商务统计分析 第2版 第12章 时间序列预测.ppt

*当时间序列是同时含有趋势、季节变动和随机波动的复合型序列时，需要对时间序列进行分解预测—先将时间序列的各个因素依次分解出来，然后进行预测。常用的有乘法模型和加法模型，此节仅介绍乘法模型。乘法模型：12.5趋势与季节性—时间序列分解法第1步：确定并分离季节成分以季节指数来表示时间序列中的季节成分，将季节成分从时间序列中分离出去，即用序列中的每个实际观测值除以对应的季节指数，以消除季节成分。*乘法模型：12.5趋势与季节性—时间序列分解法第1步：确定并分离季节成分季节指数的计算方法有很多种，这里只介绍基于移动平均趋势剔除法的季节成分的确定和分离，其基本步骤是：计算移动平均值，并进行中心化处理，即对移动平均的结果再进行一次2项移动平均，得出中心化移动平均值。计算季节指数，即将时间序列的每个实际观测值除以对应的中心化移动平均值，再计算各比值的季度/月份平均值，即为季节指数。调整季节指数，若上一步得出的季节指数的平均值不等于1，则需要将每个季节指数除以总平均值以进行调整，最后得出标准的季节指数。计算得到消除季节成分后的时间序列，即用序列中的每个实际观测值除以对应的季节指数，以获得消除季节影响后的时间序列。*乘法模型：12.5趋势与季节性—时间序列分解法第2步：建立预测模型并进行预测根据消除季节成分后的时间序列的特征（线性趋势或非线性趋势），建立对应的预测模型（一元线性回归模型、指数模型或多阶模型），并进行预测。第3步：计算最后的预测值用上一步得到的预测值乘以第1步中的季节指数，即为最终的预测值。例12.6：根据表12-6中的数据，用时间序列分解法预测2016年的各季度的商品销售量。*，12.5趋势与季节性—时间序列分解法表12-62012-2015年各季度的商品销售量年份季度时间商品销售量/万件201211152012221920123372012441020131516201326202013378201348112014191620142102220143119201441212201511319201521425201531515201541618解：该商品销售量时间序列数据具有明显的季节成分，因此，我们将分三步进行：第一步：确定并分离季节成分我们这里用移动平均趋势剔除法计算并分离季节成分(1)计算移动平均值该时间序列数据具有明显的季节成分，故采取4项移动平均法，如第一个移动平均值对应于2.5季度，其他的以此类推，结果如表12-7第4列所示接下来进行中心化处理，即对先前的移动平均值再进行一项2次移动平均，如第一个中心化移动平均值对应于3季度，其他的以此类推，结果如表12-7第5列所示（2）计算季节指数先计算季节比率，即将时间序列的每个实际观测值除以对应的中心化移动平均值，如*，12.5趋势与季节性—时间序列分解法解：其他的以此类推，结果如表12-7第6列所示再计算各比值的季度/月份平均值，即为季节指数，如其他的以此类推，结果如表12-7第7列所示（3）调整季节指数因先前计算的季节指数的平均值不等于1，故需进行调整，即将每个季节指数除以总平均值以进行调整，最后得出标准的季节指数，如其他的以此类推，结果如表12-7第8列所示?*，12.5趋势与季节性—时间序列分解法*12.5趋势与季节性—时间序列分解法解：*，12.5趋势与季节性—时间序列分解法表12-7消除季节影响的商品销售量的时间序列值年份季度商品销售量移动平均值中心化移动平均值季节比率季节指数调整后的季节指数消除季节成分后的销售量2012115?????12.8844?????????2012219?????12.9357???12.75?????201237?12.8750.54370.57350.584511.9760???13.00?????2012410?13.1250.76190.76780.782512.7796???13.25?????2013116?13.3751.19631.14231.164213.7433???13.50?????2013220?13.6251.46791.44121.4688