时间序列基础知识
数据类型
截面数据:在某个时间点的观察到的值
时间序列数据:观察某一个变量的时间戳序列
注意:不是所有的时间序列数据都可以预测
预测分析方法
定性预测分析:做趋势判断
专家的主观看法
主观的曲线拟合:产品的生命周期的拟合曲线
主观的将先前的模式延续到未来
定量预测分析:
经济计量(统计预测方法)
时间序列方法:
判断是否可以预测
影响因子Y是什么
回归模型得到截面点的数据结果
不太正式或直观的方法
奈福预测模型(只关注趋势,不太准确)
市场预测分析
主要用于对市场的分析预测,即判断一种新产品,是否适合投入市场或者被市场接受的概率。
判断调整的统计型预测
根据实际数据,再用定量、定性、市场预测等方式进行调整
预测流程
- 问题定义
- 搜集信息
- 定义性能度量值
- 初步数据分析
- 选择和测试模型
- 预测模型的应用和评价:预测评估的准确性,并执行决策
什么是数据
数据包括一下信息或者知识:数字数据,图像、视频、声音、文本等。
数据类型:分类数据、数值数据。
python 绘图:
所有的绘制功能都可以导入:
import matplotlib.pyplot as plt
时间序列的组成
- 趋势:多个散点组成的大致图形。
- 周期:没有周期就假定周期变化微不足道
- 季节性变化,定义为M
- 不规则的波动:随机、突发、不确定
方法论
NAVIE方法论
找到最近的合理值或者最近一个季节性的合理值。
移动平均方法论(MA)
选取附近的几个单点值进行合并,选取平均值。
以K为周期进行计算,关于K的选择:
较重的滤波与响应性。
K值越大,新数值越集中,波动越平缓,K越大,舍弃的原始值就越多。
奇数对和偶数对移动平均
奇数:奇数对移动平均MA是中心对称的:
偶数:MA-2K 即K=2,MA-4。
以Yt和Y(t+1) 分别为中心,求出之后再求平均
加权移动平均(WMA-K)
之前是等权重,这是有加权的移动平均。
知识点1:时间序列分解的加法与乘法模型
时间序列包括:趋势、周期、季节、无规则部分,分解时间序列就是把时间序列分解成这几个部分,然后进行评估。
加法模型假定四个因素相互独立,每个成分以绝对值表示
乘法模型,这些因子相互作用
如果季节性的变化随着趋势变化而变化(季节性的浮动随着趋势增加而增加),建议用乘法模型
知识点2:时间序列分解的步骤
四个因子中的某些因子可以先进行合并