法，就称为时间序列预测法。这种方法简便易行，不用分析其影响因素，只利用被预测量本身的历史数据。主要用于那些分析影响因素比较困难或相关变量资料难于获得的场合。由于这种方法是建立在历史规律引伸的基础上，因此一般只适合做短期预测。 §1 移动平均法 在预测实践中，人们有时采用一种朴素的预测方法。比如，在月度销售预测中，往往可以简单地采用最近月份的销售量作为下一个月份销售量的预测值。但这种方法过于粗糙，如果时间序列资料包含有大量的随机成分，采用这种朴素预测法将产生较大偏差。为了消除这些随机变动成分的影响，人们对朴素预测法做了适当的改进，从而产生了移动平均法。 所谓移动平均法，就是从时间序列的第一项开始，按一定项数求平均值，由远而近，逐项向前移动，边移动边平均。并将接近预测期的最后一个移动平均值作为确定预测值的依据。由于利用平均值进行预测，便较好地减小或削弱了随机不规则变动因素的影响。 一、简单移动平均法的原理及应用 采用简单移动平均方式求得移动平均值，进而进行预测的方法称为简单移动平均法。 设时间序列为yt，t=1，2，…，T，移动平均的项数为n， n ＜T，则第t期的简单算术移动平均值的一般计算公式为 简单移动平均法只能做一步预测，且仅适用于平稳发展的序列，用于有明显上升（或下降）趋势的时间序列预测，会产生滞后误差。 例4－1 某地区1986～1998年的粮食产量如表4－1第(2)栏所列，试用简单移动平均法（取n＝3）预测该地区1999年粮食产量。 表4－1 某地粮食产量统计及预测表 二、加权移动平均法的原理及应用 考虑到近期的水平要比远期的水平对未来趋势有更大的影响，可以采用加权移动平均 的方式来计算移动平均值，即按距离预测期的远近，给近期数据以较大的权数，而远期数据给以较小的权数，这便是加权移动平均预测法。 设时间序列观测值yt, yt-1,…，yt-n+1的权数分别取为ω1，ω2，…，ωn，则第t期的加权算术移动平均值为 三、线性二次移动平均法的原理及应用 前面介绍的两种移动平均法也称为一次移动平均法，用来预测具有线性增长(或下降)趋势的时间序列所反映的经济现象时，往往比实际值偏低(或偏高)。为了克服这一不足，发展了线性二次移动平均法。该方法就是对一次移动平均值再计算一次移动平均值，并由此建立一个线性预测方程。 把前面的一次移动平均值记为M t(1) ，把二次移动平均值记为M t(2) ，从而有 预测时，难以考虑εt ，故现在假定yt=a+bt，从而 于是预测方程为： 例4－3 某建材商店玻璃销售量如表4－2所列，试预测该商店第2年2月份的销售量(取移动平均项数n=3)。 解 显然，该商店玻璃销售量有明显上升趋势，故用线性二次移动平均法作预测。按公式计算的相关值列于表4－2第3～6列。 预测第2年2月份的销售量： §2 指数平滑预测法 指数平滑法是加权移动平均法的进一步发展和完善，它是由美国经济学家布朗（Brown）于1959年提出的。 一、一次指数平滑法的原理及应用 一次指数平滑法实际是对简单移动平均法加以适当的修定而引申出的一种预测方法。它只适用于没有明显趋势变化的时间序列。 前面介绍过简单移动平均法的递推预测公式为: 设时间序列的观测值为y0, y1,…，yn，则由式(4.2.1)可递推得到： 上式各项系数之和为： 由此可见，第t+1期的预测值实际上是以前各期的观测值y0, y1,…，yt及初始期预测值的加权平均值。所以说，它是加权移动平均法的推广。由于所加的一串权数均呈指数函数形式，并逐项衰减，α越大衰减越快，反之越慢；且这种平均法具有修匀或平滑一系列观测值的作用，故称之为指数平滑法。 式(4.2.2)明确地表示了指数平滑的实际意义。即第t+1期的预测值等于第t期的预测值加上第t期的预测误差的α倍。如果第t期的预测值过低，则误差为正，第t+1期的预测值便增大；反之则减小。可见这一方法是“自适应”的，它通过现期的预测误差，自动修正下一期的预测值，且通过平滑常数α体现修正的幅度。 使用指数平滑法进行预测，要解决好两个问题：一是平滑常数的选择；二是初始预测值的确定。 平滑