《统计学—基于R》(11)第11章--时间序列预测(R3).pptxVIP

数据分析

(方法与案例)

作者贾俊平版权所有违者必究StatisticswithR统计学R语言

第11章时间序列预测11.1时间序列的成分和预测方法11.2指数平滑预测11.3趋势外推预测11.4分解预测11.5时间序列平滑orecastF

11.1时间序列的成分和预测方法11.1.1时间序列的成分11.1.2预测方法的选择与评估第11章时间序列预测

11.1.1时间序列的成分11.1时间序列成分和预测方法

2018-9-25时间序列

(timesseries)?

2018-9-25时间序列的组成要素(components)趋势(trend)持续向上或持续向下的变动季节变动(seasonalfluctuation)在一年内重复出现的周期性波动循环波动(Cyclicalfluctuation)非固定长度的周期性变动不规则波动(irregularvariations)除去趋势、季节变动和周期波动之后的随机波动称为不规则波动只含有随机波动而不存在趋势的序列也称为平稳序列(stationaryseries)四种成分与序列的关系：?

2018-9-25含有不同成分的时间序列

2018-9-25时间序列的成分

(例题分析)【例11—1】（数据：example11_1.RData）表11—1是2000年—2015年中国粮食产量、居民消费水平、原煤产量和CPI（居民消费价格指数）的时间序列。绘制图形观察其所包含的成分年份粮食产量（万吨）居民消费水平（元）原煤产量（亿吨）CPI（上年=100）200046217.5372113.84100.4200145263.7398714.72100.7200245705.8430115.599.2200343069.5460618.35101.2200446947.0513821.23103.9200548402.2577123.65101.8200649804.2641625.7101.5200750160.3757227.6104.8200852870.9870729.03105.9200953082.1951431.1599.320105464728103.320115712064105.420125895845102.620136019374102.620146070274102.020156214347101.4

2018-9-25时间序列的成分

(例题分析)#绘制表11-1数据的时间序列图load(C:/example/ch11/example11_1.RData)example11_1-ts(example11_1,start=2000)par(mfrow=c(2,2),mai=c(0.6,0.6,0.12,0.1),cex=0.7)plot(example11_1[,2],type=o,xlab=（a）粮食产量序列,ylab=粮食产量)plot(example11_1[,3],type=o,xlab=（b）居民消费水平序列,ylab=居民消费水平)plot(example11_1[,4],type=o,xlab=（c）原煤产量序列,ylab=原煤产量)plot(example11_1[,5],type=o,xlab=（d）CPI序列,ylab=CPI)

11.1.2预测方法的选择与评估11.1时间序列成分和预测方法

2018-9-25预测方法的选择与评估预测方法适合的数据模式对数据的要求预测期简单指数平滑随机波动5个以上短期Holt指数平滑线性趋势5个以上短期至中期一元线性回归线性趋势10个以上短期至中期指数模型非线性趋势10个以上短期至中期多项式函数非线性趋势10个以上短期至中期Winter指数平滑趋势和季节成分至少有四个周期的季度或月份数据短期至中期分解预测趋势、季节和循环成分至少有四个周期的季度或月份数据短期、中期、长期

2018-9-25预测方法的评估一种预测方法的好坏取决于预测误差的大小预测误差是预测值与实际值的差距度量方法有平均误差(meanerror)、平均绝对误差(meanabsolutedeviation)、均方误差(meansquareerror)、平均百分比误差(meanpercentageerror)和平均绝对百分比误差(meanabsolutepercentageerror)较为常用的是均方误差(MSE)?

11.2指数平滑预