用数据预测未来：时间序列分析.pdf

用数据预测未来：时间序列分析 对于本文内容，小编只知道作者介绍了一种用数据预测 未来的方法——时间序列分析。……嗯，内容灰常灰常灰常 烧脑， 各位看官 enjoy~ 应用背景： 通过分析序列进行合理预 测，做到提前掌握未来的发展趋势，为业务决策提供依据， 这也是决策科学化的前提。时间序列分析：时间序列就是按 时间顺序排列的一组数据序列。时间序列分析就是发现这组 数据的变动规律并用于预测的统计技术。分析工具： SPSS （数据分析的重量级应用，与 SAS 二选一）实践案例：通 过历史数据预测未来数据，所涉及的都是最简单的实践，抛 砖引玉，重在方法，不论多复杂的数据，方法是一样的。如 已知前几年每月的销售量，预测未来的销售量。一、时间序 列分析简介时间序列分析有三个基本特点： 假设事物发展 趋势会延伸到未来预测所依据的数据具有不规则性不考虑 事物发展之间的因果关系并不是所有的时间序列都一定包 含四种因素，如以年为单位的诗句就可能不包含季节变动因 素。四种因素通常有两种组合方式： 四种因素相互独立， 即时间序列是四种因素直接叠加而成的，可用加法模型表示： Y=T+S+C+I 四种因素相互影响。即时间序列是四种因素相 互综合的结果，可用乘法模型表示： Y=T*S*C*I 其中，原始 时间序列值和长期趋势可用绝对数表示；季节变动、循环变 动、不规则变动可用相对数（变动百分比）表示。二、季节 分解法当我们对一个时间序列进行预测时，应该考虑将上述 四种因素从时间序列中分解出来。为什么要分解这四种因素？ 分解之后，能够克服其他因素的影响，仅仅考量一种因素对 时间序列的影响。分解之后，也可以分析他们之间的相互作 用，以及他们对时间序列的综合影响。当去掉这些因素后， 就可以更好的进行时间序列之间的比较，从而更加客观的反 映事物变化发展规律。分解之后，序列可以用来建立回归模 型，从而提高预测精度。所有的时间序列都要分解这四种因 素吗？通常情况下，我们考虑进行季节因素的分解，也就是 将季节变动因素从原时间序列中去除，并生成由剩余三种因 素构成的序列来满足后续分析需求。为什么只进行季节因素 的分解？ 时间序列中的长期趋势反映了事物发展规律，是 重点研究的对象；循环变动由于周期长，可以看做是长期趋 势的反映； 不规则变动由于不容易测量， 通常也不单独分析。 季节变动有时会让预测模型误判其为不规则变动，从而降低 模型的预测精度综上所述：当一个时间序列具有季节变动特 征时，在预测值钱会先将季节因素进行分解。步骤： 定义 日期标示变量：即先将序列的时间定义好，才能分析其时间 特征。了解序列发展趋势：即序列图，确定乘性还是加性进 行季节因素分解建模分析结果解读预测 1 、定义日期标示变 量时间序列的特点就是数据根据时间点的顺序进行排列，因 此分析之前， SPSS 需要知道序列的时间定义，然后才能进 行分析时间特征。根据源数据的格式进行选择，并输入第一 个个案的具体数值。此时会在源文件中生成三个新的变量。 2 、了解序列发展趋势完成日期标示变量的定义之后，需要 先对时间序列的变化趋势有所了解，便于选择合适的模型。 即通过序列图， 确定模型是乘性还是加性。 变量为”销售数据 “，时间轴标签为” DATE–“，也就是我们自定义的时间。数据 销量序列图如何根据序列图来判断模型的乘性或加性？ 如 果随着时间的推移，序列的季节波动变得越来越大，则建议 使用乘法模型。如果序列的季节波动能够基本维持恒定，则 建议使用加法模型。本例很明显：随着时间变化，销售数据