时间序列分析的一般步骤

『₣λ¥√≈üĐ』

于 2025-03-31 17:12:47 发布

阅读量828

点赞数 17

文章标签：学习统计学

本文链接：https://blog.csdn.net/m0_72780379/article/details/146870226

版权

时间序列分析的核心在于理解发展水平和发展速度的计算方法，以及如何利用这些指标进行预测和决策。本文提供详细的数学方法、计算公式和示例，帮助你全面掌握时间序列分析的一般步骤。

发展水平（Development Level）指的是某一时刻或某一时期的数据值，主要用于衡量整体规模。

计算多个时间点的数据均值，用于平滑波动，消除季节性或短期波动影响。
简单移动平均（SMA）：
$SMA_t = \frac{Y_t + Y_{t-1} + \dots + Y_{t-n+1}}{n}$
加权移动平均（WMA）（赋予近期数据更高权重）：
$WMA_t = \frac{w_1 Y_t + w_2 Y_{t-1} + \dots + w_n Y_{t-n+1}}{w_1 + w_2 + \dots + w_n}$

示例：计算过去 3 期的简单移动平均：

$SMA_3 = \frac{140 + 160 + 180}{3} = 160$

发展速度（Growth Rate）用于衡量时间序列的变化速率，常见计算方法包括：

衡量某一时期与上一年（或固定基准）的增长率：
$g_t = \frac{Y_t - Y_{t-k}}{Y_{t-k}} \times 100\%$
（kk 一般取 12 个月或 1 年）

示例：如果 2023 年销售额为 180 万，2022 年为 140 万：

$g_{2023} = \frac{180 - 140}{140} \times 100\% = 28.57\%$

衡量整体时间序列的年均增长率：
$CAGR = \left( \frac{Y_n}{Y_1} \right)^{\frac{1}{n-1}} - 1$
示例：公司 5 年销售额从 100 增长到 180：
$CAGR = \left( \frac{180}{100} \right)^{\frac{1}{4}} - 1 \approx 16.07\%$

时间序列分析通常包括以下步骤：

ARIMA 模型（自回归积分滑动平均）用于预测长期趋势：
$Y_t = \alpha + \sum_{i=1}^{p} \phi_i Y_{t-i} + \sum_{j=1}^{q} \theta_j \varepsilon_{t-j} + \varepsilon_t$
指数平滑（Exponential Smoothing）：
- 简单指数平滑：
  $S_t = \alpha Y_t + (1 - \alpha) S_{t-1}$
- 霍尔特线性趋势：适用于增长趋势的数据。
- 霍尔特-温特斯季节性模型：适用于具有季节性周期的数据。

假设某企业的季度销售额数据如下（单位：万元）：

Y=[100,120,140,160,180,210,250,280]

$g_3 = \frac{140 - 120}{120} \times 100\% = 16.67\%$

计算同比增长率（假设为季度数据，对比上一年同季度）：
$g_5 = \frac{210 - 100}{100} \times 100\% = 110\%$
计算平均增长率：
$CAGR = \left( \frac{280}{100} \right)^{\frac{1}{7}} - 1 \approx 17.9\%$
移动平均（过去 3 期）：
$SMA_3 = \frac{180 + 210 + 250}{3} = 213.33$