时间序列分析第四章1.ppt

残差图 本章结构 时间序列的分解 1. 确定性因素分解 2. 趋势分析 3. 季节效应分析 4. 综合分析 5. X-11过程 6. X-11过程 简介 X-11过程是美国国情调查局编制的时间序列季节调整过程。它的基本原理就是时间序列的确定性因素分解方法 因素分解 长期趋势起伏 季节波动 不规则波动 交易日影响 模型 加法模型 乘法模型 方法特色 普遍采用移动平均的方法 用多次短期中心移动平均消除随机波动 用周期移动平均消除趋势 用交易周期移动平均消除交易日影响 共用到11次移动平均 例4.7续 对1993年——2000年中国社会消费品零售总额序列使用X-11过程进行季节调整 选择模型（无交易日影响） X11过程获得的季节指数图 季节调整后的序列图 趋势拟合图 生成残差序列 残差图 随机波动序列图 本章上机指导 拟合线性趋势 拟合非线性趋势 X-11过程 4.3 季节效应分析 【例4.6】以北京市1995年——2000年月平均气温序列为例，介绍季节效应分析的基本思想和具体操作步骤。 图1：建立月度数据新工作表 图4：进行季节调整（移动平均法） 图5：移动平均季节加法 图6：12个月的加法调整因子 图7：打开三个序列（季节调整序列、原序列、调整后序列） 图8：三个序列（季节调整序列、原序列、调整后序列）取值 时序图 例4.6季节指数图 图9：三个序列（季节调整序列、原序列、调整后序列）曲线图 本章结构 时间序列的分解 1. 确定性因素分解 2. 趋势分析 3. 季节效应分析 4. 综合分析 5. X-11过程 6. 综合分析 常用综合分析模型 加法模型 乘法模型 混合模型 例4.7 对1993年——2000年中国社会消费品零售总额序列（数据见附录1.11）进行确定性时序分析。 (1)绘制时序图 (2)选择拟合模型 长期递增趋势和以年为固定周期的季节波动同时作用于该序列，因而尝试使用混合模型（b）拟合该序列的发展 (3)计算季节指数 月份 季节指数 月份 季节指数 1 0.982 7 0.929 2 0.943 8 0.940 3 0.920 9 1.001 4 0.911 10 1.054 5 0.925 11 1.100 6 0.951 12 1.335 季节指数图 季节调整后的序列图 (4)拟合长期趋势 (5)残差检验 (6)短期预测 eviews实现过程 图1：绘制1993——2000年中国社会消费品零售总额时序图 图2：进行季节调整 图3：12个月的季节因子 图4：经季节调整后的序列SSA 零售总额预测过程 Ssa；季节调整序列， se：季节指数 ssasm；季节调整序列指数平滑预测值 Sf；预测值 Resid；残差序列 图5：对经季节调整后序列进行趋势拟合 图6：趋势拟合序列SSAF与序列SSA的时序图 图7：扩展时间区间后预测长期趋势值SSAF 图8：经季节调整预测2001年12个月的零售总额值 图9：预测2001年12个月的零售总额值 残差序列 eviews 操作 图1：导入数据 图2：绘制曲线图 可以看出序列不是线性上升，而是曲线上升，尝试用二次模型拟合序列的发展 非线性拟合 模型 变换 参数估计方法 线性最小二乘估计：命令ls ZS c T T*T 图3：模型参数估计和回归效果评价 因为该模型中T的系数不显著，我们去掉该项再进行回归分析。 非线性拟合 线性最小二乘估计：命令ls ZS c T*T 拟合模型口径 图4：新模型参数估计和回归效果评价 拟合效果图 平滑法 平滑法是进行趋势分析和预测时常用的一种方法。它是利用修匀技术，削弱短期随机波动对序列的影响，使序列平滑化，从而显示出长期趋势变化的规律 常用平滑方法 移动平均法 指数平滑法 移动平均法 基本思想 假定在一个比较短的时间间隔里，序列值之间的差异主要是由随机波动造成的。根据这种假定，我们可以用一定时间间隔内的平均值作为某一期的估计值 分类 n期中心移动平均 n期移动平均 n期中心移动平均 5期中心移动平均 n期移动平均 5期移动平均 移动平均期数确定的原则 事件的发展有无周期性 以周期长度作为移动平均的间隔长度 ，以消除周期效应的影响 对趋势平滑的要求 移动平均的期数越多，拟合趋势越平滑 对趋势反映近期变化敏感程度的要求 移动平均的期数越少，拟合趋势越敏感 移动平均预测 例4.3 某一观察值序列最后4期的观察值为： 5，5.5，5.8，6.2 （1）