什么是时间序列分解法
时间序列分解法是数年来一直非常有用的方法,这种方法包括谱分析、时间序列分析和傅立叶级数分析等。
时间序列分解模型
时间序列y可以表示为以上四个因素的函数，即：
Y
= f(T t,S t,C t,I t)
t
时间序列分解的方法有很多，较常用的模型有加法模型和乘法模型。
加法模型为：Y t = T t + S t + C t + I t
乘法模型为：
时间序列的分解方法
（1）运用移动平均法剔除长期趋势和周期变化，得到序列TC。然后再用按月（季）平均法求出季节指数S。
（2）做散点图，选择适合的曲线模型拟合序列的长期趋势，得到长期趋势T。
（3）计算周期因素C。用序列TC除以T即可得到周期变动因素C。
（4）将时间序列的T、S、C分解出来后，剩余的即为不规则变动，即：
时间序列的模式
时间序列一般包括四类因素，长期趋势因素、季节变动因素、循环变动因素和不规则变动因素。四种因素的组合形式一般有以下几类, 其中记Xt为时间序列的全变动；Tt为长期趋势；St为季节变动；Ct为循环变动；It为不规则变动，它总是存在着的。
1）乘法模式，其中，
a) X t与T t有相同的量纲，S t为季节指数，C t为循环指数，两者皆为比例数；
b)
c) I t是独立随机变量序列，服从正态分布。
2）加法模式X t = T t + S t + C t + I t
这种形式要求满足条件：
a) X t，T t，S t，C t，I t均有相同的量纲；
b) ,k为季节性周期长度；
c) I t是独立随机变量序列，服从正态分布。
3) 混合模式
a) X t与T t，C t，I t有相同的量纲，St是季节指数，为比例数；
b)
c) I t是独立随机变量序列，服从正态分布。
时间序列分解法试图从时间序列中区分出这四种潜在的因素，特别是长期趋势因素(T)、季节变动因素(S)和循环变动因素(C)。显然，并非每一个预测对象中都存在着T、S、C这三种趋势，可能是其中的一种或两种。一个具体的时间序列究竟由哪几类变动组合，采取哪种组合形式，应根据所掌握的资料、时间序列及研究目的来确定。
时间序列分解法各因素的确定
分解法的基础是容易理解而且直观的。不过最重要的是它为预测和检验提供了独特和非常有用的资料。我们用一个例题来说明各个因素分解的步骤。
设有某产品十二年（91年－02年）的季度销售额数据。见表4.3中的第二列，共有48个数据。如果将这些数据画在图上（图.1），可以看出有明显的长期趋势和季节变动。利用分解法，假设这48个数据可表示为
。这里X t是这些原始数据，通过分析原始数据X来确定T、C、S（剩下的为I）。
1．移动平均数
把最初的四个数据（表示91年4个季度的值）相加求平均值得到(X1+ X2+ X
+ X4) / 4 = 2741.334。这个数是没有季节性的，而且随机性因素也很小甚至3
没有。因为随机性围绕中间值波动，将四个数相加，正负波动在一定程度上相互抵消了，所以可认为其中已无随机性。同样将第二个至第五个数据相加平均，也不包含季节性，而且其随机性因素也很小。如此我们可得到45个数据。它们不包含季节性，而且随机性因素很小甚至没有。也就是说它们只包括长期趋势和循环变动两部分（T×C）。这45个数据组成的序列我们称之为移动平均数序列，用MA来表示，MA＝T×C。
2．季节性
由于（1）
因此将观察值除以移动平均数得到的比率值就只包含季节性和随机性，从而这些比率包括了确定季节性因素所需要的信息。如果某个比率的值>100，意味着实际值X比移动平均数（T×C）要大。由于X中包含季节性和随机性，因而当比率值大于100时，就意味着这个季度的季节性和随机性高于平均数。反之，如果比率小于100，则表示季节性和随机性低于平均数。
表.2 某产品48个季度的销售数据及数据分解
45 5258.71 4611.094 114.045 4489.05 102.72
46 5489.58 4642.750 111.778 4528.01 102.53
47 3596.76 4481.667 80.255 4566.97 98.13
48 3881.60 ————4605.93 ——
由式（1）可知，如果能将S×I中的随机性部分去掉，则就得到了季节性指数。要做到这一点，只需注意到随机性指的是偶然性、没有一定模式、围绕中间值0上下波动。因此通过平均就能去掉随机性的影响。将表4.3中“S×I比率”这一栏列成表4.6的形式，将各年同一季度的数据放在同一列之中，求相同各季度的平均值，得第一至第四季度的平均数分别为112.72，109.88，76.28，103.86。由于从1991年至2002年各年中相同季度的数值加以平均消除了大部分随机性，因此这四个平均数仅仅代表了季节性。用代数式表示即为
(2)
其中中上面的横线表示季节平均。
表3 产品销售额的季节性指数
年份各季度季节指数
第一季度第二季度第三季度第四季度
1991 ——76.40 100.15
1992 115.49 111.36 73.05 104.03
1993 111.29 113.74 76.54 106.51
《时间序列分析》案例案例名 称：时间序列分析在经济预测中的应用内容要 求：确定性与随机性时间序列之比较设计作 者：许启发，王艳明 设计时 间：2003年8月
