时间序列
(惯性原理)
时间序列特性
趋势性T
季节性S
周期性C
不规则 I
总结:任意时间序列可表示为多种变动的组合
- 加法模型:Y = T + S + C + I
- 乘法模型:Y = T * S * C * I
时间序列特征的识别
作图法
时间序列分析预测方法
根据时序的变动方向和程度进行外延和类推、惯性思维
1.上期值预测法
- 预测值=上期值
- 忽略最后一个点之外的所有数据点
- 当环境变化迅速时,该方法有用
2.平均值预测法
- 预测值=所有数据的平均值
- 使用了所有的数据
- 在环境平稳的情况下,平均值预测法有用
3.移动平均法
- 预测值=最后n个值的平均值
- n与预测下一个时期相关性高的时期数
- 仅对最近一段时间的n值有关
- 一般只对发展过程比较平缓增长趋势不明显,并且与以往时期状况联系不多的时序有效
4.指数平滑法
-
预测值=a*上期值 + (1-a)*上期预测值
-
a值实际上是迁移预测值和当前预测值之间的权重
-
a基于0到1之间,及平滑系数,a值越大,新数据所占的比重越大
-
一般情况下:
- 0.1-0.3观测值呈较稳定的水平发展
- 0.3-0.5观测值波动较大时
- 0.5-0.8观测值波动很大时
-
研究表明:大的a值导致较小的平滑效果,较小的a值会产生客观的平滑效果
5.季节性因素的考虑
-
季节性因子:任何一个时期的季节性因子表示该期平均数与总平均数相比较的结果
-
季节性因子=期间平均数 / 总平均数
-
去除季节性因素后会得到一个更加清晰的趋势图
- 去除季节性影响的数据=实际数据 / 季节性因子
- 去除季节性因素影响,可使数据更加平滑
-
使用步骤:
- 得到实际数据
- 结合其他预测法
- 对预测的结果使用季节性因子进行还原
时间序列分析预测方法的总结
预测方法的目标
-
无法准确预测下一个值
- 时间序列中的下一个值是一个随机变量
- 用均值作为预测值可是平均预测误差最小
-
时间序列预测方法的目的是尽可能准确的预测时间序列中下一个值的概率分布的均值
-
时间序列的概率分布是不断变动的,概率分布变动频繁时,用于预测的数据会很快过期
预测方法的选择
- 选择预测方法的关键因素是时间序列的稳定程度