Eviews时间序列分析实例要点.docxVIP

Eviews 时间序列分析实例 时间序列是市场预测中经常涉及的一类数据形式，本书第七章对它进行了比较详细的介绍。通过第七章的学习，读者了解了什么是时间序列，并接触到有关时间序列分析方法的原理和一些分析实例。本节的主要内容是说明如何使用Eviews 软件进行分析。 一、指数平滑法实例 所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规 律，但确实存在某种前后关联的时间序列的短期预测。由于其他很多分析方法都不具有这种特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。 （－）一次指数平滑 一次指数平滑又称单指数平滑。它最突出的优点是方法非常简单，甚至只要样本末期的平滑值，就可以得到预测结果。 一次指数平滑的特点是：能够跟踪数据变化。这一特点所有指数都具有。预测过程中添加最新的样本数据后，新数据应取代老数据的地位，老数据会逐渐居于次要的地位，直至被淘汰。这样，预测值总是反映最新的数据结构。 一次指数平滑有局限性。第一，预测值不能反映趋势变动、季节波动等有规律的变动； 第二，这种方法多适用于短期预测，而不适合作中长期的预测；第三，由于预测值是历史数 据的均值，因此与实际序列的变化相比有滞后现象。 指数平滑预测是否理想，很大程度上取决于平滑系数。Eviews 提供两种确定指数平滑系数的方法：自动给定和人工确定。选择自动给定，系统将按照预测误差平方和最小原则自 动确定系数。如果系数接近1，说明该序列近似纯随机序列，这时最新的观测值就是最理想的预测值。 出于预测的考虑，有时系统给定的系数不是很理想，用户需要自己指定平滑系数值。平 滑系数取什么值比较合适呢？一般来说，如果序列变化比较平缓，平滑系数值应该比较小， 比如小于 0.l；如果序列变化比较剧烈，平滑系数值可以取得大一些，如 0.3～0.5。若平滑系数值大于 0.5 才能跟上序列的变化，表明序列有很强的趋势，不能采用一次指数平滑进行预测。 ［例 1］某企业食盐销售量预测。现在拥有最近连续 30 个月份的历史资料（见表 l），试预测下一月份销售量。 表 1 某企业食盐销售量 单位：吨 解：使用 Eviews 对数据进行分析，第一步是建立工作文件和录入数据。有关操作在本 章第一节中已经阐明，这里不再赘述。假设已经建立工作文件，并生成了一个样本期为l～ 30 的序列，命名为 SALES。序列 SALES 中包含例 1 中需要分析的数据。 第二步，绘制序列图形。在序列对象窗口中，点击 View→Line Graph。屏幕显示图 1 所示图形。 图 1 某企业近 30 个月的销售量动态图 从图 1 中可以看出，这个企业近 30 个月的销售量并不存在明显的趋势，并且没有明显的季节趋势。因此，从直观上判断可以采用一次指数平滑法对企业下个月的销售量进行预测。 第三步，扩大样本期。本例要求对下一个月的销售量进行预测，而工作文件的样本期是1～30，在 Eviews 中要求先更改样本期。更改样本期的操作在本章第一节已经讲过，这里将样本期改为 l～31。 第四步，进行指数平滑。指数平滑的菜单操作方法有两种：一是在主工作文件窗口打开的情况下，点击主窗口的 Quick→Series Statistics→Exponential Smoothing；二是在序列对象窗口中点击 Procs→Exponential Smoothing。点击后屏幕出现如图 2 所示的指数平滑对话框。 指数平滑对话框中包含五个部分的选项：平滑方法（ Smoothing Method）、平滑系数 （ Smoothing Parameters）、平滑后生成序列的名称（ Smoothed Series）、预测样本范围 （Estimation Sample）和季节变动周期（Cycle for Seasonal）。对话框左上部分的平滑方法（Smoothing Method）包括： Single 一次指数平滑 Double 二次指数平滑 Holt－Winters－No seasonal Holt－Winters 无季节模型 Holt－Winters－Additive Holt－Winters 季节迭加模型 Holt－Winters－Multiplicative Holt－Winters 季节乘积模型 平滑系数（Smoothing Parameters）包括 Alpha，Beta，Gamma。平滑系数可由系统自动给定，也可以由用户指定。缺省状态是由系统自动给定。如果用户需要指定，只需在对应参数的位置填入指定的数值。 本例中，分别指定 Alpha 的值为 0.3 和 0.5。当指定平滑系数为 0.3 时，预测的残差平方和为 137.2978；当平滑系数为0.5 时，预测的残差平方和为165.0685。因此这里选择