案例四：时间序列分析在经济预测中的应用 一、案例简介 为了配合《统计学》课程时间序列分析部分的课堂教学，提高学生运用统计分析方法解决实际问题的能力，我们组织了一次案例教学，其内容是：对烟台市的未来经济发展状况作一预测分析，数据取烟台市1949—1998年国内生产总值（GDP）的年度数据，并以此为依据建立预测模型，对1999年和2000年的国内生产总值作出预测并检验其预测效果。国内生产总值是指一个国家或地区所有常住单位在一定时期内生产活动的最终成果，是反映国民经济活动最重要的经济指标之一，科学地预测该指标，对制定经济发展目标以及与之相配套的方针政策具有重要的理论与实际意义。在组织实施时，我们首先将数据资料印发给学生，并讲清本案例的教学目的与要求，明确案例所涉及的教学内容；然后给学生一段时间，由学生根据资料，运用不同的方法进行预测分析，并确定具体的讨论日期；在课堂讨论时让学生自由发言，阐述自己的观点；最后，由主持教师作点评发言，取得了良好的教学效果。 经济预测是研究客观经济过程未来一定时期的发展变化趋势，其目的在于通过对客观经济现象历史规律的探讨和现状的研究，求得对未来经济活动的了解，以确定社会经济活动的发展水平，为决策提供依据。 时间序列分析预测法，首先将预测目标的历史数据按照时间的先后顺序排列，然后分析它随时间的变化趋势及自身的统计规律，外推得到预测目标的未来取值。它与回归分析预测法的最大区别在于：该方法可以根据单个变量的取值对其自身的变动进行预测，无须添加任何的辅助信息。 本案例的最大特色在于：它汇集了统计学原理中的时间序列分析这一章节的所有知识点，通过本案例的教学，可以把不同的时间序列分析方法进行综合的比较，便于学生更好地掌握本章的内容。 二、案例的目的与要求 （一）教学目的 1．通过本案例的教学，使学生认识到时间序列分析方法在实际工作中应用的必要性和可能性； 2．本案例将时间序列分析中的水平指标、速度指标、长期趋势的测定等内容有机的结合在一起，以巩固学生所学的课本知识，深化学生对课本知识的理解； 3．本案例是对烟台市的国内生产总值数据进行预测，通过对实证结果的比较和分析，使学生认识到对同一问题的解决，可以采取不同的方法，根据约束条件，从中选择一种合适的预测方法； 4．通过本案例的教学，让学生掌握EXCEL软件在时间序列分析中的应用，对统计、计量分析软件SPSS或Eviews等有一个初步的了解； 5．通过本案例的教学，有助于提高学生运用所学知识和方法分析解决问题的能力、合作共事的能力和沟通交流的能力。 （二）教学要求 1．学生必须具备相应的时间序列分析的基本理论知识； 2．学生必须熟悉相应的预测方法和具备一定的数据处理能力； 3．学生以主角身份积极地参与到案例分析中来，主动地分析和解决案例中的问题； 4．在提出解决问题的方案之前，学生可以根据提供的样本数据，自己选择不同的统计分析方法，对这一案例进行预测，比较不同预测方法的异同，提出若干可供选择的方案； 5．学生必须提交完整的分析报告。分析报告的内容应包括：选题的目的及意义、使用数据的特征及其说明、采用的预测方法及其优劣、预测结果及其评价、有待于进一步改进的思路或需要进一步研究的问题。 三、数据搜集与处理 时间序列数据按照不同的分类标准可以划分为不同的类型，最常见的有：年度数据、季度数据、月度数据。本案例主要讨论对年度数据如何进行预测分析。考虑到案例设计时的侧重点，本案例只是对烟
《时间序列分析》课程教学大纲 Time Series Analysis 课程代码：课程性质：专业基础理论课/必修 适用专业：统计开课学期：6 总学时数：56 总学分数：3.5 编写年月：2007.5 修订年月：2007.7 执笔：涂钰青 一、课程的性质和目的 本课程是经济学中较新的、较重要的分支，主要对依时间次序观测的数据进行统计分析。近几年随着计算机的普及发展，时间序列分析在许多领域都得到较好的应用，特别是在金融领域的应用也日益突出。学好时间序列分析已成为对金融工程专业学生的基本要求，同时也为他们今后的工作打好基础。通过该门课程的学习，要求学生能较深刻地理解时间序列的基本理论、思想和方法，掌握时间序列分析中水平指标和速度指标的计算，并根据时间序列用最小平方法配合趋势方程用以预测未来。并能应用于解决实践中遇到的问题，从而提高学生的数理金融素质，加强学生开展数学科研工作和解决实际问题金融的能力，掌握用时间序列模型进行基本实证分析的方法。 二、课程教学内容及学时分配 本课程主干内容包括：时间序列概述、时间序列的水平分析、时间序列的速度分析、时间序列的长期趋势分析和季节变动与循环变动的测定。 第一章时间序列概述(8学时) 本章内容：时间序列的概念及构成，时间序列的种类（绝对数时间序列、相对数时间序列、平均数时间序列），时间序列的编制原则（时间长短要统一、总体范围要一致、指标的 经济内容应统一、各指标的计算方法、计算价格、计量单位都应统一） 本章要求 1. 了解时间序列的概念及构成； 2. 了解绝对数时间序列、相对数时间序列和平均数时间序列； 3. 了解时间序列的编制原则。
第四章时间序列分析 （一）教学目的 通过本章的学习，掌握时间序列的概念、类型，学会各种动态分析指标的计算方法。 （二）基本要求 要求学会各种水平和速度指标的计算方法，并能对时间序列的长期趋势进行分析和预测。 （三）教学要点 1、时间序列的概念与种类； 2、动态分析指标的计算； 3、长期趋势、季节变动的测定。 （四）教学时数 7——10课时 （五）教学内容 本章共分四节： 第四章时间数列分析 本章前一部分利用时间数列，计算一系列分析指标，用以描述现象的数量表现。后一部分根据影响事物发展变化因素，采用科学的方法，将时间数列受各类因素（长期趋势、季节变动、循环变动和不规则变动）的影响状况分别测定出来，研究现象发展变化的原因及其规律性，为预测未来和决策提供依据。 第一节时间数列分析概述 一、时间数列的概念 时间数列：亦称为动态数列或时间序列(Time Series)，就是把反映某一现象的同一指标在不同时间上的取值，按时间的先后顺序排列所形成的一个动态数列。 时间数列的构成要素： 1.现象所属的时间。时间可长可短，可以以日为时间单位，也可以以年为时间单位，甚至更长。 2.统计指标在一定时间条件下的数值。 二、时间数列的分类 时间数列的分类在时间数列分析中具有重要的意义。因为，在很多情况下，时间数列的种类不同，则时间数列的分析方法就不同。因此，为了能够保证对时间数列进行准确分析，则首先必须正确判断时间数列的类型。而要正确判断时间数列的类型，其关键又在于对有关统计指标的分类进行准确理解。 由于时间数列是由统计指标和时间两个要素所构成，因此时间数列的分类实际上和统计指标的分类是一致的。 时间数列分为:总量指标时间数列、相对指标时间数列和平均指标时间数列。 （一）总量指标时间数列 总量指标时间数列：又称为绝对数时间数列，是指由一系列同类的总量指标数值所构成的时间数列。它反映事物在不同时间上的规模、水平等总量特征。总量指标时间数列又分为时期数列和时点数列。 1.时期数列：是指由反映某种社会经济现象在一段时期内发展过程累计量的总量指标所构成的总量指标时间数列。
