《统计学》读书笔记，第11-14章

第11章 时间序列预测

11.1 时间序列的成分和预测方法

       一个时间序列由四种要素组成：

       趋势（T）：时间序列在一段较长时期内呈现出来的持续向上或者向下的变动；

       季节变动（S）：时间序列呈现出以年为周期长度的固定变动模式；

       循环波动（C）：时间序列呈现出的非固定长度的周期性变动；

       不规则波动（I）：时间序列出去上述3者的随机波动。

       对于不同的数据模式（T、S、C、I），不同的预测期、不同的数据要求，对应不同的数据预测方法：移动平均、简单指数平滑、Holt指数平滑、一元线性回归、指数模型、多项式函数、Winter指数平滑、分解预测、ARIMA模型等。

11.2 平稳序列的预测

11.2.1 移动平均预测

       使用最近k期的数据的均值预测下一时间点的数据。

11.2.2 简单指数平滑预测

       F_t+1 = αY_t+ (1-α)S_t，t期的实际值与t期的平滑值（?）加权平均。选取合适的α是关键。

11.3 趋势预测

11.3.1 线性趋势预测

（1）一元线性回归预测

       之前介绍的一元线性回归

（2）Holt指数平滑预测

       当时间序列存在趋势时，简单指数平滑的预测结果总是滞后于实际值。而Holt模型则改进了这个弱点（只适用于仅存在趋势成分，不包含季节成分）。

       平滑值：S_t= αY_t+ (1-α)(S_t-1 + T_t-1)，消除因趋势产生的滞后

       趋势项更新：T_t= γ(S_t- S_t-1) + (1-γ)T_t-1，对趋势的修正

       未来第k期的预测值：F_t+k = S_t +kT_t

11.3.2 非线性趋势预测

（1）指数曲线

       y_t’ = b₀e^b1t

       对式子取对数，然后看作线性回归，用最小二乘法求参数。

（2）多阶曲线

       y_t’ = b₀ + b₁t+ b₂t² +… + b_kt^k

       对式子取对数，然后看作线性回归，用最小二乘法求参数。

11.3.3 残差自相关及其检验

       时间序列残差经常出现相邻两残差具有相同符号，这表明残差序列自相关，这种情况应该避免使用最小二乘法。

       判断残差之间是否自相关，一般使用Durbin-Watson检验（D-W检验）：

       H₀：残差无自相关；H₁：残差有自相关

       D-W检验统计量：d= Σ(e_t – e_t-1)