第章时间序列预测.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 2008年8月 分解预测(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 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 2008年8月 分解预测(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 BEER 朝日 BEER 朝日 BEER 朝日 2008年8月 分解预测 (例题分析) 2008年8月 分解预测(第1步：确定并分离季节成分) 计算季节指数 以其平均数等于100%为条件而构成的反映季节变动的值 表示某一月份或季度的数值占全年平均数值的大小 如果现象的发展没有季节变动，则各期的季节指数应等于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 2008年8月 分解预测(第1步：确定并分离季节成分) 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，也称为季节比率 将序列的各观察值除以相应的中心化移动平均值，然后再计算出各比值的季度(或月份)平均值，即季节指数 季节指数调整 各季节指数的平均数应等于1或100%，若根据第2步计算的季节比率的平均值不等于1时，则需要进行调整具体方法是：将第2步计算的每个季节比率的平均值除以它们的总平均值 ? 用Excel计算季节指数 2008年8月 分解预测(第1步：确定并分离季节成分) 2008年8月 分解预测(第1步：确定并分离季节成分) 2008年8月 分解预测(第1步：确定并分离季节成分) 2008年8月 分解预测(第1步：确定并分离季节成分) 分离季节成分：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 2008年8月 分解预测(第1步：确定并分离季节成分) 季节性及其分离图 2008年8月 分解预测(第2步：建立模型并进行预测) 线性趋势预测和最终预测值 2008年8月 分解预测(第3步：计算出最后的预测值) 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 2008年8月 分解预测(第3步：计算出最后的预测值) 2006年最后的预测值 ? 用Excel进行分解预测 2008年8月 实际值和最终预测值图 2008年8月 本章小节 时间序列的组成要素 时间序列的预测程序 移动平均和指数平滑预测 线性趋势和非线性趋势预测 自相关和自回归模型预测 多成分序列的预测 使用Excel和SPSS预测 结 束 * * * * * * * * * * * * * * * * 10.5.1 自相关及其检验 10.5 自回归模型预测 2008年8月 自相关及其检验(autocorrelation) 不同点的时间序列残差之间的相关称为自相关 时间序列的残差是时间序列的观察值与相应的预测值之差 对于大多数商业和经济序列来说，残差会出现连续的正值和连续的负值，也就是相邻的两个残差具有相同的正负号，时间序列残差之间的相关称为自相关 相邻两期(t期和t-1期)残差之间的相关称为一阶自相关 2008年8月 自相关及其检验(自相关对预测的影响) 对于自相关序列应避免使用最小二乘法拟合的回归模型进行预测 最小二乘回归的基本假定之一就是残差是相互独立的随机变量 自相关显然破坏了这些假定，从而使回归系数的估计不再具有最小方差的性质 用最二乘模型进行预测时产生的误差比预期的要大 将回归方法用于时间序列时应注意这一问题 2008年8月 自相关及其检验(D-W检验) 判断残差之间是否存在自相关的方法之一就是使用Durbin-Watson检验，简称D-W检验 对于双侧检验提出的假设为 H0：残差无自相关，H1：残差存在自相关 检验统计量为 检验时使用D-W检验统计量临界值表判断 2008年8月 自相关及其检验(D-W检验统计量临界值表) 显著性水平为?=0.05、样本量为n、自变量个数为k，统计