Eviews 时间序列分析实例 时间序列是市场预测中经常涉及的一类数据形式， 绍。通过第七章的学习，读者了解了什么是时间序列, 、指数平滑法实例 所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规 律，但确实存在某种前后关联的时间序列的短期预测。 由于其他很多分析方法都不具有这种 特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。 (―)一次指数平滑 一次指数平滑又称单指数平滑。它最突出的优点是方法非常简单， 甚至只要样本末期的 平滑值，就可以得到预测结果。 一次指数平滑的特点是： 能够跟踪数据变化。 这一特点所有指数都具有。 预测过程中添 加最新的样本数据后， 新数据应取代老数据的地位， 老数据会逐渐居于次要的地位， 直至被 淘汰。这样，预测值总是反映最新的数据结构。 一次指数平滑有局限性。第一，预测值不能反映趋势变动、季节波动等有规律的变动； 第二，这种方法多适用于短期预测， 而不适合作中长期的预测；第三， 由于预测值是历史数 据的均值，因此与实际序列的变化相比有滞后现象。 指数平滑预测是否理想，很大程度上取决于平滑系数。 Eviews 提供两种确定指数平滑 系数的方法：自动给定和人工确定。 选择自动给定，系统将按照预测误差平方和最小原则自 动确定系数。如果系数接近 1，说明该序列近似纯随机序列，这时最新的观测值就是最理想 的预测值。 出于预测的考虑，有时系统给定的系数不是很理想， 用户需要自己指定平滑系数值。平 滑系数取什么值比较合适呢？ 一般来说，如果序列变化比较平缓，平滑系数值应该比较小， 比如小于0.1; 如果序列变化比较剧烈， 平滑系数值可以取得大一些， 如0.3?0.5。若平滑系 数值大于0.5才能跟上序列的变化，表明序列有很强的趋势，不能采用一次指数平滑进行预 测。 ［例1］某企业食盐销售量预测。现在拥有最近连续 30个月份的历史资料(见表 I ), 试预测下一月份销售量。 表 某企业食盐销售量 单位：吨 解：使用对数据进行分析，第一步是建立工作文件和录入数据。有关操作在本 理和一些分析实例。本节的主要内容是说明如何使用 Eviews 软件进行分析。 本书第七章对它进行了比较详细的介 并接触到有关时间序列分析方法的原
情况如6月澳大利亚季度常住人口变动（单位：千人）199320.1971年9月—年 问题：（1）判断该序列的平稳性与纯随机性。 （2）选择适当模型拟合该序列的发展。 （3）绘制该序列拟合及未来5年预测序列图。 针对问题一：将以下程序输入SAS编辑窗口，然后运行后可得图1. data example3_1; input x@@; time=_n_; ; cards55.4 50.2 49.5 67.9 55.8 63.2 53.1 61.7 45.3 48.1 49.9 55.2 42.1 30.4 59.9 49.5 33.8 30.6 36.6 44.1
45.5 32.9 28.4 35.8 37.3 29 34.2 39.5 49.8 48.8 43.9 49 47.6 37.3 47.6 39.2 48.9 60.8 65.4 65.4 51.2 67 49.6 55.1 47.3 67.6 62.5 57.3 47.9 45.5 49.1 48 44.5 48.8 60.9 51.4 55.8 59.4 60.9 51.6 60.3 71 64 62.1 58.6 64.6 75.4 83.4 79.4 59.9 80.2 55.9 59.1 21.5 69.5 65.2 58.5 62.5 33.1 62.2 60 170 35.3 -47.4 34.4 43.4 58.4 42.7 ; =example3_1; data proc gplot; 1plot x*time==star; v=join =red symbol1cI;run 该序列的时序图1 图这两个异常数据外，该时序图显示澳大-47.4和由图1可读出：除图中170附近随机波动，没有明显的趋势或周期，基60利亚季度常住人口变动一般在在本可视为平稳序列。5. 再接着输入以下程序运行后可输出五方面的信息。具体见表1-表arima data proc= example3_1;
第八章时间序列分 析
第八章时间序列分析与预测 【课时】6学时 【本章内容】 §8.1 时间序列的描述性分析 时间序列的含义、时间序列的图形描述、时间序列的速度分析§8.2 时间序列及其构成分析 时间序列的构成因素、时间序列构成因素的组合模型 § 8.3 时间序列趋势变动分析 移动平均法、指数平滑法、模型法 §8.4 时间序列季节变动分析 原始资料平均法、趋势-循环剔除法、季节变动的调整 §8.5 时间序列循环变动分析 循环变动及其测定目的、测定方法 本章小结 【教学目标与要求】 1.掌握时间序列的四种速度分析 2.掌握时间序列的四种构成因素 3.掌握时间序列构成因素的两种常用模型 4.掌握测定长期趋势的移动平均法 5.了解测定长期趋势的指数平滑法 6.掌握测定长期趋势的线性趋势模型法 7.了解测定长期趋势的非线性趋势模型法 8.掌握分析季节变动的原始资料平均法 9.掌握分析季节变动的循环剔出法 10.掌握测定循环变动的直接法和剩余法 【教学重点与难点】 1.对统计数据进行趋势变动分析，利用移动平均法、指数平滑法、线性模型法求得数 据的长期趋势； 2.对统计数据进行季节变动分析，利用原始资料平均法、趋势－循环剔除法求得数据 的季节变动； 3.对统计数据进行循环变动分析，利用直接法、剩余法求得循环变动。 【导入】 很多社会经济现象总是随着时间的推移不断发展变化，为了探索现象随时间而发展变化的规律，不仅要从静态上分析现象的特征、内部结构以及相互关联的数量关系，而且应着眼于现象随时间演变的过程，从动态上去研究其发
