易丹辉-经济预测与决策2（2019）.pptVIP

* 第四章 传统时间序列预测 时间序列是以时间顺序记录下来的一系列数据。因为时间单位不同，在一年中记录的数据频次不同。通常以年、季、月记录的数据，在一年的时间里出现的次数不多，称为低频数据；以周、日等记录的数据为高频数据；日内记录的数据，如分钟或小时，为超高频数据。 * 传统时间序列模型的基本形式 长期趋势(Secular Trend)，事物在一段时间内表现的一种变动倾向；季节变动(Seasonal Variation)，事物被季节性规律作用产生的周期性变化。季节性规律可能是自然的，也可能是人为的。周期通常为一年(4个季或12个月)；循环变动(Cyclical Variation)，事物周期长短不固定的一种变化，周期通常为数年；不规则(Irregular Variation)，无规律可循的一种变化，也被称为随机变动或残差变动。 数据=f (趋势，季节，循环)+误差 * 一、趋势外推预测 趋势模型一般形式 其中，t是时间顺序号，取自然数，如时间从1952年开始，则t以1952年为1，1953年为2，按顺序依次赋值。 时间序列呈现某种上升或下降的趋势，且无明显的季节波动时，可以用时间t综合替代所有影响因素，即以时间t为自变量，时序数值Y为因变量，建立趋势模型。 Y=f (t) * （一）模型形式 直线趋势 非线性趋势 有增长上限的曲线趋势模型 修正指数曲线模型 龚珀兹曲线模型 皮尔曲线模型 * （二）模型识别 —— 图形识别法 从实际数据出发，选择模型的方法。将时间序列的数据绘制成以时间t为横轴，时序观察值为纵轴的曲线图，观察其变化并与各类函数曲线模型的图形进行比较，选择较为适宜的模型。一般初选几个模型，通过模型分析后再确认合适的模型。 * （三）参数计算 ???? —— 最小二乘法 直线模型本身就是反映序列与时间t的线性关系，将自变量Ｘ换为时间t即可估计。对于曲线形式的模型，类似前一章，可以通过变换使其线性化，也可以运用最小二乘估计。 * （四）模型分析与评价 1. 模型检验 采用最小二乘法估计参数，必须按照回归分析中的要求，对模型进行检验，包括参数的显著性检验、回归方程显著性检验、残差独立性检验、拟合优度检验。 2. 对历史数据拟合的分析 直观判断法 图、表 误差分析法 MAPE 3.对未来趋势反映的分析 对序列近期趋势的反映 试预测 例4.1 * （四）模型分析与评价 1. 模型检验 采用最小二乘法估计参数，必须按照回归分析中的要求，对模型进行检验，包括参数的显著性检验、回归方程显著性检验、残差独立性检验、拟合优度检验。 2. 对历史数据拟合的分析 直观判断法 图、表 误差分析法 MAPE 3. 对未来趋势反映的分析 近期趋势的反映 直观判断 误差分析 试预测 预测结果的可能性分析 * 二、平滑预测 （一）移动平均预测 1. 简单平均法 选择前 期作为试验数据，计算平均值用以测定 +1期数值，即 式中， 为前 期的平均值， 为 +1期的估计值，也就是预测值。 特点 不足 = / = * 2. 简单移动平均法 移动平均法是对简单平均法加以改进的预测方法。它保持平均的期数不变，总是为 期，而使所求的平均值随时间变化不断移动。 这是一个递推形式， 是平均的期数亦即移动步长。 的作用:平滑数据 = = = = * 从上面的式子可以看出下面的关系 也可以改写成 式中 就是T+1时刻的实际值与预测值之差即误差。所以，简单移动平均预测实际上是通过当期预测误差修正当期预测值得到下一期的预测值。 特点 不足 例4.2 = = = +