时间序列分析.pptVIP

模型当序列中同时存在趋势性和季节性的周期和趋势时，序列中存在着以季节周期的整数倍为长度的相关性，需经过某些阶数的逐期差分和季节差分才能使序列平稳化。对这样的准平稳序列的分析模型概括为模型，其中P,Q为季节性的自回归和移动平均阶数，D为季节差分的阶数，s为季节周期。本节讨论了模型的基本原理及在SPSS中的实现过程。模型是自回归模型的扩充形式，是随机性时间序列分析的代表性方法。这种模型有科学严密的理论体系，对波动性较强的时间序列能给出比较准确的模型，因而是当前比较常用的时间序列分析方法之一。第32页,共52页，2024年2月25日，星期天13.6季节调整法本节所讨论的季节调整方法的本质就是要对时间序列的周期性进行识别和分解。一般的时间序列分析的论述中将这种方法局限在那些与年、季、月等相关的周期性的分析上，把这样的周期性变动称为季节性变动（seasonalfluctuation），而将其他的周期性变动统称周期性（periodicity）。不过一般认为季节调整方法完全可用于序列中各种周期性成分的识别和提取。第33页,共52页，2024年2月25日，星期天13.6.1季节调整法的基本思想和模型季节调整法认为，时间序列是由四种成分构成的，它们分别是：趋势性T（Trend）、季节性S（SeasonalFluctuation）、周期性P（Periodicity）和不规则波动性I（IrregularVariations）。这些成分通过不同的组合方式影响时间时间序列的发展变化。时间序列分析的季节调整法从这个角度出发理解时间序列的构成因素，并将其转化成可量化的季节模型。通过季节模型能够反映出时间序列在一个周期内所呈现的典型状态，而这种状态在不同周期以基本相同的形态出现。季节调整模型通常分为加法模型和乘法模型。第34页,共52页，2024年2月25日，星期天1、加法模型加法模型认为时间序列是由趋势性、季节性、周期性和不规则波动性叠加形成的。一般来说，加法模型适用于那些随着时间的推移，波动幅度没有明显变化的序列。加法模型的一般形式为2、乘法模型乘法模型认为时间序列是由趋势性、季节性、周期性和不规则波动性交乘形成的。一般来说，乘法模型适用于那些随时间的推移，波动幅度随之增大或减小的序列。乘法模型的一般形式为第35页,共52页，2024年2月25日，星期天实际分析当中还会遇到其他的模型形式，但往往都是由以上两种模型变化而来的。他们或者因为某种成分无需考虑而将其舍去，或者是两种模型的某种组合等。另外，在一些书的讨论中往往将趋势仅仅局限于线性，实际上只要能明确识别出趋势的类型，非线性的趋势也可以引入到季节调整模型中，这样可大大拓宽季节调整方法的应用范围。季节模型通常都是由季节指数构成的，他们能够刻画出现象在一个周期内各时段的典型数量特征。若分析的数据是月度数据，而周期为一年，季节模型就由12个指数构成；若分析的数据是季度数据，季节模型就由4各指数构成；各个指数是以全年月或季的平均数为基础计算出来的。第36页,共52页，2024年2月25日，星期天下面以一般的月（季）形式的季节周期来说明计算过程。分析季节变动的方法较多，常见的有按月（季）平均法和趋势剔除法等。按月（季）平均法是根据原时间序列通过平均计算季节指数的方法。其基本思想是，为消除随机性的影响，计算各年同月（或季）的平均数作为该月（或季）的代表值；然后计算出总月（或季）的平均数作为全年的代表值；最后将同月（或季）平均数与总月（或季）的平均数对比，结果即为季节指数。趋势剔除法的基本思想与按月（或季）类似，它首先将时间序列中的长期趋势消除，然后再利用按月（季）平均法计算季节指数。序列中的趋势值可采用移动平均法或最小二乘法求得，分别称为移动平均趋势剔除法和趋势剔除法。在乘法模型中，各因素的消除可通过除法实现。第37页,共52页，2024年2月25日，星期天13.7案例分析一看一个时间序列的数据例子。这是某企业从1998年1月到2010年12月的销售数据（单位：百万元）。该数据有按照时间顺序的按月记录，共156个观测值。数据表13-1(tssale.sav)。第38页,共52页，2024年2月25日，星期天从该表格中的众多数据只能看出一个大概，即总的趋势是增长的，但有起伏。利用散点图则可以得到对该数据更加直接的印象。在SPSS中通过选用【分析】【预测】【序列图】，我们可以得到时间序列图13.1。从这个点图可以看出，总的趋势是增