展变动的过程和规律。这时需要一些专门研究按照时间顺序观测的序列数据的统计分析方法，这就是统计学中的时间序列分析。 通过介绍一些时间序列分析的例子，让同学们了解时间序列的应用，并激发学生学习本章知识的兴趣。 1.为了表现中国经济的发展状况，把中国经济发展的数据按年度顺序排列起 来，据此来研究。 2.公司对未来的销售量作出预测。这种预测对公司的生产进度安排、原材料采 购、存货策略、资金计划等都至关重要。 3.车站对未来节日客流量的预测。 4.投资者对股票、基金未来走势的预测。
Eviews时间序列分析实例 时间序列是市场预测中经常涉及的一类数据形式，本书第七章对它进行了比较详细的介绍。通过第七章的学习，读者了解了什么是时间序列，并接触到有关时间序列分析方法的原理和一些分析实例。本节的主要内容是说明如何使用Eviews软件进行分析。 一、指数平滑法实例 所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规律，但确实存在某种前后关联的时间序列的短期预测。由于其他很多分析方法都不具有这种特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。 （－）一次指数平滑 一次指数平滑又称单指数平滑。它最突出的优点是方法非常简单，甚至只要样本末期的平滑值，就可以得到预测结果。 一次指数平滑的特点是：能够跟踪数据变化。这一特点所有指数都具有。预测过程中添加最新的样本数据后，新数据应取代老数据的地位，老数据会逐渐居于次要的地位，直至被淘汰。这样，预测值总是反映最新的数据结构。 一次指数平滑有局限性。第一，预测值不能反映趋势变动、季节波动等有规律的变动；第二，这种方法多适用于短期预测，而不适合作中长期的预测；第三，由于预测值是历史数据的均值，因此与实际序列的变化相比有滞后现象。 指数平滑预测是否理想，很大程度上取决于平滑系数。Eviews提供两种确定指数平滑系数的方法：自动给定和人工确定。选择自动给定，系统将按照预测误差平方和最小原则自动确定系数。如果系数接近1，说明该序列近似纯随机序列，这时最新的观测值就是最理想的预测值。 出于预测的考虑，有时系统给定的系数不是很理想，用户需要自己指定平滑系数值。平滑系数取什么值比较合适呢？一般来说，如果序列变化比较平缓，平滑系数值应该比较小，比如小于0.l；如果序列变化比较剧烈，平滑系数值可以取得大一些，如0.3～0.5。若平滑系数值大于0.5才能跟上序列的变化，表明序列有很强的趋势，不能采用一次指数平滑进行预测。 ［例1］某企业食盐销售量预测。现在拥有最近连续30个月份的历史资料（见表l），试预测下一月份销售量。 表1 某企业食盐销售量单位：吨 解：使用Eviews对数据进行分析，第一步是建立工作文件和录入数据。有关操作在本
《时间序列分析》课程教学大纲 课程编号：33330775课程名称：时间序列分析 课程基本情况： 1．学分：3 学时：51学时（课内学时：45 课内实验：6）2．课程性质：专业必修课 3．适用专业：统计学适用对象：本科 4.先修课程：概率论、数理统计、随机过程 5．首选教材：王燕：《应用时间序列分析》，中国人民大学出版社，2008出版。 备选教材：王振龙等编著：《时间序列分析》，中国统计出版社，2000年。 6．考核形式：闭卷考试 7．教学环境：多媒体教室及实验室 一、教学目的与要求 本课程是数理统计学的一个重要分支，先期需完成的课程有概率论、随机过程。通过本课程的学习，使学生掌握时间序列数据的分析方法，包括时间序列简介、平稳时间序列分析、时间序列分解、非平稳序列的随机分析、多元时间序列分析。利用Eviews软件进行本课程的实验教学。 二、教学内容及学时分配 课程内容及学时分配表 三、教学内容安排 第一章时间序列分析简介 【教学目的】1、了解时间序列的定义及常用分析方法；2、掌握时间序列的几个基本概念：随机过程、平稳随机过程、非平稳随机过程、自相关、记忆性。 【教学重点】时间序列的相关概念。 【教学难点】随机过程、系统自相关性。 【教学方法】课堂讲授 【教学内容】 第一节时间序列的定义 第二节时间序列分析方法 第三节时间序列分析软件EVIEWS简介
第二章时间序列的预处理 【教学目的】1、掌握平稳性检验的原理和方法；2、掌握纯随机性检验的原理和方法。【教学重点】平稳时间序列的定义及统计性质。 【教学难点】时间序列的相关统计量。 【教学方法】课堂讲授 【教学内容】 第一节平稳性检验 一、特征统计量 二、平稳时间序列的定义 三、平稳时间序列的统计性质 四、平稳时间序列的意义 五、平稳时间序列的检验 第二节纯随机性检验 一、纯随机序列的定义 二、白噪声序列的定义 三、纯随机性检验 第三章平稳时间序列序列分析 【教学目的】1、理解ARMA模型的定义及性质。2、掌握平稳序列建模方法。3、掌握平稳时间序列的预测 【教学重点】平稳时间序列建模 【教学难点】模型识别，参数估计，序列预测 【教学方法】课堂讲授与上机实验 【教学内容】 第一节方法性工具 一、差分运算 二、延迟算子 三、线性差分方程 第二节 ARMA模型的性质 一、AR模型 二、MA模型 三、ARMA模型 第三节平稳序列建模 一、建模步骤 二、样本自相关系数与偏相关系数 三、模型识别 四、参数估计 五、模型检验 六、模型优化 第四节序列预测 一、线性预测函数 二、预测方差最小原则 三、线性最小方差预测的性质 四、修正预测 第四章非平稳序列的确定性分析 【教学目的】1、理解时间序列的分解原理。2、掌握时间序列的确定因素分解、趋势分解、季节效应分解方法。3、了解时间序列综合效应分解方法。4、了解X-11过程。
