统计学原理-第13章 时间序列分析和预测.ppt

“索罗斯的中国门徒”、“纳斯达克市场的活字典”。收盘价的简单移动平均直线趋势方程：tyi一阶差分yi-yi-11234?na+ba+2ba+3ba+4b?a+nb—bbb?b趋势线的选择一阶差分大体相同，配合直线抛物线趋势方程：tyi一阶差分二阶差分1234?na+b+ca+2b+4ca+3b+9ca+4b+16c?a+nb+n2c—b+3cb+5cb+7c?b+(2n-1)c——2c2c?2c趋势线的选择二阶差分大体相同，配合抛物线13.6季节型序列的预测季节性多元回归（seasonalmultipleregression）预测是用虚拟变量来表示季节的多元回归预测方法。以按季度记录数据为例，引入3个虚拟变量：季节性多元回归方程为：趋势季节成分b0是时间序列的平均值b1是趋势成分的系数b2是第一季度与第四季度的平均差值b3是第二季度与第四季度的平均差值b4是第三季度与第四季度的平均差值绘制年度折叠时间序列图，以判断时间序列的类型；多元回归分析；建立多元回归方程；预测；结论。13章例13.12.xlsx13.7复合型序列的分解预测13.7.1确定并分离季节成分13.7.2建立预测模型并进行预测复合型序列指含有趋势、季节、周期和随机成分的序列。对这类序列的预测方法通常是将时间序列的各个因素依次分解出来，然后进行预测。分解模型：预测方法：季节性多元回归模型、季节自回归模型和时间序列分解法。Yi=Ti×Si×Ci×Ii时间序列分解法预测步骤确定并分离季节成分计算季节指数，以确定时间序列中的季节成分季节指数计算方法：移动平均趋势剔除法、按月(季)平均法将季节成分从时间序列中分离出去，即用每一个观测值除以相应的季节指数，以消除季节性建立预测模型并进行预测对消除季节成分的序列建立适当的预测模型，并根据这一模型进行预测计算出最后的预测值用预测值乘以相应的季节指数，得到最终的预测值移动平均法(movingaverage)（2）计算各移动平均值，并将其编制成时间数列奇数项移动平均原数列移动平均新数列偶数项移动平均移动平均新数列原数列确定并分离季节成分季节指数(例题分析)【例】下表是一家啤酒生产企业2000—2005年各季度的啤酒销售量数据。试计算各季的季节指数。右图可见，销售量具有明显的季节成分，且后面年份的销售量比前面的高，表明还含有趋势成分，周期性难以判断。初步认为销售量序列含有季节成分和趋势成分。季节指数(例题分析)调整系数四季的季节指数之和为398.508%，应进行调整。计算季节指数(seasonalindex)季节指数刻画序列在一个年度内各月或季的典型特征，其平均数等于100%，反映了某一月份或季度的数值占全年平均数值的大小。如果没有季节变动，则各期的季节指数应等于100%如果某一月份或季度有明显的季节变化，则各期的季节指数应大于或小于100%季节变动的程度是根据各季节指数与其平均数(100%)的偏差程度来测定。季节指数计算步骤计算移动平均值(季度数据采用4项移动平均，月份数据采用12项移动平均)，并将其结果进行“中心化”处理计算移动平均的比值季节指数调整调整季节指数计算季节指数时，若是月度资料，各月季节比率之和应等于1200%；若是季度资料，各季季节指数之和应等于400%。若根据时间序列资料计算的结果不等，就应进行调整。季节指数又称为季节比率。首先，计算调整系数，公式为：其次，计算调整后的季节比率，公式为：季节指数(例题分析)从图中可以看出，啤酒销售的旺季是3季度，淡季是1季节。分离季节因素将原时间序列除以相应的季节指数季节因素分离后的序列反映了在没有季节因素影响的情况下时间序列的变化形态剔除季节成分后，销售量具有明显的线性趋势。建立预测模型并进行预测线性趋势模型及预测根据分离季节性因素的序列确定线性趋势方程根据趋势方程进行预测该预测值不含季节性因素，即在没有季节因素影响情况下的预测值计算最终的预测值将回归预测值乘以相应的季节指数线性趋势预测和最终预测值

(例题分析)实际值和最终预测值图2006年预测值(例题分析)第13章小结时间序列的分解时间序列的描述性分析时间序列的预测程序平稳序列的预测有趋势序列的分析和预测复合型序列的分解预测第13章课堂练习1.不存在趋势的序列称为（