确定性时间序列分析方法介绍.ppt

《确定性时间序列分析方法介绍.ppt》由会员上传分享，免费在线阅读，更多相关内容在PPT专区-天天文库。

1、确定性时间序列分析方法演示一、指数平滑法时间序列分析的一个简单和常用的预测模型为指数平滑模型(exponentialsmoothing)指数平滑只能用于纯粹时间序列的情况，而不能用于含有独立变量时间序列的因果关系的研究。指数平滑的原理为：利用过去观测值的加权平均来预测未来的观测值(这个过程称为平滑)，且离现在越近的观测值要给以越重的权。而“指数”意味着：按历史观测值记录时间离现在的距离远近，其上的权数按指数速度递减。这一距离通常用数据间隔位置差，也称步数(lag)来表示。若记时刻t的观测值为Xt时刻

2、t的指数平滑记为Yt。指数平滑的数学模型为Yt=aXt+a(1-a)Xt-1+a(1-a)2Xt-2+…+a(1-a)t-1X1,其中0

3、注意：定义时序变量Date-DefineDates可用来建立时间序列的周期性，共有20种可用来定义日期的变量，应根据数据变量的周期属性选择合适的类型。选择完毕后在原始数据库中将自动生成新的变量，不可删除；还需定义预测结果终止的时限（Predictthrough).顾客满意度测评实例演示2、Custom模型Custom模型是一种自定义模型，用来选择趋势和季节构成（时间序列的变动类型）模型应用建议：GridSearch自定义a和γ的起始值为0.1，终止值为1，每次增加的计算步长为0.1。销售量预测实例演

4、示二、自回归模型（Autoregressive）若时间序列{Xt}满足下列模型，则称其为一个p阶自回归序列，简记为{Xt}～AR(p)：Xt=j0+j1Xt-1+j2Xt-2+…+jpXt-p+at在本模型中，时间序列的当前值等于时间序列前一个值同一个随机误差的线性组合。计算自回归的三种方法：精确极大似然法（能处理缺失值数据）;克科伦.奥克特法（当时序中包含有嵌入式缺失值时不可使用）;最小二乘法（最常用的方法）★建模注意：创建时序新变量时，应首先在Function框中选择需要转换最初变量生成新变量的

5、函数Lag,然后将最初变量（income）移至NewVariables(s)框中。该操作顺序不能改变。在原始数据库中生成滞后新变量，将滞后新变量作为自变量进行自回归模型中。在建模方法一栏中应选择最小二乘法作为预测方法。销售收入预测案例分析结果三、季节分解模型（SeasonalDecomposition)当将时间序列分解成长期趋势、季节变动、周期变动与不规则变动四个因素后，可将时间序列Y看成四个因素的函数，即：常用的时间序列分解模型有：加法模型：乘法模型：案例——带有季节因素的销售量统计分析在原始数据

6、库中生成的四列新数据分别为：误差项、长期趋势、季节变动指数、周期变动指数关键选项注意：在移动平均权重（MovingAverageWeight）选项栏中，应该选择Allpointequal选项。（计算周期跨度相等和所有点权重相等时的移动平均）由分析结果可得出以下结论:通过长期趋势、季节变动指数、周期变动指数的分解，进一步明晰所研究变量（销售量）的内在构成，从而为同等销售量的不同引致因素的分离提供量化参考。由新增变量结果可知，销售量呈现长期增长的趋势，并且第三季度为显著销售淡季，第一季度和第二季度为销售

7、旺季，从而为下一步产品销售策略的制定提供指导。