[课程]Eviews时间序列分析实例 Eviews时间序列分析实例 时间序列是市场预测中经常涉及的一类数据形式，本书第七章对它进行了比较详细的介绍。通过第七章的学习，读者了解了什么是时间序列，并接触到有关时间序列分析方法的原理和一些分析实例。本节的主要内容是说明如何使用Eviews软件进行分析。 一、指数平滑法实例 所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规律，但确实存在某种前后关联的时间序列的短期预测。由于其他很多分析方法都不具有这种特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。 (,)一次指数平滑 一次指数平滑又称单指数平滑。它最突出的优点是方法非常简单，甚至只要样本末期的平滑值，就可以得到预测结果。 一次指数平滑的特点是:能够跟踪数据变化。这一特点所有指数都具有。预测过程中添加最新的样本数据后，新数据应取代老数据的地位，老数据会逐渐居于次要的地位，直至被淘汰。这样，预测值总是反映最新的数据结构。 一次指数平滑有局限性。第一，预测值不能反映趋势变动、季节波动等有规律的变动;第二，这种方法多适用于短期预测，而不适合作中长期的预测;第三，由于预测值是历史数据的均值，因此与实际序列的变化相比有滞后现象。 指数平滑预测是否理想，很大程度上取决于平滑系数。Eviews提供两种确定指数平滑系数的方法:自动给定和人工确定。选择自动给定，系统将按照预测误差平方和最小原则自动确定系数。如果系数接近1，说明该序列近似纯随机序列，这时最新的观测值就是最理想的预测
值。 出于预测的考虑，有时系统给定的系数不是很理想，用户需要自己指定平滑系数值。平滑系数取什么值比较合适呢,一般来说，如果序列变化比较平缓，平滑系数值应该比较小，比如小于0.l;如果序列变化比较剧烈，平滑系数值可以取得大一些，如0.3,0.5。若平滑系数值大于0.5才能跟上序列的变化，表明序列有很强的趋势，不能采用一次指数平滑进行预测。 〔例1〕某企业食盐销售量预测。现在拥有最近连续30个月份的历史资料(见表l)，试预测下一月份销售量。 表1 某企业食盐销售量单位:吨 解:使用Eviews对数据进行分析，第一步是建立工作文件和录入数据。有关操作在本章第一节中已经阐明，这里不再赘述。假设已经建立工作文件，并生成了一个样本期为l,30的序列，命名为SALES。序列SALES中包含例1中需要分析的数据。 第二步，绘制序列图形。在序列对象窗口中，点击View?Line Graph。 屏幕显示图1所示图形。 图1 某企业近30个月的销售量动态图 从图1中可以看出，这个企业近30个月的销售量并不存在明显的趋势，并且没有明显的季节趋势。因此，从直观上判断可以采用一次指数平滑法对企业下个月的销售量进行预测。 第三步，扩大样本期。本例要求对下一个月的销售量进行预测，而工作文件的样本期是1,30，在Eviews中要求先更改样本期。更改样本期的操作在本章第一节已经讲过，这里将样本期改为l,31。
(时间序列分析)
时间序列分析 17.某城市过去63年中每年降雪量数据（单位：mm）如表3—20所示（行数据）。 表3—20 126.4 82.4 78.1 51.1 90.9 76.2 104.5 87.4 110.5 25 69.3 53.5 39.8 63.6 46.7 72.9 79.6 83.6 80.7 60.3 79 74.4 49.6 54.7 71.8 49.1 103.9 51.6 82.4 83.6 77.8 79.3 89.6 85.5 58 120.7 110.5 65.4 39.9 40.1 88.7 71.4 83 55.9 89.9 84.8 105.2 113.7 124.7 114.5 115.6 102.4 101.4 89.8 71.5 70.9 98.3 55.5 66.1 78.4 120.5 97 110 （1）判断该序列的平稳性与纯随机性。 （2）如果序列平稳且非白噪声，选择适当模型拟合该序列的发展。 （3）利用拟合模型，预测该城市未来5年的降雪量。 答： （1）由a-time时序图（左上角），该图平稳 由ACF自相关系数图（右上角），该图非纯随机性 （2）因为该序列是平稳且非白噪声序列，由图可知ACF图拖尾，PACF图一阶截尾，故该序列可拟合为AR(1)模型
图1 （3）由图1和xt-time时序图（右下角）可知，该城市未来5年的降雪量预测为:89.01662, 82.43668, 80.37336, 79.72634, 79.52345 该题的程序: 18.某地区连续74年的谷物产量（单位：千吨）如表 3—21所示（行数据）。表3—21 0.97 0.45 1.61 1.26 1.37 1.43 1.32 1.23 0.84 0.89 1.18
20.1971年9月—1993年6月澳大利亚季度常住人口变动（单位：千人）情况如下表。 问题：（1）判断该序列的平稳性与纯随机性。 （2）选择适当模型拟合该序列的发展。 （3）绘制该序列拟合及未来5年预测序列图。 针对问题一：将以下程序输入SAS编辑窗口，然后运行后可得图1. data example3_1; input x@@; time=_n_;
cards; 63.2 67.9 55.8 49.5 50.2 55.4 49.9 45.3 48.1 61.7 55.2 53.1 49.5 59.9 30.6 30.4 33.8 42.1 35.8 28.4 32.9 44.1 45.5 36.6 39.5 49.8 48.8 29 37.3 34.2 47.6 37.3 39.2 47.6 43.9 49 51.2 60.8 67 48.9 65.4 65.4 67.6 62.5 55.1 49.6 57.3 47.3 45.5 44.5 48 47.9 49.1 48.8 59.4 51.6 51.4 60.9 60.9 55.8 58.6 62.1 64 60.3 64.6 71 79.4 59.9 83.4 75.4 80.2 55.9 58.5 65.2 69.5 59.1 21.5 62.5 170 -47.4 62.2 60 33.1 35.3 43.4 42.7 58.4 34.4 ; proc gplot data=example3_1; plot x*time=1; symbol1c=red I=join v=star; run;
