【精编】动态时间序列分析教材.ppt

1.长期趋势外推预测法 据时间序列长期趋势拟合以时间为自变量，指标特征值为因变量的长期直线（或曲线）方程，然后据时间发展变化进行外推预测。 步骤： ①选趋势模型（散点图，差分值，二阶差分值，相继两期的比值） ②求解模型参数（最小平方法） ③对模型进行检验（自相关系数检验）——杜宾-瓦森检验 ④计算估计标准误（抽样平均误差），确定预测区间。 2.自回归预测法 对自相关系数r1,r2,………rn计算并判断。如果各期数值之间的相关程度都很显著，则可建立时间数列自回归模型，通过前期数值来计算和预测后期数值，这种方法称为自回归预测法。有线性和非线性之分。 参数求解用最小平方法。 3.移动平均法预测 通过取几项移动平均，对原数列修匀成新时间序列，呈现数列的变动趋势。 一般移动平均数列由于首尾两项减少了资料项数，所以存在数据信息的滞后性而不宜用于外推预测。 但对于平稳型时间数列，则可取几项平均值做下期预测值。 4.指数平滑法 对于非线性趋势发展变化的趋势时间序列，除了用直线配合法将其线性化处理求解参数再还原得到曲线方程进行预测外，常采用的有一阶指数平滑法和差分-指数平滑法进行预测。 （1）一阶指数平滑法 思路： ①以时间做权重对指标特征值进行加权平均，时间愈近，其加权重就越大；时间间隔越远，权重越小（0a1）； ②以前期的移动平均值作为本期估计值。 实质：一阶指数平滑预测实质是对前期平滑值（本期估计值）和本期实际值 赋以不同权重来预测下期观测值的过程。对随着时间变化较大的时间数列的近期（本期）实际值赋予较大的权重，而对历史数据赋以较小的权重（参考）。 优点：较好地考虑了近期与远期参考数据的合理权限，从而做了调整来预测 下期估计值（本期平滑值）。 缺点： 权重a的确定较难 （2）差分-指数平滑法 由于指数平滑法测定长期趋势变动时，由于原始数据滞后性也会导致平滑预测结果呈现出滞后偏差（过低或过高预测误差）。为了消除降低这种滞后偏差，常对原时间序列数据作差分变换处理，使之满足平滑预测，最后再对分析结果作返回处理，恢复原始数据的形态。 做法： 对呈直线变动趋势的时间序列作一阶差分指数平滑。 步骤： ①对原时间序列进行一阶差分； ②一阶差分后新序列进行指数平滑（加权平均）； 用前期一阶差分的一次平滑值做本期一阶差分值； 把一阶差分序列指数平滑值同序列当期实际值相加，作为序列下一期预测值（还原） 优点：运用了时间序列近期变动值（即增加或减少量）的加权平均数来预测下期变动值，更为合理，同时克服了一次指数平滑法用原始数据加权平均产生的预测平滑值滞后现象。 对曲线变动趋势的时间序列作二阶差分指数平滑。 5.多重指数平滑修匀预测 平滑序列一次平滑修正预测： ① yt的预测值等于yt的一次平滑值加上t时刻的预测误差的a倍。 如果t时刻预测值过低，则t+1时刻预测值就会增大。 如果t时刻预测值过高，则t+1时刻的预测值就会减小； 这样整个预测模型序列处于自适应和调整中：通过自动修正适应即期误差，并通过a调整修正幅度。 ②（明显上升或下降） 规律型趋势二次平滑修匀预测 xt ③曲线趋势三次指数平滑预测。 6.解剖时间序列预测模型 （指数加权移动平均预测模型） 因为对时间序列的影响因素主要表现为Tt. St Ct Pt 这四个方面（其中Rt可视作模型不完全合理，样本数据代表性误差的综合），那么分别估计各个因素的波动，再以合理方式对之加以叠加处理，就可以明显看出原序列的趋势方程。 Yt=(Tt+Rt).Ct.St Yt= Tt. St+ Rt. Ct Yt= Tt. Ct+ Rt. St Yt=(Tt+Rt).St 一般循环波动易于观测，如果存在Ct，则按周期分析即可。 方法： ①在不考虑循环波动的情况下，先移动平均掉Rt，然后将长期趋势Trend 可以分解为Usual (Ut) (一般水平)和Grouth（Gt ,增长趋势）两部分，因而分别对之加以预测即可； ②对季节波动加以季节调整； ③将上述三部分结合起来，就可看作是未来预测值。 年月 工业总产值（万元） 三项时距之和及时距扩大平均值 四项时距之和及时距扩大平均值 1983.1 477.9 　 1382.4/460.8 　 　 1894.7/473.7 　 　 1983.2 397.2 1983.3 507.3 1983.4 512.3 　 1584.3/528.1 　 1983.5 527 　 2069.2/517.3 　 　 1983.6 545 1983.7 494.7 　 1533.7/511.2 　 1983.8 502.5 1983.9 536.5 　 2167.5/541.9 　 　 1983.1 533.5 　 1631/543.7 　 19