第五章节 时间序列 2资料.ppt

时间序列的构成要素与模型（构成要素与测定方法） 一、时间序列的构成要素与模型（要点） 构成因素 长期趋势 (Secular trend ) 呈现出某种持续向上或持续下降的状态或规律 季节变动 (Seasonal Fluctuation ) 也称季节性(seasonality) 时间序列在一年内重复出现的周期性波动 循环波动 (Cyclical Movement ) 也称周期性(cyclity) 围绕长期趋势的一种波浪形或振荡式变动 不规则波动 (Irregular Variations ) 也称随机性(random) 除去趋势、周期性和季节性之后的偶然性波动 2.模型 时间序列的构成要素分为四种，即长期趋势(T)、季节性或季节变动(S)、周期性或循环波动(C)、随机性或不规则波动(I) 乘法模型：Yi = Ti × Si × Ci × Ii 加法模型：Yi = Ti + Si + Ci + Ii 长期趋势（概念要点） 现象在较长时期内持续发展变化的一种趋向或状态 由影响时间序列的基本因素作用形成 时间序列的主要构成要素 有线性趋势和非线性趋势 二、 线性趋势 现象随时间的推移呈现出稳定增长或下降的线性变化规律 测定方法有 移动平均法 线性模型法 1. 移动平均法(Moving Average Method) 测定长期趋势的一种较简单的常用方法 通过扩大原时间序列的时间间隔，并按一定的间隔长度逐期移动，计算出一系列移动平均数 由移动平均数形成的新的时间序列对原时间序列的波动起到修匀作用，从而呈现出现象发展的变动趋势 移动步长为K(1Kn)的移动平均序列为 移动平均法(实例) 移动平均法(趋势图) 移动平均法(应注意的问题) 移动平均后的趋势值应放在各移动项的中间位置 对于偶数项移动平均需要进行“中心化” 移动间隔的长度应长短适中 如果现象的发展具有一定的周期性，应以周期长度作为移动间隔的长度 若时间序列是季度资料，应采用4项移动平均 若为月份资料，应采用12项移动平均 2. 线性模型法（概念要点与基本形式） 现象的发展按线性趋势变化时，可用线性模型表示 线性模型的形式为 线性模型法（a 和 b 的最小二乘估计） 趋势方程中的两个未知常数 a 和 b 按最小二乘法(Least-square Method）求得 根据回归分析中的最小二乘法原理 使各实际观察值与趋势值的离差平方和为最小 最小二乘法既可以配合趋势直线，也可用于配合趋势曲线 根据趋势线计算出各个时期的趋势值 线性模型法（a和b的最小二乘估计） 线性模型法(实例及计算过程) 线性模型法（计算结果） 线性模型法(趋势图) 三、非线性趋势 （一）二次曲线(Second Degree Curve) 现象的发展趋势为抛物线形态 一般形式为 二次曲线(Second Degree Curve) 根据最小二乘法得到求解 a、b、c 的标准方程为 二次曲线(实例) 二次曲线(计算过程) 二次曲线（计算结果） 二次曲线(趋势图) （二）指数曲线(Exponential curve) 用于描述以几何级数递增或递减的现象 一般形式为 指数曲线(a、b 的求解方法) 采取“线性化”手段将其化为对数直线形式 根据最小二乘法，得到求解 lga、lgb 的标准方程为 指数曲线(实例及计算结果) 指数曲线(趋势图) 指数曲线与直线的比较 （三）修正指数曲线(Modified exponential curve) 在一般指数曲线的基础上增加一个常数K 一般形式为 修正指数曲线(求解k、a、b 的三和法) 修正指数曲线(求解k、a、b 的三和法) 修正指数曲线(实例) 修正指数曲线（计算结果） 修正指数曲线（计算结果） 修正指数曲线(趋势图) （四）龚铂茨曲线(Gompertz curve) 以英国统计学家和数学家 B·Gompertz 而命名 一般形式为 Gompertz曲线(求解k、a、b 的三和法) 将其改写为对数形式 Gompertz曲线(实例) Gompertz曲线（计算结果） Gompertz曲线（计算结果） Gompertz曲线(趋势图) （六）罗吉斯蒂曲线(Logistic Curve) Logistic 曲线(求解k、a、b 的三和法) 四、趋势线的选择 观察散点图 根据观察数据本身，按以下标准选择趋势线 一次差大体相同，配合直线 二次差大体相同，配合二次曲线 对数的一次差大体相同，配合指数曲线 一次差的环比值大体相同，配合修正指数曲线 对数一次差的环比值大体相同，配合 Gompertz 曲线 倒数一次差的环比值大体相同，配合Logistic曲线 3