时间序列平滑预测法

第五章 时间序列的指数平滑预测法

[习题]

一、 单项选择题

1. 当数据的随机因素较大时，选用的N因该（ ）。

A 较大 B 较小 C.随机选择 D.等于n

2. 当数据的随机因素较小时，选用的N因该（ ）。

A 较大 B. .随机选择 C.较小 D.等于n

3. 在移动平均值的计算中包括的过去观察值的实际个数（ ） A. 至少有5个 B. 必须一开始就明确规定 C 有多少个都可以 D至少有3个

4 温特线性和季节性指数平滑包括的平滑参数个数是（ ） Ａ１个 Ｂ ２个 Ｃ ３个 Ｄ ４个

５ 布朗单一参数线性指数平滑法包括的平滑参数个数是（ ） Ａ１个 Ｂ２个 Ｃ３个 Ｄ４个 ６ 序列有季节性时，应选用的预测法是（ ） Ａ 霍尔特双参数线性指数平滑法 Ｂ 布朗单一参数线性指数平滑法 Ｃ 温特线形和季节性指数平滑法 Ｄ 布朗二次多项式指数平滑法

７ 温特线形和季节性指数平滑法中，通常确定α、β和γ

实验3：时间序列平滑预测

3.1实验目的

1、了解移动平均法和指数平滑法的基本概念，基本原理；

2、掌握一次移动平均法，二次移动平均法，单指数平滑，双指数平滑和霍尔特指数平滑法预测模型形式，适用条件及内在机理；

3、掌握利用Excel软件实现一次移动平均法，二次移动平均法操作步骤； 4、掌握利用Eviews软件实现单指数平滑，双指数平滑和霍尔特指数平滑法预测的操作流程。

3.2实验原理

3.2.1移动平均法

移动平均法是根据一段时间序列的样本资料、逐项推移，依次计算包含一定项数的序时平均数，来预测序列趋势的一种平滑方法。它是最简单的自适应预测模型，主要包括一次移动平均和二次移动平均两种方法。

（一）一次移动平均法

一次移动平均法又称简单移动平均法，它是根据序列特征，计算一定项数的算术平均数作为序列下一期的预测值，这种方法随着时间的推移逐渐纳入新的数据同时去掉历史数据。

（1）计算公式：设时间序列为：x1,x2,?,xt一次移动平均的计算公式为：

1St?(xt?xt?1???xt?n?1)

n式中：St为第t期移动平均数；n为移动平均的项数。公式表明时间t每向前移动一个时期，一次移动平均便增加一个新近数据，去掉一个远期数据，得到

第四章 时间序列预测法历史往往重复过去的故事

主要内容第一节 时间序列预测综述 第二节 平滑预测方法 第三节 趋势方程拟合法 第四节 季节变动预测法

第一节 时间序列预测综述时间序列 – 是指同一变量按照发生时间的先后顺序排列起来 的一组观察值 时间序列预测法 – 利用变量本身的历史数据进行预测的方法。通过 确定变量的历史模式，并认为在将来这一模式同 样有效来推断将来。是连续性原理的直接运用。 几个实践案例

理解预测很容易，谁都可以做。关键的问题是谁 做得准，如何评价预测结果很重要。 明确数据模式的用处，不同模式使用不同的 方法 通过误差大小判断预测结果的准确性

时间序列预测的步骤搜集数据 – 时间序列数据 分析数据模式 – 散点图，定性分析，数据特征分析 按照模式进行预测 – 建立适当的预测模型

时间序列基本模式长期趋势变动 – 是指由于某种根本性原因的影响，预测变量 在相当长的一段时期内，持续上升或持续下 降的变动形态。 – 分为：水平型模式；趋势型模式 季节变动模式 – 是指由于自然条件、社会条件的影响，预测 变量在一年内随季节的转变而引起的周期性 波动

时间序列基本模式(续)周期变动模式(循环变动模式)– 经济周期的变动以及由其所影响的预测变量的

3. 时间序列分析法

对于预测，有定性和定量两类方法，定性的方法主要是作一些趋势性或转折点的判定。常用的方法有专家座谈会法，德尔菲法等。常用的定量预测方法有两种，一种是回归分析法，另一种常用方法就是时间序列分析法。这一章主要介绍有关时间序列分析法的有关内容。

