XXXX预测第5讲(时间序列分析)2.pptxVIP

预测理论与方法; 6.1 时间序列分析概述 6.2 数据准备 6.3 时间序列的图形化观察及检验 6.4 时间序列的预处理(重点) 6.5 简单回归分析法和趋势外推法(自学) 6.6 指数平滑法(重点) 6.7 ARIMA模型分析(重点) 6.8 季节调整法(重点) ;6.7 ARIMA模型;ARIMA(自回归综合移动平均)是时间序列分析中最为常用的模型，也称之为Box-Jekins模型，或带差分的自回归移动平均模型。 ARIMA模型可以对含有季节成分的时间序列数据进行分析，它包含三个主要的参数—自回归阶数(p)、差分阶数(d)、移动平均阶数(q)，一般模型的形式记为ARIMA(p,d,q)。;6.7.1 ARIMA模型的基本原理;1. 差分;2. ARIMA模型的分类;(1) AR模型;(2) MA模型;(3) ARMA模型;(4) ARIMA(p,d,q)模型;(5) ARIMA(p,d,q)(P,D,Q)s模型;3. 建立ARIMA模型的一般步骤;参数估计和模型诊断。对识别阶段所给初步模型的参数进行估计及假设检验，并对模型的残差序列作诊断分析，以判断模型的合理性。 预测。利用最优模型对序列的未来取值或走势进行预测。 第2和3步过程通常需要不断反馈、逐渐完善的过程。 ;6.7.2 ARIMA模型的基本操作;;阶数设置;加法:只影响单个观测记录的异常值; 移动水平:由数据的水平移动引起的异常值; 创新的:由于噪声变动形成的异常值; 瞬时的:对后续观测的影响程度,按指数水平衰减至0的异常值; 季节性可加的:周期性的影响某些时刻的异常值; 局部趋势:局部的线性异常值; 可加的修补:表示多个连续出现的可加类型的异常值.;5) 在统计量、图表、选项等子对话框中，选择需要输出的统计量和图表。;6.7.3 ARIMA模型的应用举例 ;具体操作;ARIMA(1,1,2)模型描述和模型拟合;ARMA(1,1,2)模型残差序列的自相关和偏自相关图;ARIMA(1,1,2)模型的预测结果;一阶自回归系数不是特别显著，可考虑去掉自回归部分;运用ARMA(0,1,2)模型的分析结果;ARMA(0,1,2)模型参数输出;ARMA(0,1,2)模型残差序列的自相关和偏自相关图;ARIMA(0,1,2)模型的预测结果;6.8 季节分解模型;时间序列是对某一统计指标,按照指定的时间间隔,搜集整理的一组统计数据.一个时间序列可能包含4种变动因素:长期趋势变动、季节性变动、循环性变动和不规则变动。但并不是所有的时间序列都会同时含有这4种变动因素。;6.8.1 季节分解法概述;1. 时间序列的4种成分;循环趋势，记为C。表示序列取值沿着趋势线有如钟摆般循环变动的规律。例如：总体经济指标的循环就是由各个产业的循环组合而成。 不规则趋势，记为R。表示把时间序列中的长期趋势、季节趋势和循环趋势都去除后余下的部分。不规则趋势是随机性的，它发生的原因有自然灾害、天气突变、人为的意外因素等。;2. 季节分解模型的种类;乘法模型。假设时间序列的由4种成分相乘而成的；各成分之间存在着相互依赖的关系。如果以Y表示某个时间序列，它的乘法模型变为：Y=T×C×S×R。 按照乘法模型的假设，季节因素、周期因素和不规则因素也围绕着长期趋势而上下波动，但这种波动表现为一个大于或小于1的系数，反映了它们在长期趋势和基础上对原始序列的相对影响方式和程度。;6.8.2 季节分解模型的基本操作;查看和设定日期变量。依次单击数据?定义日期，打开定义日期变量的对话框，在左侧列表中单击年份、季度，右侧输入起始日期1986年第1季度。单击确定按钮。 ;2. 参数设置;某市游客量时序数据.sav;如果序列中有几种周期性,则SPSS默认的周期是跨度最大的周期。例如一个数据中存在月度周期12和季度周期4，那么时间序列默认的周期就是12。若想进行季度性周期的分析，需重新进行日期变量的定义，将最高水平的周期定义为季度。 保存按钮设置保存四种趋势参数的方式，SAF表示序列的季节成分；SAS表示去除季节成分后的序列；STC表示序列的趋势和循环成分； ERR表示序列的不规则成分(随机部分)。;6.8.3 季节分解模型的应用举例 ;模型基本统计信息; 时期 原始序列 移动平均数序列 差分 SAF SAS STC ERR;原始数据集中增加的变量;绘制序列趋势线的操作;三条序列的图形;预测;Thank you;9、青少年是一个美好而又是一去不可再得的时期，是将来一切光明和幸福的开端。。8月-218月-21Wednesday, August 18, 2021 10、人的志向通常和他们的能力成正比例。23:11:0523:11:0523:118