下载文档原格式
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】§ 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§ 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§ 时间序列趋势变动分析移动平均法、指数平滑法、模型法§ 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§ 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.；7.掌握测定长期趋势的线性趋势模型法8.了解测定长期趋势的⾮线性趋势模型法9.掌握分析季节变动的原始资料平均法10.掌握分析季节变动的循环剔出法11.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。
第八章非平稳和季节时间序列模型分析方法时间序列是指观测值按照时间顺序排列的一组数据，其中具有季节性和非平稳性的时间序列数据具有特殊的分析需求。
本文将介绍非平稳和季节时间序列的分析方法。
一、非平稳时间序列分析方法非平稳时间序列是指其统计特征在时间上发生了变化，无法满足平稳性的要求。
非平稳时间序列具有趋势性、周期性、季节性和不规则性等特征。
对于非平稳时间序列的分析，我们可以采用以下方法：1.差分法：差分法是通过对时间序列取一阶或多阶差分来消除趋势性的影响。
通过差分后的时间序列进行分析，我们可以得到一个稳定的时间序列，并进行后续的建模和预测。
2.移动平均法：移动平均法是通过计算一定窗口范围内的观测值的平均值来消除短期波动的影响，从而得到一个平滑的时间序列。
通过移动平均后的时间序列进行分析，我们可以在一定程度上消除非平稳性的影响。
3.分解法：分解法是将非平稳时间序列分解为趋势项、季节项和随机项三个部分。
通过分解后的各个部分进行分析，我们可以了解趋势、季节和随机成分在时间序列中的作用，从而更好地进行建模和预测。
二、季节时间序列分析方法季节时间序列是指具有明显季节性的时间序列数据。
对于季节时间序列的分析，我们可以采用以下方法：1.季节性指数：季节性指数是用来描述季节性的强度和方向的指标。
通过计算每个季节的平均值与总平均值之比，可以得到季节性指数。
根据季节性指数的变化趋势，我们可以判断时间序列的季节性变化情况，并进行后续的建模和预测。
2.季节性趋势模型：季节性趋势模型是一种常用的季节时间序列建模方法。
该模型将时间序列分解为趋势项、季节项和随机项三个部分，并通过对这三个部分进行建模来分析季节性时间序列。
常用的季节性趋势模型包括季节性自回归移动平均模型（SARIMA）、季节性指数平滑模型等。
总结起来，非平稳和季节时间序列模型的分析方法主要包括差分法、移动平均法和分解法等对非平稳时间序列进行分析，以及季节性指数和季节性趋势模型等对季节性时间序列进行分析。
第八章、非平稳时间序列分析很多时间序列表现出非平稳的特性：随机变量的数学期望和方差随时间的变化而变化。
宏观经济数据形成的时间序列中有很多是非平稳时间序列。
非平稳时间序列与平稳时间序列具有截然不同的特征，研究的方法也很不一样。
因此，在对时间序列建立模型时，必须首先进行平稳性检验，对于平稳时间序列，可采用第七章的方法进行分析，对于非平稳时间序列，可以将采用差分方法得到平稳时间序列，然后采用平稳时间序列方法对差分数据进行研究，对于多个非平稳时间序列则可以采用协整方法对其关系进行研究。
8.1 随机游动和单位根8.1.1随机游动和单位根如果时间序列t y 满足模型t t t y y ε+=-1 （8.1）其中t ε为独立同分布的白噪声序列， ,2,1,)(2==t Var t σε，则称t y 为标准随机游动（standard random walk ）。
随机游动表明，时间序列在t 处的值等于1-t 时的值加上一个新息。
如果将t y 看作一个质点在直线上的位置，当前位置为1-t y ，则下一个时刻质点将向那个方向运动、运动多少（t ε）是完全随机的，既与当前所处的位置无关（t ε与1-t y 不相关），也与以前的运动历史无关（t ε与 ,,32--t t y y 不相关），由质点的运动历史和当前位置不能得出下一步运动方向的任何信息。
这便是 “随机游动”的由来。
随机游动时间序列是典型的非平稳时间序列。
将（8.1）进行递归，可以得出010211y y y y t s s t t t t t t t +==++=+=∑-=----εεεε （8.2）。
如果初始值0y 已知，则可以计算出t y 的方差为2)(σt y Var t =。
由此看出随机游动在不同时点的方差与时间t 成正比，不是常数，因此随机游动是非平稳时间序列。
下图给出了随12机游动时间序列图：图8.1 随机游动时间序列图将随机游动（8.1）用滞后算子表示为t t y L ε=-)1( （8.3），滞后多项式为L L -=Φ1)(。
第八章 时间序列分析一、选择题1.设（甲）代表时期数列；（乙）代表时点数列；（丙）代表几何序时平均数；（丁）代表“首末折半法”序时平均数。
现已知1996～2000年某银行的年末存款余额，要求计算各年平均存款余额，需计算的是（ D ）。
A.甲、丙B.乙、丙C.甲、乙D.乙、丁2.某商业集团2000～2001年各季度销售资料如表8—1所示。
表8—1资料中，是总量时期数列的有（ D ）。
A.1、2、3B.1、3、4C.2、4D.1、33.某地区粮食增长量1990～1995年为12万吨，1996～2000年也为12万吨。
