多元统计分析时间序列分析详解演示文稿.pptVIP

平方根模型： 虽然关于时间变量t是非线性的，但待估参数是线性的，构造新变量X 时间（t） 销量（盒） X= 时间（t） 销量（盒） X= 1 1657 1 6 2410 2.449 2 1864 1.414 7 2414 2.646 3 1950 1.732 8 2534 2.828 4 2204 2 9 2739 3 5 2288 2.236 10 2785 3.162 当前第30页\共有73页\编于星期三\2点 得到的回归函数： 点预测： 预测误差： 当前第31页\共有73页\编于星期三\2点 区间预测： 可得第11期的区间预测为： 2702≤y11≤2979 线性趋势：2765≤y11≤3133 当前第32页\共有73页\编于星期三\2点 对数模型，同平方根模型一样，也用于描绘增长缓慢的模型 对数模型比平方根模型更平缓 当前第33页\共有73页\编于星期三\2点 指数模型 按β值不同，模型有不同的形状 当β1时，递增上升 当0β1时，递减下降 当前第34页\共有73页\编于星期三\2点 幂函数 与指数函数一样灵活，但包含三个未知参数： 当γ1，递增上升；0γ1，递减上升；γ=0.5，为平方根模型 当前第35页\共有73页\编于星期三\2点 模型 估计 函数 R2 F 11期 预测值 11期预测误差 线性 0.972 277 2949 80 平方根 0.983 459 2840 60 对数 0.945 139 2722 104 指数 0.971 265 2761 96 幂 0.984 216 2866 59 y10=2785 当前第36页\共有73页\编于星期三\2点 模型名称 方程 线性化 线性 Y=α+βt 对数 Y=α+βlnt 倒数 Y=α+β/t Y=α+β×(1/t) 平方 Y=α+β1t+β2t2 立方 Y=α+β1t+β2t2+β3t3 幂 Y=αtβ lnY=lnα+βlnt 指数 Y=αβt lnY=lnα+tlnβ S曲线 Y=e(α+β/t) lnY=α+β×(1/t) Logistic Y=1/((1/M)+αβt) ln(Y-M)=lnα+tlnβ 增长 Y=e(α+βt) lnY=α+βt 常用曲线拟合模型 当前第37页\共有73页\编于星期三\2点 人造黄油市场的时间序列分析 自己公司人造黄油销量总体上持续上升，但波动巨大 生产厂经理决定分析和预测整个德国的人造黄油市场情况 为此，他获得了过去四年人造黄油的月销量 当前第38页\共有73页\编于星期三\2点 人造黄油的市场销量的时间序列 当前第39页\共有73页\编于星期三\2点 模型1 线性趋势 当前第40页\共有73页\编于星期三\2点 模型2 趋势+季节性哑变量 当前第41页\共有73页\编于星期三\2点 模型3 趋势+季节性哑变量+气温 当前第42页\共有73页\编于星期三\2点 人口数量一般对消费品需求有 决定性影响，为此引入人口变化变量 当前第43页\共有73页\编于星期三\2点 模型4 季节性变量+气温+人口 当前第44页\共有73页\编于星期三\2点 德国黄油销量特点：季节波动性大、略称下降 气温的影响只能解释约25%的波动；圣诞节和复活节的影响明显更大 模型2简单能很好预测短期销量；模型3精度更高，使用时需预测月平均温度 模型4考虑人口变化，若人口变化明显用该模型更合理 当前第45页\共有73页\编于星期三\2点 考虑周期性波动 利用哑变量也可以考虑离散型时间序列中的周期性波动，如季节效应或经济波动 当前第46页\共有73页\编于星期三\2点 季节效应 许多基于月度或季度的经济时间序列都表现出季节特征 可以用虚拟变量对数据的季节性进行分析 例：冰箱销量分析。季度销量数据如下表所示 当前第47页\共有73页\编于星期三\2点 FRIG D2 D3 D4 FRIG D2 D3 D4 1317 0 0 0 943 0 0 0 1615 1 0 0 1175 1 0 0 1662 0 1 0 1269 0 1 0 1295 0 0 1 973 0 0 1 1271 0 0 0 1102 0 0 0 1555 1 0 0 1344 1 0 0 1639 0 1 0 1641 0 1 0 1238 0 0 1 1225 0 0 1 1277 0 0 0 1429 0 0 0 1258 1 0 0 1699 1 0 0 1417 0 1 0 1749 0 1 0 1185 0 0 1 1117 0 0 1 1196 0 0 0 1242 0 0 0 1410 1 0 0 1684 1 0 0 1417 0 1 0 1764 0 1 0 919 0 0 1 1328 0