第三章 时间序列平滑预测法xin.ppt

3.1 时间序列的构成 3.2 移动平均法 3.3 指数平滑法 3.4 自适应过滤法;本章主要介绍的预测方法有移动平均法、指数平滑法及自适应过滤法。这些方法既可用于宏观预测,也可用于微观预测,预测期限主要为短、中期,不适于有拐点的长期预测。利用时间序列平滑预测法进行经济预测所依据的基本假定是:经济变量过去的发展变化规律,在未发生质变的情况下,可以被延伸到未来时期。当预测期与观测期的经济环境基本相同时,这一假定可以被接受。;时间序列的一般表达式：;时间序列的概念和变化规律 ;1) 同一现象在不同时间上的相继观察值排列而成的数列 2) 形式上由现象所属的时间和现象在不同时间上的观察值两部分组成 3) 排列的时间可以是年份、季度、月份或其他任何时间形式;时间序列及其分解;1）时间序列的构成要素;时间序列的变动规律 构成 特定的时间序列变化规律由四部分构成 趋势变动（Xt）在长时间范围内，时序序列稳定变化部分，表现为稳定上升（单调增），稳定下降（单调降）或平稳为一水平线。 ;趋势、季节、周期、随机性;变动图形与模型 ;时间序列的构成因素 影响经济变量的时间序列变动的因素很多,有些因素属于根本性因素,它对时间序列的变动起决定性作用,会使时间序列变动呈现出一定的规律性;有些因素属于偶然因素,对时间序列变动只起局部的非决定性作用,使时间序列呈现出不规则波动。为了研究经济变量的发展变化规律,并据此预测未来,需要将这些影响因素加以分解,分别进行测定。在具体分析中,通常按影响因素的性质不同,将影响时间序列总变动的因素分解为长期趋势、季节变动、循环变动和随机变动四种主要类型。;1)长期趋势 长期趋势是指时问序列在较长时期内,受某种根本性因素影响所呈现出的总趋势,是经济现象的本质在数量方面的反映,也是我们对时间序列进行分析和预测的重点。如图3.l所示,长期趋势可以是上升的,也可以是下降的,或者是平稳的(或称水平的)。;2)季节变动 季节变动是指时间序列受季节更替规律或节假日的影响而呈现的周期性变动。 ——例如,农作物的生长受季节影响,从而导致农产品加工业的季节性变化,并且波及运输、仓储、价格等方面的季节性变动； ——再如空调、燃料、冷饮等商品的销售量受天气冷暖的影响,出现销售旺季及销售淡季； ——另外,当春节、中秋节、国庆节等节假日来临时,某些食品的需求量剧增,也会出现购买高峰。;季节变动的周期比较稳定,一般是以一年为一个周期反复波动,当然也有不到一年的周期变动。如,银行的活期储蓄额以月为周期,每天早晨乘公共汽车上班的客流量一般以七天为一周期。季节变动有固定规律可循,周期效应可以预见。;3)循环变动 循环变动是一种变化非常缓慢、需要经过数年或数十年才能显现出来的循环现象。它虽类似于周期变动，但其规律性不明显,没有固定周期，出现一次循环变动之后，下一次何时出现，周期有多长难以预见，因而周期效应难以预测。 为了掌握时间序列受循环变动因素的影响情况,需要取得很长时期的样本数据加以分析,以获得循环变动的信息。在短期内,循环变动是显现不出来的,因而在短期预测中,可以不考虑循环变动的影响。;4)随机变动(或称随机干扰) 随机变动是指时间序列由于突发事件或各种偶然因素引起的无规律可循的变动。如：自然灾害、意外事故、战争和政策改变等原因对时间序列的影响。这种随机变动有时对经济发展影响较大,但却不能以趋势、季节或循环变动加以解释,也难以预测。 ;————了解构成时间序列的四种因素后，我们就能有的放矢地加以处理。在预测时，需要从时间序列中分离出长期趋势，并找到循环、季节变化的规律，排除随机干扰。;3）时间序列的构成模型;;一般而言，若时间序列的季节变动、循环变动和随机变动的幅度随着长期趋势的增长(或衰减)而加剧(或减弱)，应采用乘法模式;若季节变动、循环变动和随机变动的幅度不随长期趋势的增衰而变化，应采用加法模式。;时间序列数据的类型 在下面的讨论中,我们假定经济变量的时间序列无循环变动的影响。在时间序列预测中,常遇到的数据类型有以下几种: 1)水平趋势型 这时时间序列表现为既无上升或下降趋势,也无季节影响,只是沿着水平方向发生变动,可表示为:;2)线性趋势型 这时时间序列的长期趋势值是时间t的线性函数,无季节影响,可表示为:;3)曲线趋势型 这时时间序列的长期趋势值是时间t的非线性函数,无季节影响。以二次曲线为例,可表示为:;4)水平趋势季节型 这时时间序列无上升或下降趋势,但受季节影响,可表示为:;5) 线性趋势季节型 这时时间序列的长期趋势值是时间t的线性函数,且受季节影响,可表示为:;6)曲线趋势季节型 这时时间序列的长期趋势值是时间t的非线性函数,且受季节影响。以指数函数为例,可表示为:;;时间序列的描述性分析;1.图形描述——例题