第8章-季节性时间序列模型.docxVIP

8. 8. 第8章季节性时间序列模型 由于在日常生活中经常遇到季节性时间序列，因此我们为其单辟一章。在引 入一些基本概念和常用模型之后，我们将自回归求和移动平均模型加以推广，用 来 描述季节时间序列。另外，为了说明该方法，我们还给出了详细例子。 8. 1基本概念 许多商业和经济时间序列都包含有季节现象，即在一段时期后不断地对自身作有规律的重复。重复现象岀现的最小时间间隔称为季节周期。 例如，并吉林 小玲的季度序列在夏季最高，序列在每年都重复这一现象，相应的季节周期为4。类 似地，汽车的月度销量和销售额在每年7月和8月也趋于下降，因为这是经常 更换 新的车型。而玩具的月销售量在每年的 12月增加。后两种情形的季节周期 是12。季节现象源于一些因素，如气候影响许多商业和经济活动，如旅游和房屋建 筑；一些习惯性事件，如圣诞节就与珠宝、玩具、贺卡及邮票的销售密切相 关；夏 季几个月的毕业典礼直接关系到这几个月的劳动力状况。 作为说明的例子，图8-1给出了 1971-1981年美国月度就业人数，调查对象 是 美国16-19周岁的男性。序列的季节特性是明显的，在夏季几个月人数急剧增力口， 在学期结束的6月出现高峰，而在秋季学校开学后就下降了。这种现象每12个月重 现一次，因而季节周期是12。 1500H 1500H 2 2传统 表弘1李节时伺序列的Buys-Ballot表 1 2 3 … 5 总和 平的 A 场 …乩 pi N+1 缶+彳 ?…场. r, 2 ■ 4 V - 畫2 T~n 总料 % ???n, T T/a 平均 …2 2 T jn T/ns 务二気丿周朋￡询 戶全部序列幕和 方決 通常，时间序列被看做由趋势项(Pt),季节项(St)以及不规则分量(et)混合而 成。如果这些分量被假定为是可加的，可以将时间序列 乙写成 Zt 二Pt+ St+ et 为了估计这些分量，文献中引入了一些分解方法。 821回归方法 在回归方法中，可加性时间序列可以写成下面的回归模型 Zt 二Pt+ St+ et iUit K jVjt e j i 其中R 0 k 山辻，Uit是趋势-循环变量；St二 jVjt和Vjt是季节 j 1 变量。例如，线性的趋势-循环分量Pt可以写成 Ft o f (823) 更一般地，循环-趋势分量可以写成关于时间的m次多项式: R Olli1 m i (824) (825)类似地，季节分量St可以表示为季节虚拟（示性）变量的线性组合，或表示成各 种频率正弦-余弦函数的线性组合。例如，一个周期为s (825) J Djt j i 其中，如果t对应于季节的第j期，有DR二1,对于其他情况就为0;注意，当季 节周期为s时，我们只需要（s-l）个季节虚拟变量。换言之，令使得系数 （其中，j 0表示在周期为s时第j期的季节影响。另一方面，St也可以写成 s/2 2 jt N jt S j sin（ ） j cos（- s （826） j i s 其中， 这类模型将在第11章讨论。于是，模型（8?2?2） 成为 Zt it jDjt e (8. 2. 7) 或者 s/2 Zt it1 j sin(-』)jC°s() et (828) 对于给定数据集和特定的m* A， 对于给定数据集和特定的m * A ，和，的估计值r, ‘，和 式给出： A ? jo Rt, St,和方程(8. 2.7)中的et的估计值可由下 m m m m (8. 2. 9a) (8. 2. 9a) (8.2.9b ) (8. 2. 9c) (8. 2. 10a) (8.2. 10b) (8. 2. 10c) it A s 1A jDjt j i 和 A A A 乙P s 对于方程(8.2.8)可由下式给出 4 A m a a TOC \o 1-5 \h \z p it l° i 1 : 5/2 A ? “2 jt、A 2 jts Q i sin ( ) ■ ,cos ( ) j i s s 和 A A 乙 P s 822移动平均方法 移动平均方法基于这样的假定：一个季节时间序列的年度总和中只有少量的季 节变量，因此，令Nt Pt et为序列的非季节变量，而非季节变量的估计可以用对称移 动平均算子得到，即 iZt i (8.2. 11) 其中，ni为一正数， 为常数，且有ii以及『皿］1。季节分量的估计 可由原序列减去用得到，即 A A SZtNt ( 8.2. 12) 前面的估计可以通过重复各种移动平均算子得到。利用移动平均方法的成功例子是人 口普查局X-12方法，该方法被政府和工业企业广泛地采用。 被消除了季节影响的序列，即乙S,称为季节调整序列。因此，前述季节分解 方法也是熟知的季节调整方法。人们普遍认为季节分量是有规律的特征，能够以合理 的精