时间序列构成因素的组合模型
乘法模型: Y = T · S · C · I
加法模型: Y = T + S + C + I
T:长期趋势
S:季节变动
C:循环变动
I:不规则变动
乘法模型假定四个成分对现象发展的影响是相互的。长期趋势成分取与时间序列原始指标值Y相同计量单位的绝对量,以长期趋势为基础,其余成分均以比率表示。
加法模型假定四个因素的影响是独立的,每个成分均以时间序列原始指标数值Y相同计量单位的绝对量来表示。
若时间序列模型中包含了所有四个成分,称为时间序列的完备模型;但并非在每个时间序列中都同时存在这四个成分。
一般来说,长期趋势经常存在,季节变动因素和循环变动因素则不一定存在。当季节变动因素/循环变动因素不存在时,在乘法模型中S或C取值为1,在加法模型中S或C取值为0。
时间序列分析目的:对各种构成因素进行统计测定和分析,揭示其变动的规律和特征。
1 简单移动平均法
1.1 基本原理
一定程度上消除/削弱时间序列中的不规则变动和
其他变动,修匀原序列,揭示出时间序列的长期趋势
1.2 移动平均方式
选择适合的用于平均的时距项数N,采用对序列逐
项递移的方式,对原序列递移N项,计算一系列序时
平均数。
1.3 移动平均法特点
- 对原序列有修匀或平滑作用。时距项数N越大,对 数列的修匀作用越强。
- 时距项数N为偶数时,需移正平均(中心化移动平均)
- 项数N与季节变动长度一致才能消除季节变动;
项数N和周期一致才能消除周期波动。 - 移动平均会使原序列失去部分信息,平均项数越大,失去的信息越多,如序列的波动性。
- 移动平均值是对现象发展趋势的(一期外推)预测值。
2 季节调整
季节调整的基本思路是将季节变动S(季节因子,又称季节指数)从序列中剔除。以乘法模型为例:
首先,我们剔除长期趋势和循环变动的结合项 T· C,我们用移动平均 y t ~ \widetilde{y_{t}} yt
作为 T· C的估计值,因为我们大致可认为 y t ~ \widetilde{y_{t}} yt
已无季节和不规则波动。这里的 y t ~ \widetilde{y_{t}} yt
是中心化的移动平均,即:
这里,因为月度和季度都是属于偶数项,所以使用了中心化的移动平均,具体上式推到过程如下,以季度数据为例:
然后,我们用原序列除以 T· C 的估计值 y t ~ \widetilde{y_{t}} yt
就得到季节和不规则变动的结合项 S · I 的一个估计:
T ∗ S ∗ C ∗ I T ∗ C = S ∗ I = y t y t ~ = z t \frac{T*S*C*I}{T*C}=S*I=\frac{y_{t}}{\widetilde{y_{t}}}=z_{t}