eviews应用时间序列分析课程课件.ppt

——应用时间序列分析 时间序列具有如下特点： 首先，序列中的数据或数据点的位置依赖于时间，即数据的取值依赖于时间的变化，但不一定是时间t的严格函数。 其次，每一时刻上的取值或数据点的位置具有一定的随机性，不可能完全准确地用历史值预测。 再次，前后时刻(不一定是相邻时刻)的数值或数据点的位置有一定的相关性，这种相关性就是系统的动态规律性。 最后，从整体上看，时间序列往往呈现某种趋势性或出现周期性变化的现象。 二、时间序列的主要分类 1、按所研究的对象的多少分，有一元时间序列和多元时间序列。 4、按序列的分布规律来分，有高斯型(Gaussian)时间序列和非高斯型(non-Gaussian)时间序列。服从高斯分布(正态分布)的时间序列叫做高斯型时间序列，否则叫做非高斯型时间序列。本书所介绍的模型多数是假设服从高斯分布的高斯型时序模型。对于一些非高斯序列，往往通过适当变换，则可近似地看成是高斯型时间序列。 三、时间序列分析 1. 根据时间序列数据，较精确地找出相应系统的内在统计特性和发展规律性，尽可能多地从中提取出我们所需要的准确信息,用来实现这一目的的整个方法称为时间序列分析。 第二节 时间序列的建立 二、离群点的检验与处理 2. 离群点的分类： （1）加性离群点：造成这种离群点的干扰只影响干扰发生的时刻序列值，不影响该时刻以后的序列值。 （2）更新离群点：造成这种离群点的干扰不仅影响干扰发生的时刻序列值，而且影响该时刻以后的序列值。 （3）水平移位离群点：造成这种离群点的干扰从时刻起，系统的结构发生变化，序列的平均值在该时刻以后发生水平移位。 （4）暂时变更离群点：造成这种离群点的干扰从干扰发生的时刻开始对以后的序列值产生的影响逐渐衰减。 3. 离群点的检验和处理： 三、缺省值的处理 第三节 确定性时序分析方法概述 通常用 Tt表示长期趋势项，St表示季节变动趋势项，Ct表示循环变动趋势项，Rt表示随机干扰项。常见的确定性时间序列模型有以下几种类型： 二、确定型时间序列的预测方法 当预测目标的基本趋势是在某一水平上上下波动时，可用一次移动平均方法建立预测模型： 2、指数平滑法 用的较多的是几个低阶指数平滑顶测模型: (1)水平趋势预测模型： a的取值范围一般是0.1～0.3, 选择a值的一些基本准则为： (1)如果序列的基本趋势比较稳，预测偏差由随机因素造成，则a值应取小一些，以减少修正幅度，使预测模型能包含更多历史数据的信息。 3．时间回归法 : 4.季节周期预测法: 三、随机时序分析的预备知识 定义3：设E是随机试验，S是它的样本空间，如果对于每一个e∈S，我们总可以依某种规则确定一时间t的函数 图1.7是一个具有零均值，单位方差阵正态白噪声序列(100个数据)的示意图。 (2)独立增量(可加) 过程：对于任意给定的正整数n,任意给定 （5）平稳过程：简单地讲，就是统计特性不随时间的平移而变化的过程。用数学语言来描述，就是：如果对于时间t的任意n个值 3、非平稳随机过程： 4、自相关： 5、动态性(即记忆性) 例如, AR模型描述的是系统对过去自身状态的记忆，MA模型描述的是系统对过去时刻进入系统的噪声的记忆，而ARMA模型则是系统对过去自身状态以及各时刻进入的噪声的记忆。 一、时间序列的分解： (1)趋势变动。是指时间序列朝着一定的方向持续上升、下降或停留在某一水平上的倾向，是事物的主要变化趋势。 (2)季节变动。是指一年或更短的时间之内，由于受某种固定周期性因素的影响而呈现出有规律的周期性波动。  (3)循环变动。通常是指周期为一年以上的有规律的波动。 (4)不规则变动。可分为突然变动和随机变动。突然变动是指战争、自然灾害或是其它社会因素等意外事件引起的变动。随机变动是指由于大量的随机因素产生的宏观影响。 (i)加法模型: (ii)乘法模型: (iii)混合模式: 其中 是观测目标的观测记录： 1、移动平均法: 设观测序列为 正整数N＜T。一次移动平均值计算 公式为： 二次移动平均值计算公式为： 当预测目标的基本趋势与某一线性模型相吻合时，常用二次 移动平均法，但序列同时存在线性趋势与周期波动时，可用 趋势移动平均法建立预测模型： 其中： 设观测序列 a为加权系数，0＜a＜1，一次指数 平滑公式为： 类似地，二次指数平滑公式为： 一般P次指数平滑公式为： (2)线性趋势预测模型-单系数线性