图1 该序列的时序图 由图1可读出：除图中170和-47.4这两个异常数据外，该时序图显示澳大利亚季度常住人口变动一般在在60附近随机波动，没有明显的趋势或周期，基本可视为平稳序列。 再接着输入以下程序运行后可输出五方面的信息。具体见表1-表5. proc arima data= example3_1; identify Var=x nlag=8; run; 表1 分析变量的描述性统计 从表1可读出分析变量的名称、该序列的均值；标准差及观察值的个数（样本容量）。 表2 样本自相关图 由表2可知：样本自相图延迟3阶之后，自相关系数都落入2倍标准差范围
《时间序列分析》案例 案例名称：时间序列分析在经济预测中应用内容要求：确定性与随机性时间序列之比较设计作者：许启发，王艳明 设计时间：2003年8月
案例四：时间序列分析在经济预测中应用 一、案例简介 为了配合《统计学》课程时间序列分析部分课堂教学，提高学生运用统计分析方法解决实际问题能力，我们组织了一次案例教学，其内容是：对烟台市未来经济发展状况作一预测分析，数据取烟台市1949—1998年国内生产总值（GDP）年度数据，并以此为依据建立预测模型，对1999年和2000年国内生产总值作出预测并检验其预测效果。国内生产总值是指一个国家或地区所有常住单位在一定时期内生产活动最终成果，是反映国民经济活动最重要经济指标之一，科学地预测该指标，对制定经济发展目标以及与之相配套方针政策具有重要理论与实际意义。在组织实施时，我们首先将数据资料印发给学生，并讲清本案例教学目与要求，明确案例所涉及教学内容；然后给学生一段时间，由学生根据资料，运用不同方法进行预测分析，并确定具体讨论日期；在课堂讨论时让学生自由发言，阐述自己观点；最后，由主持教师作点评发言，取得了良好教学效果。 经济预测是研究客观经济过程未来一定时期发展变化趋势，其目在于通过对客观经济现象历史规律探讨和现状研究，求得对未来经济活动了解，以确定社会经济活动发展水平，为决策提供依据。 时间序列分析预测法，首先将预测目标历史数据按照时间先后顺序排列，然后分析它随时间变化趋势及自身统计规律，外推得到预测目标未来取值。它与回归分析预测法最大区别在于：该方法可以根据单个变量取值对其自身变动进行预测，无须添加任何辅助信息。 本案例最大特色在于：它汇集了统计学原理中时间序列分析这一章节所有知识点，通过本案例教学，可以把不同时间序列分析方法进行综合比较，便于学生更好地掌握本章内容。 二、案例目与要求 （一）教学目 1．通过本案例教学，使学生认识到时间序列分析方法在实际工作中应用必要性和可能性； 2．本案例将时间序列分析中水平指标、速度指标、长期趋势测定等内容有机结合在一起，以巩固学生所学课本知识，深化学生对课本知识理解； 3．本案例是对烟台市国内生产总值数据进行预测，通过对实证结果比较和分析，使学生认识到对同一问题解决，可以采取不同方法，根据约束条件，从中选择一种合适预测方法； 4．通过本案例教学，让学生掌握EXCEL软件在时间序列分析中应用，对统计、计量分析软件SPSS或Eviews等有一个初步了解； 5．通过本案例教学，有助于提高学生运用所学知识和方法分析解决问题能力、合作共事能力和沟通交流能力。 （二）教学要求 1．学生必须具备相应时间序列分析基本理论知识； 2．学生必须熟悉相应预测方法和具备一定数据处理能力； 3．学生以主角身份积极地参与到案例分析中来，主动地分析和解决案例中问题； 4．在提出解决问题方案之前，学生可以根据提供样本数据，自己选择不同统计分析方法，对这一案例进行预测，比较不同预测方法异同，提出若干可供选择方案； 5．学生必须提交完整分析报告。分析报告内容应包括：选题目及意义、使用数据特征及其说明、采用预测方法及其优劣、预测结果及其评价、有待于进一步改进思路或需要进一步研究问题。 三、数据搜集与处理 时间序列数据按照不同分类标准可以划分为不同类型，最常见有：年度数据、季度数据、月度
《时间序列分析》教学大纲 课程编号：120403B 课程类型：□通识教育必修课□通识教育选修课 □√专业必修课□专业选修课 □学科基础课 总学时：48 讲课学时：32实验（上机）学时：16 学分：3 适用对象：统计学、经济统计学 先修课程：概率论、数理统计 毕业要求： 1.应用专业知识，解决数据分析问题 2.可以建立统计模型，获得有效结论 3.掌握统计软件及常用数据库工具的使用 4.关注国际统计应用的新进展 5.基于数据结论，提出决策咨询建议 6.具有不断学习的意识 7.扎实的数学基础和完整的统计知识体系 8.计算机编程技能与经济学基本常识 9.解决实际问题的能力，具有获取新知识的能力和创新意识 一、课程的教学目标 时间序列分析是一种根据动态数据特征揭示系统动态结构和规律的统计方法，是统计学的一个分支。通过本课程的学习让学生掌握时间序列分析的基本原理、方法、模型，重点培养学生运用相关软件包进行经济金融学定量实证分析的能力，为以后的理论应用研究打下坚实的基础。本课程要求学生掌握时间序列分
