时间序列预测法.docVIP

PAGE 22 第3章 时间序列预测法 PAGE 23 Excel在经济预测与决策模型分析中的应用 第3章 时间序列预测法 §3.1 时间序列分析的基本问题 3.1.1时间序列 时间序列是指同一变量按发生时间的先后排列起来的一组观察值或记录值。例如：1953～2001年的国民收入；1958～2001年全国汽车的产量；某物资公司1996～2001年逐月的机电产品月销售量；某省1962～2001年工业燃料消费量等等。所用的时间单位可以根据情况取年、季、月等。 3.1.2时间序列预测 经济预测中的预测目标及其影响因素的统计资料，大多是时间序列。任何预测目标都有各自的时间演变过程，研究它如何由过去演变到现在的演变规律，并分析、研究它今后的变化规律，即可对它们进行预测，时间序列预测技术就是利用预测目标本身的时间序列，分析、研究预测目标未来的变化规律而进行预测的。 时间序列预测法，只要有预测目标的历史统计数据即可进行预测，统计资料易于收集，计算又比较简单，不仅可用来预测目标，还可用于预测回归预测法的影响因素。因此，广泛地用于各方面的预测。而当找不到预测目标的主要影响因素或者虽然知道其主要影响因素，但找不到有关的统计数据时，时间序列预测法的优越性更为显著。 时间序列预测技术，可分为确定型和随机型两大类。本章只介绍确定型时间序列预测，第四章将介绍随机型时间序列预测。 3.1.3四类影响因素 世间各种各样的事物，在各时间都可能受很多因素的影响，因此，所形成的时间序列，实际上是各个影响因素同时作用的综合结果。我们想从给定的时间序列，分析出作用于所观察事物的每一个影响因素，是无法办到的。因此，我们在分析各种时间序列时，通常把各种可能的影响因素，按其作用的效果分为四大类： 1）趋势变动[记为T（t）]：指预测目标在长时间内的变动趋势——持续上升或持续下降。 2）季节变动[记为S（t）]：指每年受季节影响重复出现的周期性变动，一般是以十二个月或四个季度为一个周期。 3）循环变动[记为C（t）]：指以数年为周期（各周期的长短可能不一致）的一种周期性变动，例如经济景气指数，银行储蓄。 4）不规则变动[记为I（t）]：指上述三类变动以外的任何变动，是由各种偶然事件或影响因素引起的变动。不规则变动还可分为随机变动和突然变动。前者如许多小因素的作用，测量误差等；后者如地震、水灾、恶劣气候、战争、政变、罢工、意外事故，方针、政策和法律的更改等。 3.1.4时间序列特性的识别 识别时间序列的特征，可以从时间序列样本各数据的自相关的检验入手。首先，应按照下述方法计算自相关系数。 设时间序列为x1，x2，……，xn，分别将其组成（n－k）对数据（xt，xt+k），t=1，2，……，n－k；其中k=1，2，……；即当k=1时，数组为（x1，x2），（x2，x3），……，（xn－1，xn）；当k=2时，数组为（x1，x3），（x2，x4），……，（xn－2，xn）；……。再按下式计算各组数的自相关系数： ， 式中。 1）时间序列的随机性识别 当时间序列样本数n相当大时，若所有的自相关系数都近似地等于零，则表明该时间序列完全由随机数组成，即具有完全的随机性特征。 根据数理统计原理，若k?20，而满足： ， 则有95%的置信度可以认为所有的自相关系数与零没有显著性差异，因而可判断该时间序列具有随机性特征。 G﹒E﹒Box和D﹒A﹒Pierce提出可用X2检验来判别与零有无显著性差异，其方法如下： 只计算m个自相关系数，，，……，（m?6，nm），设统计量Q为 将代入上式即可算出统计量Q之值；再查X2表，取自由度为m－1；将Q值与X2表值比较，当Q小于X2表值时，则认为这m个自相关系数与零没有显著性差异，此时间序列具有随机性，否则，认为非随机性。 2）时间序列平稳性的识别 设有时间序列：50.1，50.2，50.1，49.8，50，50.2，50.1，50.3，50，50.2，50.3，49.9，50.1，49.8，50.2，50.3；按此算出自相关系数为： 可见自相关系数皆在?1.96/=?0.49以内，与零没有显著性差异（在置信度95%内）；用统计量Q比较X2表值，也符合QX2表值的关系。因此，当所有皆与零没有显著性差异时，即或较大，也可以认为具有平稳性。但难以区分是平稳性抑制或随机性。 3）时间序列趋势性的识别 设有时间序列：10.5，11.4，12.5，13.3，14.6，15.5，16.5，17.6，18.5，19.4，20.5，21.6，22.6，23.8，25，26.3；算出自相关系数序列为： 可见自相关系数比1.96/=0.49大得多，且为中最大者，逐渐减小，其中有相当多的大于1.96/=0.49，即与零有显著差异。符合这种情况时，可认为时间序列具有趋势