时间序列也称动态序列,是指将某种现象的指标数值按照时间顺序排列而成的数值序列。时间序列分析大致可分成三大部分,分别是描述过去、分析规律和预测未来,本讲将主要介绍时间序列分析中常用的三种模型:季节分解、指数平滑方法和ARIMA模型,并将结合Spss软件对时间序列数据进行建模。
1.时间序列介绍
时间序列数据:对同一对象在不同时间连续观察所取得的数据。如:中国历年来的GDP数据
时间序列组成要素:时间要素(年、季度、月、周、日、小时、分钟、秒)、数值要素。时间序列根据时间和数值性质的不同,可以分为时期时间 序列和时点时间序列。 时期序列中,数值要素反映现象在一定时期内发展的结果; 时点序列中,数值要素反映现象在一定时点上的瞬间水平。时期序列可加,时点序列不可加。时期序列中的观测值反映现象在一段时期内发展过程的总量,不同时期的观测值可以相加,相加结果表明现象在更长一段时间内的活动总 量;而时点序列中的观测值反映现象在某一瞬间上所达到的水平,不同 时期的观测值不能相加,相加结果没有实际意义。
2.时间序列分解
因为时间序列是某个指标数值长期变化的数值表现,所以时间序列数值变化背后必然蕴含着数值变换的规律性,这些规律性就是时间序列分析的切入点。 一般情况下,时间序列的数值变化规律有以下四种:
长期趋势(Secular trend,T)指的是统计指标在相当长的一段时间内,受到长期趋势影响因素的影响,表现出持续上升或持续下降的趋势,通常用字母T表示。例如,随着国家经济的发展,人均收入将逐渐提升;随着医学水平的提高,新生儿死亡率在不断下降。
季节趋势(Seasonal Variation,S)是指由于季节的转变使得指标数值发生周期性变动。这里的季节是广义的,一般以月、季、周为时间单位,不能以年作单位。例如雪糕和棉衣的销量都会随着季节气温的变化而周期变化;每年 的长假(五一、十一、春节)都会引起出行人数的大量增加.
百度指数:http://index.baidu.com/v2/index.html#/
循环变动(Cyclical Variation,C)与季节变动的周期不同,循环变动通常 以若干年为周期,在曲线图上表现为波浪式的周期变动。这种周期变动的特 征表现为增加和减少交替出现,但是并不具严格规则的周期性连续变动。最典型的周期案例就是市场经济的商业周期和的整个国家的经济周期。
不规则变动(Irregular Variation,I)是由某些随机因素导致的数值变化, 这些因素的作用是不可预知和没有规律性的,可以视为由于众多偶然因素对 时间序列造成的影响(在回归中又被称为扰动项)。
以上四种变动就是时间序列数值变化的分解结果。有时这些变动会同 时出现在一个时间序列里面,有时也可能只出现一种或几种,这是由引起 各种变动的影响因素决定的。正是由于变动组合的不确定性,时间序列的 数值变化才那么千变万化。 四种变动与指标数值最终变动的关系可能是叠加关系,也可能是乘积 关系。
3基于spss时间序列分解
3.1数据预处理-缺失值
3.2定义时间变量
3.3时间序列图,判断时间序列包含的变动成分
3.4时间序列分解——季节性分解(周期小于年)
3.5得出结论
4指数平滑模型(会运用是重点)
4.1简单指数平滑法
4.2线性趋势模型http://参考:https://otexts.com/fpp2/holt.htm
4.3阻尼趋势模型
4.4 简单季节性
4.5温特加法模型(Winters' additive)
4.6 温特乘法模型(Winters' multiplicative)