析的基本概念和模型，掌握用时间序列模型进行基本实证分析的方法。 二、教学基本要求 1. 对教学内容讲授上的要求 本课程重点讲授平稳时间序列模型的性质和建模方法，对于平稳时间序列模型的定义、平稳时间序列的类型、平稳时间序列的自协方差函数和自相关函数、平稳时间序列的性质、平稳时间序列建模中参数估计方法和白噪声检验等内容应细将、精讲，对于这些内容要结合大量案例和统计软件，使学生做到理论与实践的有机结合；其他内容应粗讲。 2. 对拟实现的教学目标所采取的教学方法、教学手段 教学方法以教师讲授为主，辅以大量的上机模拟，教学手段多样化。 3. 课程的考核方式 本课程采用上机作业和模型设计方式进行考核，其中上机练习占50%，模型设计占30%，平时考勤和作业占20%。 三、各教学环节学时分配 以表格方式表现各章节的学时分配，表格如下：（宋体，小四号字）
时间序列分解算法和d ecompose函数实现 李思亮 55531469@https://www.doczj.com/doc/f917689473.html, 目录 时间序列分解算法和decompose函数实现 (1) 1 数据读入并生成时间序列 (2) 2 数据可视化 (4) 3 时间序列分解 (7)
在时间序列分析的过程中，往往需要对时间序列作出初步分析，本文主要采用R语言作为分析平台，从数据的读入，可视化图，分解（decompose）为趋势项，季节项，随机波动等角度对数据开展分析的几个案例。最后对分解算法作出初步描述并探讨其预测预报中的潜在应用。本文的数据和部分内容主要采用https://www.doczj.com/doc/f917689473.html,/en/latest/中的内容，感兴趣的读者可以参考。 1 数据读入并生成时间序列 对于数据分析来讲，数据读入是一个比较关键的步骤。常用的数据读入函数有scan，read.table 等。下面列举了几种常见的数据。 首先是https://www.doczj.com/doc/f917689473.html,/tsdldata/misc/kings.dat，中包含了英国国王的寿命从William开始，数据来源（Hipel and Mcleod, 1994）。 > kings <- scan("https://www.doczj.com/doc/f917689473.html,/tsdldata/misc/kings.dat",skip=3) Read 42 items > kings [1] 60 43 67 50 56 42 50 65 68 43 65 34 47 34 49 41 13 35 53 56 16 43 69 59 48 59 86 55 68 51 33 49 67 77 81 67 71 81 68 70 77 56 上述例子中，读入了连续42个公国国王的寿命并将其赋给变量‘kings’ 如果我们希望对读入数据开展分析，下一步就是将其转化为时间序列对象（时间序列类），R提供了很多函数用于分析时间序列类数据。可以使用ts函数将变量转化为时间序列类。 > kingsts <- ts(kings) > kingsts Time Series: Start = 1 End = 42 Frequency = 1 [1] 60 43 67 50 56 42 50 65 68 43 65 34 47 34 49 41 13 35 53 56 16 43 69 59 48 59 86 55 68 51 33 49 67 77 81 67 71 81 68 70 77 56 对于上述数据操作的好处是将数据转化为特定的“时间序列类”便于我们使用R中的函数分析数据。 有时候我们会按照一定的时间周期来收集数据，这个周期可能是季度，月，日，小时，分。在大数据时代，有些情况下的数据是按照秒来采集收集。这种情况下，我们需要对数据的周期或频率进行设置。这里采用ts函数中的frequency参数可以实现这种功能。比方说，若按1年为一个周期，我们的月度时间
《时间序列分析》(双语)课程教学大纲 （2001年制订，2004年修订） 课程编号：060063 英文名：Time Series Analysis 课程类别：统计学专业选修课 前置课：线性代数、概率论与数理统计、计算机基础 后置课： 学分：2学分 课时：36课时（其中实验课12课时） 主讲教师：王芳 选定教材：易丹辉，数据分析与Eviews应用，北京：中国统计出版社，2002 自编英文讲义 课程概述： 时间序列分析是一门实用性极强的课程，是进行科学研究的一项重要工具。近年来，时序分析已普遍应用于工农业生产、科学技术和社会经济生活的许多领域。本课程着重介绍平稳时间序列数据的分析、建模及预测，如AR，MA和ARMA三个模型，并且针对非平稳时间序列，介绍其平稳化的一些方法及建模方法，如ARIMA模型等。 教学目的： 本课程的教学，目的在于让学生能从数量上揭示某一现象的发展变化规律或从动态的角度刻划某一现象与其他现象之间的内在数量关系及其变化规律性，达到认识客观世界之目的。具体来说是使得学生能分析时间序列的统计规律性，构造拟合它的最佳数学模型，浓缩时间序列的信息，简化对时间序列的表示，给出预报结果的精度分析；使学生掌握时间序列的基本概念以及时序的分类，学会对具体时序的分析步骤与建模方法，进而掌握如何判断已建立模型与原来数据的适应性及对未来值的预报。 教学方法： 采取理论讲授、课堂讨论、上机实习及课下收集相关资料的方式。理论课采用多媒体教学,有效的利用课堂时间，要求学生上机完成作业。由于本课程重在要求学生能利用所学的方法来分析实际经济问题，所以鼓励学生收集与本课程有关的期刊论文，从中学习如何利用数据结果来分析问题。本课程课堂讲授34学时。每章应布置2－4道思考题，并根据具体