那么，1990～2000年期间，该地区粮食环比增长速度（ D ）。
A.逐年上升B.逐年下降C.保持不变D.不能做结论4.利用第2题数据计算零售额移动平均数（简单，4项移动平均），2001年第二季度移动平均数为（ A ）。
A.47.5B.46.5C.49.5D.48.45.利用第3题数据计算2000年商品季平均流转次数（=零售额/库存额）（ C ）。
A.1.885B.1.838C.1.832D.1.829二、判断题1.连续12个月逐期增长量之和等于年距增长量。
（×）2.计算固定资产投资额的年平均发展速度应采用几何平均法。
（×）3.用移动平均法分析企业季度销售额时间序列的长期趋势时，一般应取4项进行移动平均。
（√）4.计算平均发展速度的水平法只适合时点指标时问序列。
（×）5.某公司连续四个季度销售收入增长率分别为9％、12％、20％和18％，其环比增长速度为0.14％。
（×）三、计算题1.某地区“九五”时期国内生产总值资料如表8—2所示。
试计算该地区“九五”时期国内生产总值和各产业产值的平均发展水平。
表8—2 单位：百万元解：国内生产总值和各产业产值均为时期指标，应采用时期指标序时平均数计算公式计算。
计算公式：国内生产总值平均发展水平：第一产业平均发展水平：第二产业平均发展水平：第三产业平均发展水平：2.某企业2000年8月几次员工数变动登记如表8—3所示。
81❝§8.1 季节性时间序列的重要特征82❝§8.2 季节性时间序列模型❝§8.3 季节性检验❝§8.4 季节性时间序列模型的建立所谓是指具有某种周期性变化季节性时间序列，是指具有某种周期性变化规律的随机序列，并且这种周期性的变化规律往往是由于季节变化引起由于季节变化引起。
如果一个随机序列经过个时间间隔后观测数据呈现相似性比如同处于波峰或波谷则我们称该序S 呈现相似性，比如同处于波峰或波谷，则我们称该序列具有以为周期的周期特征，并称其为季节性时S 间序列，为季节长度。
S季节性时间序列存在着规则的周期如果我们把季节性时间序列存在着规则的周期，如果我们把原序列按周期重新排列，即可得到一个所谓的二维表。
对于季节性时间序列按周期进行重新排列是极其有益的不仅有助于考察同周期点的变化情况加有益的，不仅有助于考察同一周期点的变化情况、加深对序列周期性的理解，而且对于形成建模思想和理解季节模型的结构也都是很有帮助的。
影响一个季节性时间序列的因素除了季节因素外❝影响一个季节性时间序列的因素除了季节因素外，往往还存在趋势变动和随机变动等。
t t t tX S T I =++❝研究季节性时间序列的目的，就是分解影响经济指标变动的季节因素、趋势因素和随机因素，从而了解它们对经济的影响。
❝1. 简单季节模型❝2. 乘积季节模型季节性时间序列表现出也就是说时间 同期相关性，也就是说时间相隔为的两个时间点上的随机变量有较强的相关性。
比如对于月度数据S 12比如，对于月度数据则与相关性较强。
我们可以利用这种同期相关性在与之12,S =t X 12t X -t X 12t X -间进行拟合。
简单季节模型通过简单的趋势差分季节差分之通过简单的趋势差分、季节差分之后序列即可转化为平稳，它的模型结构通常表示如下：()(1)(),(*)S S D St tB B X B aΦ-=ΘSAR算子其中为白噪声序列,{}ta2()1,S S S pSB B B BΦ=-Φ-Φ--Φ12212()1.pS S S qSqB B B BΘ=-Θ-Θ--ΘSMA算子称（*）为简单季节模型，或季节性自回归求和移动SARIMA p D q平均模型，简记为模型。
第8章时间序列趋势分析时间序列趋势分析是一种用于分析时间序列数据中趋势变化的方法。
它可以帮助我们理解时间序列数据中的长期趋势，并预测未来的发展趋势。
本章将介绍时间序列趋势分析的基本概念和常用方法。
1.时间序列的趋势：时间序列是按照时间先后顺序排列的一系列数据观测值的集合。
时间序列的趋势是指其长期平均水平的变化趋势，包括上升、下降或平稳变化。
趋势可以是线性的，也可以是非线性的。
2.趋势分析的目的：趋势分析的目的是识别和描述时间序列数据中的趋势变化，以便预测未来的发展趋势。
趋势分析可以帮助我们了解时间序列数据的长期变化趋势，从而做出有效的决策。
3.常用的趋势分析方法：(1)平均移动方法：平均移动方法是一种简单的趋势分析方法，它利用移动平均值来平滑原始数据，从而识别出数据的长期趋势。
平均移动方法有简单移动平均法、加权移动平均法和指数移动平均法等。
(2)线性趋势分析：线性趋势分析是一种通过拟合线性模型来描述时间序列数据的趋势变化的方法。
它可以用来估计趋势的斜率和截距，从而判断趋势的上升或下降趋势。
(3)非线性趋势分析：非线性趋势分析是一种通过拟合非线性模型来描述时间序列数据的趋势变化的方法。
它可以用来捕捉数据中的曲线、周期性和季节性等非线性特征。
(4)季节性调整：季节性调整是一种用来消除时间序列数据季节性变化影响的方法。
它可以使得数据更加稳定，更容易分析长期趋势。
4.趋势分析的应用领域：时间序列趋势分析在许多领域都有广泛的应用，包括经济学、金融学、市场研究、气象学、环境科学、交通规划等。
它可以用来预测市场走势、分析经济周期、预测天气变化等。
5.趋势分析的局限性：趋势分析的结果受到许多因素的影响，如数据质量、样本大小和选择的分析方法等。
此外，趋势分析只能应用于具有明显趋势的时间序列数据，对于无趋势或具有周期性的数据效果不佳。
总结起来，时间序列趋势分析是一种用于分析时间序列数据中趋势变化的方法。
它可以帮助我们理解时间序列数据的长期趋势，并预测未来的发展趋势。