3.1 基本概念

所谓时间序列就是一组按照一定的时间间隔排列的一组数据。这一组数据可以表示各种各样的含义的数值，如对某种产品的需求量、产量，销售额，等。其时间间隔可以是任意的时间单位，如小时、日、周、月等。通常，对于这些量的预测，由于很难确定它与其他因变量的关系，或收集因变量的数据非常困难，这时我们就不能采用回归分析方法进行预测，或者说，有时对预测的精度要求不是特别高，这时我们都可以使用时间序列分析方法来进行预测。

当然，时间序列分析法并非只是一种简单的预测分析方法，其实，基本的时间序列分析法确实很简单，但是也有一些非常复杂的时间序列分析方法。

采用时间序列分析进行预测时需要用到一系列的模型，这种模型统称为时间序列模型。在使用这种时间序列模型时，总是假定某一种数据变化模式或某一种组合模式总是会重复发生的。因此可以首先识别出这种模式，然后采用外推的方式就可以进行预测了。

采用时间序列模型时

第二章 经济时间序列的 季节调整、分解与平滑本章主要介绍经济时间序列的分解和平滑方 法。时间序列分解方法包括季节调整和趋势分解， 指数平滑是目前比较常用的时间序列平滑方法。

一、经济时间序列的分解经济指标的月度或季度时间序列包含4种变动要素：长期 趋势要素T、循环要素C、季节变动要素S 和不规则要素I。 长期趋势要素 (T ): 代表经济时间序列长期的趋势特性。 循环要素 (C ): 是以数年为周期的一种周期性变动。 季节要素 (S ): 是每年重复出现的循环变动，以12个月或4 个季度为周期的周期性影响，由温度、降雨、每年中的假期和 政策等因素引起。季节要素和循环要素的区别在于季节变动是 固定间距(如季或月)中的自我循环，而循环要素是从一个周 期变动到另一个周期，间距比较长且不固定的一种周期性波动。 不规则要素 (I ): 又称随机因子、残余变动或噪声，其变动 无规则可循，这类因素是由偶然发生的事件引起的，如罢工、 意外事故、地震、水灾、恶劣气候、战争、法令更改和预测误 差等。2

4991.50

4204.20单位：亿元

单位：亿元

3871.49

3304.66

2751.49

2405.12

1631.48

1505.59

511.47 1981

606.05

一起分享!

第二章 经济时间序列的 季节调整、分解与平滑本章主要介绍经济时间序列的分解和平滑方 法。时间序列分解方法包括季节调整和趋势分解， 时间序列分解方法包括季节调整和趋势分解， 指数平滑是目前比较常用的时间序列平滑方法。 指数平滑是目前比较常用的时间序列平滑方法。

一起分享!

经济时间序列的分解经济指标的月度或季度时间序列包含4种变动要 经济指标的月度或季度时间序列包含 种变动要 素： 长期趋势要素T 长期趋势要素 循环要素C 循环要素 季节变动要素S 季节变动要素 不规则要素I 不规则要素2

一起分享!

4991.50

4204.20单位 ： 亿元

单位： 单位 ：亿元

3871.49

3304.66

2751.49

2405.12

1631.48

1505.59

511.47 1981

606.051983 1985 1987 1989 1991 1993 1995 1997

1981 1983

1985 1987

1989 1991

1993 1995 1997

图1 我国工业总产值的时间序列 Y 图形1.16

图2 工业总产值的趋势·循环要素 TC 图形 工业总产值的趋势·1.11

1.06

1.06

0.96 0.86

1.00 0.95

0.76 1981

一起分享!

第二章 经济时间序列的 季节调整、分解与平滑本章主要介绍经济时间序列的分解和平滑方 法。时间序列分解方法包括季节调整和趋势分解， 时间序列分解方法包括季节调整和趋势分解， 指数平滑是目前比较常用的时间序列平滑方法。 指数平滑是目前比较常用的时间序列平滑方法。

一起分享!

