33时间序列分析.pptxVIP

§3.3 时间序列分析;教学要求;一、时间序列分析的基本原理;重要概念;年份;时间数列的图示方法;编制时间数列的意义;;（二）时间序列的组合成份 长期趋势（T） 是指时间序列随时间的变化而逐渐增加或减少的长期变化的趋势。 季节变动（S） 是指时间序列在一年中或固定时间内，呈现出的固定规则的变动。 循环变动（C） 是指沿着趋势线如钟摆般地循环变动，又称景气循环变动(business cycle movement) 。 不规则变动（I） 是指在时间序列中由于随机因素影响所引起的变动。 ;;（三）时间序列的组合模型 ;二、趋势拟合方法(长期趋势分析);（一）平滑法; 滑动平均法 其计算公式为 式中: 为t点的滑动平均值;l为单侧平滑时距。 若l=1，则（3.3.4）式称为三点滑动平均，其计算公式为 若l=2，则（3.3.4）式称为五点滑动平均， 其计算公式为; 通过平均每一个连续数列值来修匀时间数列的方法。;移动平均法的计算;滑动平均法的计算;原数列;例题1;;使用移动/滑动平均法应注意的问题： 可以平滑修匀数列； 对于季节性数列，要采用 4 项或 12 项移动/滑动平均，方可平滑掉其季节波动； 一般的移动平均方法使原数列首尾各去除了若干项，因此不能用于外推预测； 当数列没有明显的长期趋势、季节变动和循环变动时，可以用此法进行预测。;指数平滑法 ① 一次指数平滑 α为平滑系数。 一般时间序列较平稳，α取值可小一些，一般取α∈（0.05,0.3）；若时间序列数据起伏波动比较大，则α应取较大的值，一般取α∈（0.7,0.95）。 ; ② 高次指数平滑法 一次指数平滑法不能跨期预测，对其进行改进，可以得到能够跨期预测的高次指数平滑法。令 为一次指数平滑值，即 ;对二次指数平滑再作一次指数平滑，可得三次指数平滑公式 ▲ 三次指数平滑法的预测公式 为 式中， ;例2：;; 趋势线拟合法：用某种趋势线（直线或曲线）来对原数列的长期趋势进行拟合。其主要作用是进行外推预测。;趋势线拟合法的基本程序;判断趋势类型;t;t;t;用最小二乘法求 a、b 的公式：;自相关性判断 ①时间序列的自相关，是指序列前后期数值之间的相关关系，对这种相关关系程度的测定便是自相关系数。 ② 测度:设y1，y2，…，yt，…，yn，共有n个观察值。把前后相邻两期的观察值一一成对，便有（n－1）对数据，即(y1，y2)，(y2，y3)，…，(yt，yt+1)，…，(yn-1，yn)。;其一阶自相关系数r1为;k阶自相关系数为 ;自回归模型的建立 常见的线性自回归模型： ① 一阶线性自回归预测模型为 ② 二阶线性自回归预测模型为 ③ 一般地，p阶线性自回归模型为 在以上各式中， 为待估计的参数值，它们可以通过最小二乘法估计获得。;例3：某地区1988～1999年12年自然灾害造成的成灾面积（102hm2）的时间序列数据见表3.3.9。试计算该时间序列的自相关系数r1和r2，并用自回归模型预测2000年的成灾面积。;;说明： 自由度f=11-2=9，在置信度水平α=0.001下查相关系数的临界值检验表得r0.001=0.8471，显然r1 r0.001。这表明一阶自相关系数r1具有高度的显著性。进一步检验发现，二阶自相关系数r2也是高度显著的。所以，对于该序列可以建立线性自回归模型。由于r1r2，故可以建立一阶线性自回归预测模型。 用最小二乘法估计模型参数，得到如下回归模型： 运用该模型进行预测计算：;三、季节变动预测; 季节变动（ Seasonal）：一年之内因纯季节原因造成的数列的波动，以及与季节无关的类似的变动。;测量季节变动的意义;趋势剔除法的基本过程;季节性预测法的具体步骤;2）将原序列y除以其对应的趋势方程值（或平滑值），得到相对数数列,从而分离出季节变动（含不规则变动），即 ; （3）计算相对数数列的平均水平.将月度（或季度）的季节指标加总，以由计算误差导致的值去除理论加总值，得到一个校正系数，并以该校正系数乘以季节性指标从而获得调整后季节性指标。 （4）求预测模型，若求下一年度的预测值，延长趋势线即可；若求各月（季）的预测值，需以趋势值乘以各月份（季度）的季节性指标。