第4章节时间序列分析解析资料.ppt

* * * * * * 9-* 二、循环变动的测定方法 循环变动通常很难识别和分解 周期往往不固定，其规律性不很明显， 它需要相当长时间的观察数据 必须借助于定性分析 （一）直接法 用同比发展速度或年距发展速度的波动来粗略地描述循环变动的特征 简便直观，但没有消除不规则波动的影响，往往也不能真正消除长期趋势和季节变动的影响，很难准确描述循环波动的峰、谷和振荡幅度等特征 9-* 直接法测定循环变动（例） 同比（年距）发展速度(％） 　 1 2 3 4 二 120.69 124.44 120.37 171.43 三 114.29 96.43 96.92 116.67 四 120.00 128.70 142.06 117.86 五 116.67 109.35 107.26 106.06 9-* （二）剩余法（分解法） 基本思想：以因素构成模型为基础，分别从时间序列中分离出长期趋势和季节变动因素，再消除不规则变动，则剩余的成份就是时间序列的循环变动。 步骤：假定因素构成模型为 Y = T?S?C?I。 第一，消除季节变动，得到无季节影响的序列； 第二，由无季节影响序列计算出各期趋势值T，再剔除趋势，求得循环和不规则变动序列 C?I。 最后，对 C?I 进行移动平均，消除 I，求得 C。 9-* 三、不规则变动的测定 剩余法思路清晰。但计算复杂，其准确性受其他各因素分离效果的影响。对 C?I 的移动平均以多长时距为宜，理论上也无法一概而论，实际应用中难免出现一定的随意性. 三、不规则变动的测定 不规则变动没有规律可寻，不可能像其他因素那样可以直接进行测定，因此只能从时间序列中逐一将长期趋势、季节变动和循环变动分离出去，之后剩余的因素统统归结为不规则变动，又称为剩余变动或残余变动。 不规则变动，无法预测其未来确切的波动方向和具体数值，只能在事后进行测定和分析。对不规则变动的事后分析，有利于分析现象变化的具体原因，以便在以后的决策和行动中采取有效的防范措施和应对措施。 9-* 【例9-15】 根据表9-12的数据，用剩余法测定某销售公司的饮料销售额的循环波动和不规则变动。 9-* 第五节 时间序列预测模型 其中最主要的是长期趋势的预测，其常用的方法有： 趋势外推预测 移动平均和指数平滑预测 自回归预测 时间序列预测通常是建立在时间序列因素分解之基础上的。分别对各种构成因素进行预测后，再合成所研究现象的预测值。 时间序列预测模型最一般的形式为： 9-* 一、趋势外推预测 趋势外推预测——利用趋势方程去预测现象在未来时间上的长期趋势值。 按原来的时间顺序将预测期的时间变量值 t 代入趋势方程中，即可计算出预测期的趋势值。 趋势外推法简单方便。但必须注意，该方法实质上就是假定影响现象长期趋势的基本因素在预测期仍然起着同样的作用 实际应用中，须认真分析影响趋势的基本因素是否会显著变化，而且外推时间不宜太远。 9-* 【例9-16】 根据例9-15中所拟合的趋势直线方程，并结合季节指数（见表9-15）预测第六年各季度的饮料销售额。 解：趋势直线方程为： 预测值依次为： 9-* 二、移动平均和指数平滑预测 （一）移动平均预测 ——就是用移动平均值作为下一期的预测值。 有简单移动平均预测和加权移动平均预测两种。 与测定趋势的移动平均法有所不同： 每个K期移动平均值不是代表观测值中间一期的趋势值，而是第K+1期的趋势预测值。 移动平均值的位置也不再是居中放置，而是置于第K 期（所平均数据末尾一期）或直接置于第K+1期（预测期）. 加权移动平均法用于预测时，按“近大远小”的原则确定权数，即离预测期较远的数据给以较小的权数，而离预测期较近的数据给以较大的权数。 9-* 移动平均预测(的公式） 简单移动平均预测第 t+1 期预测值的公式为： 加权移动平均预测第 t+1 期预测值的公式为： wi为观测值 yi 的权数，且wt wt-1 … wt-k+1。常常取自然数 K, K-1, …, 2, 1。 9-* 移动平均预测（续） 移动平均预测的局限性 只具有预测未来一期趋势值的预测功能， 只适用于呈水平趋势的时间序列。 如果现象的发展变化具有明显的上升（或下降）趋势，则移动平均预测的结果就会产生偏高（或偏低）的滞后偏差，即预测值的变化滞后于实际趋势值的变化。 移动平均的项数K越大，滞后偏差就越大。 9-* （二）指数平滑预测 1.指数平滑法（Exponential smoothing）的基本原理 用 Et 表示第 t 期的指数平滑值，其计算公式为： α为平滑系数(0α1)。指数平滑具有递推性质. 展开后： E0为初始值，通常设E0= y0。t→∞时，最后一项系数趋近于0，其余各项的系数构成一个无穷递减等比数列，该数列总和为