时间序列预测与回归分析模型.pptVIP

3.如果|ｒ|=1，则表明Ｘ与Ｙ完全线性相关，当ｒ=1时，称为完全正相关，而ｒ=-1时，称为完全负相关。4.ｒ是对变量之间线性相关关系的度量。ｒ=0只是表明两个变量之间不存在线性关系，它并不意味着Ｘ与Ｙ之间不存在其他类型的关系。第31页，共44页，星期日，2025年，2月5日相关关系的测度

（相关系数取值及其意义）-1.0+1.00-0.5+0.5完全负相关无线性相关完全正相关负相关程度增加r正相关程度增加第32页，共44页，星期日，2025年，2月5日第*页时间序列预测与回归分析模型第1页，共44页，星期日，2025年，2月5日指同一变量按发生时间的先后排列起来的一组观察值或记录值。例如：1990-2008年我国国内工业生产总值；某类型的汽车2000-2009年的年销售量；某省1985-2008年工业燃料消费量；某证券交易所2009年全年每个交易日的收盘指数。上页下页结束首页2.1时间序列预测第2页，共44页，星期日，2025年，2月5日根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型，分析其随时间的变化趋势，对预测目标进行外推的定量预测方法。时间序列预测方法常用在国民经济宏观控制，企业经营管理，市场潜量预测，气象预报等方面。主要介绍：移动平均、指数平滑。上页下页结束首页2.1.1时间序列预测方法第3页，共44页，星期日，2025年，2月5日根据时间序列资料逐项推移，依次计算包含一定项数的序时平均值，以反映长期变化趋势。适用于短期预测。移动平均法能有效地消除预测中的随机波动。不足：（1）不能很好地反映出未来趋势；（2）需要大量的过去数据的记录。上页下页结束首页2.1.1.1.移动平均第4页，共44页，星期日，2025年，2月5日选定一个长度为n的时期，计算n个观测值的均值来预测未来的值，即将最近的k期数据加以平均，作为下一期的预测值。移动平均的计算公式：上页下页结束首页Yt为第t时期的观测值，n为跨越的时期数，Mt为t时期的移动平均值。第5页，共44页，星期日，2025年，2月5日移动平均法实验过程：（1）工具—数据分析—移动平均；（2）得到不同n值对应的Mt和Y。上页下页结束首页第6页，共44页，星期日，2025年，2月5日例1：某公司专营某品牌洗涤剂，过去一个月内该洗涤剂的日销售量数据如下，根据上个月的销售情况来预测本月的销售量。日期12345678910销售量145152110130152206263238247193日期11121314151617181920销售量193149157161122130167230282255日期21222324252627282930销售量265205210160166174126148173235上页下页结束首页第7页，共44页，星期日，2025年，2月5日上页下页结束首页第8页，共44页，星期日，2025年，2月5日用过去数据的加权平均数作为预测值，即第t+1期的预测值等于第t期的实际观察值与第t期预测值的加权平均值。（指数平滑法是加权平均的一种特殊的形式，观察值时间越远，其权数也跟着呈现指数的下降，因而称为指数平滑）优点：（1）只需一个最近时期观测值的权数，其他时期数据的权数可自动推算；适用于短期预测。（2）需要数据量较少，只需前一期的实际观测值及前一期的预测值。上页下页结束首页2.1.1.2.指数平滑第9页，共44页，星期日，2025年，2月5日由于在开始计算时，还没有第1个时期的预测值F1,通常可以设F1等于1期的实际观察值，即F1=Y1。因此第2期的预测值为：F2=aY1+(1-a)F1=aY1+(1-a)Y1=y13期的预测值为：F3=aY2+(1-a)F2=aY2+(1-a)Y1以后各期以此类推上页下页结束首页2.1.1.2.指数平滑第10页，共44页，星期日，2025年，2月5日指数平滑的计算公式：上页下页结束首页St（1）为第t时期时间序列的平滑值，St-1（1）为第t-1时期时间序列的平滑值，Yt为第t期时间序列的实际值，a为平滑系数。缺陷：不适用于带趋势和具有明显季节性变动的时间序列预测，其次，平滑系数及初始值的选择带有一定的主观性。