时间序列分析练习题 一、填空题 1. 从统计意义上讲，所谓的时间序列就是将某一指标在（不同时间）上的不同数值，按时间的先后顺序排列而成的数列。 2. 从统计意义上看，时间序列就是某一系统在（不同时间）的响应。 3. 按所研究对象的多少分，时间序列有（一元）时间序列和（多元）时间序列。 4. 按时间的连续性可将时间序列分为（离散）时间序列和（连续）时间序列。 5. 按序列的统计特性分，时间序列有（平稳）时间序列和（非平稳）时间序列。 6. 按时间的分布规律来分，时间序列有（高斯型）时间序列和（非高斯型）时间序列。 7. 如果序列的一二阶矩存在，而且对任意的时刻t 满足： ①（ 均值为常数 ） ②（ 协方差为时间间隔τ的函数 ） 则称该序列为宽平稳时间序列，也叫广义平稳时间序列。 8. 对于一个纯随机过程来说，若其期望和方差（均为常数），则称之为白噪声过程。白噪声过程是一个（宽平稳）过程。 9. 时间序列分析方法按其采用的手段不同可概括为数据图法，指标法和（模型法） 10.AR （1）模型为：X t =1?X t-1+a t 11.AR （2）模型为：X t =1?X t-1+2?X t-2+a t 12.AR （n ）模型为：X t =1?X t-1+2?X t-2+……n ?X t-n +a t 13.MA （1）模型为：X t =a t -1θa t-1 14.MA （m ）模型为：X t =a t -1θa t-1-2θa t-2……-m θa t-m 15.ARMA(2.1) 模型为：X t -1?X t-1-2?X t-2 =a t -1θa t-1 16.AR(1)模型是一个使相关数据转化为独立数据的变化器。
什么是时间序列分解法 时间序列分解法是数年来一直非常有用的方法,这种方法包括谱分析、时间序列分析和傅立叶级数分析等。 时间序列分解模型 时间序列y可以表示为以上四个因素的函数，即： Y t = f(T t,S t,C t,I t) 时间序列分解的方法有很多，较常用的模型有加法模型和乘法模型。 加法模型为：Y t = T t + S t + C t + I t 乘法模型为： 时间序列的分解方法 （1）运用移动平均法剔除长期趋势和周期变化，得到序列TC。然后再用按月（季）平均法求出季节指数S。 （2）做散点图，选择适合的曲线模型拟合序列的长期趋势，得到长期趋势T。 （3）计算周期因素C。用序列TC除以T即可得到周期变动因素C。 （4）将时间序列的T、S、C分解出来后，剩余的即为不规则变动，即：
时间序列的模式 时间序列一般包括四类因素，长期趋势因素、季节变动因素、循环变动因素和不规则变动因素。四种因素的组合形式一般有以下几类, 其中记Xt为时间序列的全变动；Tt为长期趋势；St为季节变动；Ct为循环变动；It为不规则变动，它总是存在着的。 1）乘法模式，其中， a) X t与T t有相同的量纲，S t为季节指数，C t为循环指数，两者皆为比例数； b) c) I t是独立随机变量序列，服从正态分布。 2）加法模式X t = T t + S t + C t + I t 这种形式要求满足条件： a) X t，T t，S t，C t，I t均有相同的量纲； b) ,k为季节性周期长度； c) I t是独立随机变量序列，服从正态分布。 3) 混合模式
a) X t与T t，C t，I t有相同的量纲，St是季节指数，为比例数； b) c) I t是独立随机变量序列，服从正态分布。 时间序列分解法试图从时间序列中区分出这四种潜在的因素，特别是长期趋势因素(T)、季节变动因素(S)和循环变动因素(C)。显然，并非每一个预测对象中都存在着T、S、C这三种趋势，可能是其中的一种或两种。一个具体的时间序列究竟由哪几类变动组合，采取哪种组合形式，应根据所掌握的资料、时间序列及研究目的来确定。 时间序列分解法各因素的确定 分解法的基础是容易理解而且直观的。不过最重要的是它为预测和检验提供了独特和非常有用的资料。我们用一个例题来说明各个因素分解的步骤。 设有某产品十二年（91年－02年）的季度销售额数据。见表4.3中的第二列，共有48个数据。如果将这些数据画在图上（图.1），可以看出有明显的长期趋势和季节变动。利用分解法，假设这48个数据可表示为 。这里X t是这些原始数据，通过分析原始数据X来确定T、C、S（剩下的为I）。
王燕时间序列分析第五章S A S程序
第一题 data yx_51; input x@@; difx=dif(x); t=1+_n_-1; cards; 304 303 307 299 296 293 301 293 301 295 284 286 286 287 284 282 278 281 278 277 279 278 270 268 272 273 279 279 280 275 271 277 278 279 283 284 282 283 279 280 280 279 278 283 278 270 275 273 273 272 275 273 273 272 273 272 273 271 272 271 273 277 274 274 272 280 282 292 295 295 294 290 291 288 288 290 293 288 289 291 293 293 290 288 287 289 292 288 288 285 282 286 286 287 284 283 286 282 287 286 287 292 292 294 291 288 289 ; proc gplot; plot x*t=1 difx*t=2; symbol1c=red v=circle i=join; symbol2c=yellow v=star i=join; run; proc arima; identify var=x(1); estimate p=1; run; 结果如下 时序图：
一阶差分后时序图:
通过原始数据的时序图可以明显看出，此序列非平稳，因而对序列进行一阶差分。从一阶差分后的自相关图可以看出，一阶差分后的序列的自相关系数一直都比较小，始终控制在二倍标准差以内，可以认为一阶差分后的序列始终都在零轴附近波动，因而可以认为一阶差分后的序列为随机性很强的平稳序列，另外通过一阶差分后的时序图也可以看出，一阶差分后的序列平稳，且LB 统计量对应的P值大于α=0.05，因而认为一阶差分后的序列为白噪声序列。 由于一阶差分后的序列为平稳的白噪声序列，因而此时间序列拟合ARIMA （0,1,0）模型，即随机游走模型，模型为： X t=x t-1+εt 所以下一期的预测值为289