课件：九时间序列分析.pptVIP

* * * * * * * * * * * * * * * * 年份 时序 （t） 总额 （ yt ） 年份 时序 （t） 总额 （ yt ） 年份 时序 （t） 总额 （ yt ） 1952 1 276.8 1963 12 604.5 1974 23 1163.6 1953 2 348.0 1964 13 638.2 1975 24 1271.1 1954 3 381.1 1965 14 670.3 1976 25 1339.4 1955 4 392.2 1966 15 732.8 1977 26 1432.8 1956 5 461.0 1967 16 770.5 1978 27 1558.6 1957 6 474.2 1968 17 737.3 1979 28 1800.0 1958 7 548.0 1969 18 801.5 1980 29 2140.0 1959 8 638.0 1970 19 858.0 1981 30 2350.0 1960 9 696.9 1971 20 929.2 1982 31 2570.0 1961 10 607.7 1972 21 1023.3 1983 32 2849.4 1962 11 604.0 1973 22 1106.7 （1）对数据画折线图分析，以社会商品零售总额为 y轴，年份为x轴。 （2）从图形可以看出大致的曲线增长模式，较符合的模型有二次曲线和指数曲线模型。但无法确定哪一个模型能更好地拟合该曲线，则我们将分别对该两种模型进行参数拟合。 适用的二次曲线模型为： 适用的指数曲线模型为： （3）进行二次曲线拟合。首先产生序列 ，然后运用普通最小二乘法对模型各参数进行估计。得到估计模型为： 其中调整的 ， 则方程通过显著性检验，拟合效果很好。标准误差为151.7。 m为趋势方程中待确定的未知常数的个数 (4) 进行指数曲线模型拟合。对模型 ： 两边取对数： 产生序列 ，之后进行普通最小二乘估计该模型。 最终得到估计模型为： 其中调整的 ， ，则方程通过显著性检验，拟合效果很好。标准误差为：175.37。 （5）通过以上两次模型的拟合分析，我们发现采用 二次曲线模型拟合的效果更好。因此，运用方程： 进行预测将会取得较好的效果。 第四节 季节变动分析一、季节性多元回归预测 用虚拟变量表示季节的多元回归预测方法。如果数据是按季度记录的，需要引入3个虚拟变量；如果数据是按月来记录的，则需要引入11个虚拟变量 季节性多元回归模型可表示为 季节性多元回归预测 (系数的解释) b0—时间序列的平均值 b1—趋势成分的系数，表示趋势给时间序列带来的影响值 Q1、Q2、Q3—3个季度的虚拟变量 b1 、b2 、b3—每一个季度与参照的第4季度的平均差值 季节性多元回归预测 (例题分析) 【例】一家商场2003年～2005年各季度的销售额数据如表(单位：万元)。试用季节性多元回归模型预测2006年各季度的销售额 季节性多元回归预测 (年度折叠序列图) 绘制年度折叠时间序列图 销售序列中只含有季节成分 季节性多元回归预测 (引入虚拟变量) 季节性多元回归预测 (用Excel进行回归) 季节性多元回归预测 (系数的解释) 季节性多元回归模型 各个系数的含义 b0=3996.667表示平均销售额 b1=46.625表示每季度平均增加的销售额(趋势) b2=-278.125表示第1季度的销售额比第4季度平均少278.125万元 b3=-1664.417表示第2季度的销售额比第4季度平均少1664.417万元 b4=-2265.375表示第3季度的销售额比第4季度平均少2260.375万元 季节性多元回归预测 (历史数据的预测) 季节性多元回归预测 (2006年的预测) 实际值和预测值图 2004年中央财经大学统计学考研试题 THANK YOU SUCCESS * * 可编辑 * * * * * * * * * * * * * * 年度化增长率 (例题分析) 解： 由于是月份数据，所以 m = 12；从1999年1月到2000年1月所跨的月份总数为12，所以 n = 12 即年度化增长率为20%，这实际上就是年增长率，因为所跨的时期总数为1年。也就是该地区社会商品零售总额的年增长率为20% 年度化增长率 (例题分析) 解： 2）