第12章节_时间序列分析解析跟预测资料.ppt

第12章 时间序列分析与预测 本章我们将介绍几种分析时间序列的方法，这些分析主要是用来描述事物随时间发展变化的规律，并对变量的未来值提供合适的预测。 12.1 时间序列分析概述 时间序列分析的应用范围十分广泛，可以根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述；可以用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理；还可以根据时间序列模型调整输入变量，以使系统在发展过程中保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。 现在时间序列分析已经用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。 1. 时间序列及其分类 时间序列：时间序列是指一个变量的观测值按时间顺序排列而成的序列。它反映了现象动态变化的过程和特点，是研究事物发展趋势、规律以及进行预测的依据。时间序列数据在自然、经济及社会等领域都是很常见的。 时间序列的分类 举例说明： 表12-1 国内生产总值等时间序列 2. 时间序列的组成因素与模型 统计学上，时间序列一般有两种的模型：乘法模型和加法模型。 乘法模型： 加法模型： 12.2 平稳时间序列平滑与预测 1. 移动平均法 移动平均法是用一组最近的实际数据值来预测时间序列未来值的一种常用方法。它是采用逐项递移的办法分别计算一系列移动的序时平均数．形成一个新的派生序时平均数时间数列。在这个派生的时间数列中，短期的偶然因素引起的变动被削弱，从而呈现出现象在较长时间的基本发展趋势。 移动平均法根据预测时使用的各元素的权重不同，可以分为简单移动平均和加权移动平均。 （一）简单移动平均法 简单移动平均法是将最近的N期数据加以平均，作为下一期的预测值。当时间序列的变动趋势为线性时，可以用简单移动平均法进行分析。简单移动平均法对各元素给的权重都相等。 简单的移动平均的计算公式如下： 式中， N 为期数； 为t-j+1期的实际值； 为t+1期的预测值。 例12-1：已知某企业1986到2005的20年销售额情况，分别计算3年和7年移动平均趋势值，并作图与原序列比较。 解：以3年移动平均为例说明计算步骤，3年移动平均趋势值由一系列3个连续观察值平均得到。第一个3年移动平均趋势值由序列中前5年的观察值相加再除以3得到： 依次类推，可得3年移动平均趋势值和7年移动平均趋势值如图12-2所示。 在序列中前 年和后 年都不可能得到移动平均值。所以，以3年移动平均序列为例，序列的前一年和后两一年都是没有移动平均值的。 图12-2 某公司销售量移动平均趋势值和移动平均趋势图 分析结论如下： 从图12-2中观察到，3年移动平均趋势值放在第二项对应的位置上，7年移动平均趋势值放在第4项对应的位置上。 同时，看到7年移动平均序列比3年移动平均序列表现的趋势更明显，这是因为它的移动间隔更长。 移动间隔越长，可以得到的移动平均值越少，因此，长于7年的移动间隔通常是不可取的，因为在序列的前几项和后几项将失去太多的移动平均值，这可能导致脱离现象发展的真实趋势。 （二）加权移动平均法 加权移动平均的原理是，时间序列过去各期的数据信息对预测未来趋势值的作用是不一样的。除了以N为周期的周期性变化外，远离预测期的观测值的影响力相对较低，故应给予较低的权重。 加权移动平均法的计算公式如下： 式中， 为第t－j＋1期实际销售额的权重； N为预测的时期数； ； 为t－j＋1期的实际值； 为t＋1期的预测值。 在运用加权平均法时，权重的选择是一个重要的问题，一般而言，最近期的数据最能预示未来的情况，因而权重应大些。例如，根据前一个月的产量和利润比起根据前几个月能更好地估测下个月的产量和利润。但是，如果数据是季节性的，则权重也应是季节性的。 移动平均法存在的一些问题 （1）加大移动平均法的期数（即加大N值）会使平滑波动效果更好，但会使预测值对时间序列数据的实际变动更不敏感 ； （2）移动平均值并不总是很好地反映出趋势，由于是平均值