![1882d78f7b7f82dd472b3c5856b4e3b9.png](https://i-blog.csdnimg.cn/blog_migrate/623cbf9d9a1e22974bfbe93e216ad680.png)
01 解决什么问题
在社会活动中经常可见按照时间顺序记录下来的随机事件观察值,例如每年死亡人数序列,每年糖尿病发病人数序列,医院门诊每日诊治病例数序列。这类数据的特性是相邻时间点的观察值之间具有明显的相关性,这一特性不同于独立随机观察资料,因而不能用通常以独立随机观察为假定条件的统计方法分析,而要采用时间序列分析方法分析。
先来看一个时间序列的例子。收集了某市2007年1月1日至2009年12月31日的大气中颗粒物PM的每日测定值。从图可见,该市空气中颗粒物PM10含量的日平均值变化特点是:年初和年末的平均浓度较高,夏秋季的平均浓度较低。
![588c036f7e6af16f533c25407151ff85.png](https://i-blog.csdnimg.cn/blog_migrate/666d17e711b04ae6d59c6a4d01a02265.jpeg)
02 时间序列资料的影响因素
一个时间序列资料通常可以分解为确定性部分和随机部分。确定性部分又可进一步分解为趋势部分、循环或周期部分以及季节变动部分。
将上图的时间序列资料分解,形成如下图,可看到:
第一 趋势部分:反应长期的变化趋势,如上升或下降或平稳。下图的看来,虽然有起伏,但总的趋势是平稳的。