11时间序列分析法.pptVIP

内容提要11.1移动平均法11.2指数平滑法11.3生长曲线法11.4时间序列分解法11.1移动平均法一次移动平均基本公式一次移动平均递推公式二次移动平均基本公式和递推公式模型建立与预测小结在移动平均方法中，n值是关键参数，n值越大，波动曲线的“修匀”效果越显著，但对变化反映的灵敏度降低，对趋势反映滞后大；反之则反。11.2指数平滑法一次指数平滑基本公式平滑指数α的含义及取值预测结果对α的依赖性α值与n值的关系α值越小，“修匀”效果越显著。即：在实际应用中，一般取3.α取值的经验选择α的选择影响预测效果。一般根据时间序列的特点和经验确定：如果时间序列的长期趋势较稳定，应取较小值，如0.05～0.20如果时间序列具有迅速明显的变动趋向时，应取较大值，如0.3～0.7二次指数平滑——对一次指数平滑值再进行一次平滑基本公式模型与计算——为改善预测效果，建立线性指数平滑模型再预测三次指数平滑基本公式三次指数平滑非线性指数平滑模型的建立11.3生长曲线法逻辑曲线数学模型——美国统计学家珀尔（pearl）提出逻辑曲线数学模型逻辑曲线数学模型逻辑曲线模型系数的确定龚珀兹曲线数学模型——由英国统计学家和数学家龚珀兹（B.Gompertz）提出龚珀兹曲线数学模型龚珀兹曲线数学模型龚珀兹曲线模型系数的确定11.4时间序列分解法时间序列的结构形式影响时间序列值的因素趋势（T）因素：当时间序列值依时间变化时，表现出某种倾向（如线性、指数曲线或S型曲线趋势）。它影响时间序列值的主导因素；循环（C）因素：它是周期不固定的波动变化（如经济危机）产生的原因；季节变动（S）因素：它是周期相对固定（如一年四季）的波动变化产生的原因；不规则变动（I）因素：它是指许多外生的不易控制的因素。这些因素的出现带有很大的随机性。一般假定E（I）=0，D（I）=σ2。时间序列的结构形式若以Yt表示时间序列值，Tt、Ct、St、It分别表示趋势、周期、季节变动和不规则变动，则时间序列值可分解为以下3种模式：①加法模式：Yt=Tt＋Ct＋St＋It②乘法模式：Yt=TtCtStIt③混合模式：Yt=TtCtSt＋It时间序列的传统分解常用时间序列分解预测法同季平均法同季平均法分析具有季节变化的时间序列并在此基础上进行预测的最简单的方法，主要适用于受季节变化影响而无明显趋势变化的时间序列。包括两个步骤：一是将历年同季数据的平均值与各季总平均值相比，求得季节系数；二是以最近一年的各季平均值分别乘以各季节系数，即得来年各季的预测值。常用时间序列分解预测法季节系数法季节系数法：分析具有趋势变化和季节变化的时间序列并在此基础上进行预测的一种方法。步骤：通过分析数据的趋势变化和季节波动规律，建立趋势变动模型，求出季节系数，然后再用季节系数去修正反映趋势变化的模型。方法基于的思想：趋势是时间序列在整个长时期内的平均运动，是制约时间序列波动的主导因素，而其它各因素引起的波动只能算是对趋势的偏离。分解出Tt与Ct分解出St与It从StIt中分解出St从TtCt序列中分解出Ct*11时间序列分析法Time-seriesMovingAverages移动平均法是对简单平均法的改进。简单平均法不能反映时间序列中的高数点和低数点，也不能反映变量的发展过程和变化趋势。ExponentialSmoothing当α=0时，即平滑值维持不变；当α=1时，即平滑值等于最新的观察值。通常，α选得小一些，预测值趋向就较平稳，“修匀”效果越显著；α选得大一些，近期数据所占的比重越大，对变化的反映越灵敏，但“修匀”的效果越不明显。α的取值反映新旧数据的分配比例直接影响预测结果依赖于影响程度远期近期未来值的确定当实际数据较多（50个以上）时，初始值的影响将逐步被平滑而降低到很小，此时，可取最早的数据作初始值，即：当实际数据较少（20个以内）时，初始值影响较大，可以取最初几个实际值的平均值作初始值。假定线性指数平滑模型的一般形式：at与bt为平滑系数（at为截距，bt为斜率）