文章目录
时间序列应用分析
时间序列数据,如各年度的国内生产总值、人口数量、温湿度、车辆销售数、股票、食品价格(指数)等等都是随时间变化的序列,在日产生活中屡见不鲜。考虑到时间时一直存在的变量,导致时间序列的数据量大且处理难度较大,基于随时间变化的数据模型,一般使用指数平滑预测模型。
时间序列的基本概念
1.时间序列的意义
时间序列数据是指按照时间先后依次排列的观测值所构成的数列,如各年度的国内生产总值、人口数据等。研究时间序列数据模型处理的主要目的是进行数据预测,如预测下一年度的销售额,预测股票价格走势等。
2.时间序列分析中的时间
一般使用t表示时间,可以是年、季、月、周、日,也可以是用户自定义的时间间隔。
3.时间序列的表示
时间序列数列:
4.时间序列的分类
时间序列数据分两大类。
(1)平稳序列:不存在趋势,在某一个固定的水平上随机波动
(2)非平稳序列:包含趋势、季节性、周期性等序列。
5.其它概念
(1)平均发展水平:
(2)增长量:
(3)平均增长量:
(4)发展速度:
(5)平均发展速度:
非平滑时间序列变动的影响因素预测定模型
1.非平滑时间序列变动的影响因素
非平滑时间序列变动影响因素分为4类。
(1)长期趋势T
在一个相当长的时期内,持续向上或向下发展变化的趋势。
(2)季节变动S
在一年内受气候变化、气象环境、节假日、风俗习惯等因素的影响所出现的有规则的波动。季节变动比较显著的行业有农业、交通运输业、旅游业、商业等。
(3)循环变动C
围绕长期趋势的一种高低往复、周而复始的规则性变动,周期多在一年以上。
(4)不规则变动I
剩余的变动,由随机因素引起的非趋势性、非周期性变动。
2.时间序列变动因素的测定模型
将4种因素(长期趋势、季节变动、循环变动、不规则变动)从序列中分离出来,然后按照一定的方式再组合起来,即构成了时间序列变动因素的测定模型。
加法模型:
其中,T、S、C、I均为绝对数。
乘法模型:
其中,Y、T为绝对数,而S、C、I为相对数,一般用百分比表示。
时间序列的预测方法
时间序列的预测方法有很多,一般处理方法如下:
(1)先绘图确定时间序列的类型,再选择适当的预测方法。
(2)平稳序列的预测方法:简单平均法、移动平均法、指数平滑法(1阶,2阶,3阶,…);
(3)非平稳序列的预测方法:指数平滑法和自回归预测、曲线拟合和回归分析等;特别对于含季节趋势的预测方法包括时间序列分解(利用乘法模型先进行趋势预测,再进行季节变动分析,然后用它们的乘积来进行预测)和季节多元回归模型(利用加法模型把趋势和季节放在一个模型中进行回归分析,得到回归方程,然后利用该方程来进行预测)。
(不会在博客里面敲公式,直接把在word里敲再截图了)
一次指数平滑法(不会在博客里面敲公式,直接把在word里敲再截图了)
二次指数平滑法(不会在博客里面敲公式,直接把在word里敲再截图了)
三次指数平滑法(不会在博客里面敲公式,直接把在word里敲再截图了)
时间序列线性二次移动平均法预测法(不会在博客里面敲公式,直接把在word里敲再截图了)