配套课件 统计学.ppt

第四节　时间数列预测 二、趋势外推法 趋势外推法亦称长期趋势预测法,它是根据本章第三节介绍的构造时间数列长期趋势方程,进行外推预测。 三、时间数列的自相关性和自回归预测法 (一)时间数列的自相关性 时间是一个连续不断的过程,时间数列的指标随时间变化而变化,后期水平往往是在前期水平基础上发展变化而来的,前后各期水平之间存在着某种依存关系。这种依存关系称为时间数列的自相关(autocorrelation)关系,对这种自相关关系程度的测定称为自相关系数。 第四节　时间数列预测 (二)自相关系数的显著性检验 对于用时间数列资料构造的回归模型,由于前后各期数值可能存在某种程度的自相关,回归模型的误差项也就可能不符合上述基本假设。这样,用最小二乘法估计的回归方程的参数就不具有最小方差的性质,t检验和F检验也就无效;用这样的回归方程进行估计和预测也不准确。因此,在建立时间数列的回归模型之前,首先要通过因变量的自相关系数的显著性检验。 自相关系数检验的假设为:H0:ρ=0;H1:ρ≠0。 (三)自回归预测法 当时间数列存在一定程度的自相关时,就可以建立时间数列的自回归模型,通过前期数值计算后期数值或预测未来,这就是自回归预测方法。 第十一章　 指数分析 目 录 统计指数的概述 1 2 3 统计指数的概述 统计指数的概述 几种常见的经济指数 4 第一节　统计指数的概述 一、统计指数的概念 迄今为止,统计指数的概念有广义和狭义两种理解。 广义指数,即说明同类现象变动情况的相对数,以上两类现象总体数量变动的相对数都是广义指数。 狭义指数,是指用来综合反映所研究社会经济现象复杂总体数量变动状况的相对数。 统计指数具有以下几个基本性质和特点: (1)相对性。 (2)综合性。 (3)平均性。 第二节　一元线性相关 一、相关分析的主要内容 (1)确定现象之间有无关系存在,以及相关关系呈现的形态。 (2)确定相关关系的密切程度。 (3)确定相关关系的数学表达式。 (4)确定因变量估计值误差的程度。 第二节　一元线性相关 二、相关图 相关图又称散点图,它表现了变量之间的相关关系。相关图中以直角坐标系的横轴代表变量x,以纵轴代表变量y。将两变量相对应的数据用二维坐标点的形式描绘出来,用散点图来反映两变量间的相关关系。 相关图是研究相关关系的直观工具,一般在进行详细的定量分析之前,可以先利用它对现象之间存在的相关关系的方向、形式和密切程度作大致的判断。 第二节　一元线性相关 三、相关系数 (一)相关系数的定义与计算公式 相关系数(correlation coefficient)是在线性相关条件下,两个变量之间相关关系紧密程度和方向的测度。因此,从严格意义上讲,应该称之为一元线性相关系数。 (二)线性相关系数的检验 在实际的客观现象分析研究中,相关系数一般都是利用样本数据计算的,所以r在实质上只是一组样本的相关系数,而不是总体的相关系数。那么样本的相关系数是否具有可信性?是否可以用来估计总体的相关系数呢?这就需要对样本的相关系数进行显著性检验。 第二节　一元线性相关 (三)线性相关系数的局限性 (1)相关系数只适用于考察变量间的线性相关关系。 (2)相关系数的计算是一个数学过程。 (3)一般来说,两个变量相关时,可能属于如下关系之一: ①单向因果关系,如施肥量与农作物产量的关系。 ②双向因果关系,如工业生产值与农业生产值、商品供给量与商品价格等便互为因果关系。 ③另有隐含因素影响两个变量的变化。 ④虚拟相关。 第三节　一元线性回归分析 一、回归分析的概念 (一)相关分析与回归分析的区别 (1)在相关分析中涉及的变量不存在自变量和因变量的划分问题,变量之间的关系是对等的;而在回归分析中,则必须根据研究对象的性质和研究分析的目的,对变量进行自变量和因变量的划分。它们之间存在因果关系,自变量是用来说明、解释和影响因变量的,因此又称解释变量 (2)在相关分析中,所有的变量都必须是随机变量;而在回归分析中,自变量是给定的,因变量才是随机的,即将自变量的给定值代入回归方程后,所得到的因变量估计值不是唯一确定的,而会表现出一定的随机波动性。 (3)相关分析主要是通过相关系数来反映变量间的相关程度大小,由于变量之间是对等的,因此相关系数是唯一确定的;而在回归分析中,对于互为因果的两个变量(如人的身高与体重、商品的价格与需求量),则有可能存在多个回归方程。 第三节　一元线性回归分析 (二)相关分析与回归分析的联系 相关分析是回归分析的基础和前提。如果缺少相关分析,没有从定性方面说明现象间是否具有相关关系,没有对相关关系的密切程度作出判断,就不能进行回归分析,即便进行了回归分析,其回归方程的解释性也是值得质疑的。 回归分析是相关分析的深入和继续。现象间的相关分析仅仅是它们间的密