经济时间序列的分解经济指标的月度或季度时间序列包含4种变动要 经济指标的月度或季度时间序列包含 种变动要 素： 长期趋势要素T 长期趋势要素 循环要素C 循环要素 季节变动要素S 季节变动要素 不规则要素I 不规则要素2

一起分享!

4991.50

4204.20单位 ： 亿元

单位： 单位 ：亿元

3871.49

3304.66

2751.49

2405.12

1631.48

1505.59

511.47 1981

606.051983 1985 1987 1989 1991 1993 1995 1997

1981 1983

1985 1987

1989 1991

1993 1995 1997

图1 我国工业总产值的时间序列 Y 图形1.16

图2 工业总产值的趋势·循环要素 TC 图形 工业总产值的趋势·1.11

1.06

1.06

0.96 0.86

1.00 0.95

0.76 1981

时间序列分析 教案

第5、6章 测试题

1. 时间序列{xt}的d阶差分实质上是一个d阶自回归过程， 则?xt?（1?B）xt?

ddii(?1)C?dxt?i ； i?0d2. 假设线性非平稳序列{xt}形如：xt?1?2t?at，

其中E（at）?0,Var（at）??2，Cov（at，at-1）?0，?t?1，

则?xt?xt?xt?1?2?at?at?1，?2xt??xt??xt?1?at?2at?1?at?2； 并说明为何说?2xt为过差分？

因为1阶和2阶差分后，序列均平稳，但Var(?xt)?Var(at?at?1)?2?2， 而Var(?2xt)?Var(at?2at?1?at?2)?6?，2阶差分后的方差大，过差分。 2

?1??1B）?xt?（（1??1B??2B2）?t?3. 形如：?E(?t)?0，Var(?t)???2,E(?t?s)?0,s?t的模型，

?Ex??0,?s?t?st简记为 ARIMA(1,1,2) 模型，并说明此模型的平稳性。 此为不平稳模型。

4. 模型ARIMA（0，1，0）称为 随机游走 模型， 其序列的方差 Var（xt）?Var(x0??t??t?

时间序列分析 教案

测试2 解答 （第三、四章）

-11. 设{xt}为一时间序列，且?xt?xt?xt-1，?pxt??p（ ?xt），?kxt?xt?xt-k，2?？ 。 Bxt?xt-1，记?（??（B）xt， 则?（B）3?xt）2?（1?B3）（1?B）解：根据k步差分和p阶差分与延迟算子之间的关系，得?（B）。

2. 已知AR（1）模型为：xt?0.7xt-1??t，?t~WN(0,??2)。 求： E(xt),Var(xt),?2和?22。

解：(1) 由平稳序列E（xt）?E（xt-1）和E（?t）?0，得E（xt）?0 或 ???01??1????p?0 P. 47 （??0?0）(2) Var(xt)?0.72Var(xt?1)?Var(?t)?0.49Var(xt)???2

1?0.490.51k(3) AR（1）模型?k??1（k?0），?2??12?0.72?0.49 P. 50 (4) AR（1）模型偏自相关系数截尾: ?22?0 P. 54-55。

3. 分别用特征根判别法和平稳域判别法检验下列四个AR模型的平稳性。

即

应用时间序列分析

实 验 报 告 二

学生姓名 张亚平 学 号 20091315030 院 系 数学与统计学院 专 业 统计学 指导教师 尚林

二Ｏ一二年三月三十日

应用时间序列分析第二次实验报告

实验题目1

18 某地区连续74年的谷物产量（单位：千吨）如表3-21所示（具体数据见课本102页表-21）

（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）利用拟合模型，预测该地区未来5年的谷物产量。 实验步骤1

（1） 根据题目所给数据得到了样本的自相关序列图，和纯随机性检验结果如下所示。

样本自相关图显示延迟3阶以后，自相关系数都落在2倍标准差范围内，而且样本自相关系数向零衰减的速度非常快，延迟6阶以后自相关系数即在零值附近波动，这是一个典型的短期相关的样本自相关图。由时序图和样本自相关图的性质可知该序列平稳。

由纯随机性检验结果可知，在各阶延迟下LB检验统计量的P值都非常小，所以我们可以认定该序列属于非白噪声序列。

（2） 为了找到合适的模型来拟合模型的发展，首先进行相对最优定阶得到结果如下。