確定性時間序列分析方法演示ppt課件

1、確定性時間序列分析方法演示一、指數(shù)平滑法時間序列分析的一個簡單和常用的預(yù)測模型為指數(shù)平滑模型(exponential smoothing) 指數(shù)平滑只能用于純粹時間序列的情況，而不能用于含有獨立變量時間序列的因果關(guān)系的研討。指數(shù)平滑的原理為：利用過去觀測值的加權(quán)平均來預(yù)測未來的觀測值(這個過程稱為平滑)，且離如今越近的觀測值要給以越重的權(quán)。而“指數(shù)意味著：按歷史觀測值記錄時間離如今的間隔遠近，其上的權(quán)數(shù)按指數(shù)速度遞減。這一間隔通常用數(shù)據(jù)間隔位置差，也稱步數(shù)(lag)來表示。假設(shè)記時辰 t 的觀測值為 Xt 時辰 t 的指數(shù)平滑記為 Yt 。指數(shù)平滑的數(shù)學模型為Yt = aXt+a(1-a)Xt

2、 -1+a(1-a)2Xt -2+ +a(1-a)t-1X1, 其中0a1為權(quán)重指數(shù)。a 越大，表示在加權(quán)時給予當前觀測值的權(quán)重越大，相應(yīng)地，給予過去觀測值的權(quán)重就越小。1、Simple模型Simple法是在挪動平均法根底上開展而來的一次指數(shù)平滑法，其假定所研討的時間序列數(shù)據(jù)集無趨勢和季節(jié)變化。計算公式為： Yt = a Xt + (1-a)Yt -1 , t = 2, 3, a值越接近于1，闡明新的預(yù)測值包括對前一期的預(yù)測誤差的全部修正值，反之，那么相反。留意：定義時序變量Date-Define Dates 可用來建立時間序列的周期性，共有20種可用來定義日期的變量，應(yīng)根據(jù)數(shù)據(jù)變量的周期屬性

3、選擇適宜的類型。選擇終了后在原始數(shù)據(jù)庫中將自動生成新的變量，不可刪除；還需定義預(yù)測結(jié)果終止的時限Predict through).顧客稱心度測評實例演示2、Custom模型Custom模型是一種自定義模型，用來選擇趨勢和季節(jié)構(gòu)成時間序列的變動類型模型運用建議：Grid Search自定義a和的起始值為0.1，終止值為1，每次添加的計算步長為0.1。銷售量預(yù)測實例演示二、自回歸模型Autoregressive假設(shè)時間序列Xt 滿足以下模型，那么稱其為一個p階自回歸序列，簡記為Xt AR(p)： Xt =j 0+ j1Xt-1 + j 2Xt-2 + + j pXt-p + at 在本模型中，時間

4、序列的當前值等于時間序列前一個值同一個隨機誤差的線性組合。 計算自回歸的三種方法： 準確極大似然法能處置缺失值數(shù)據(jù); 克科倫.奧克特法當時序中包含有嵌入式缺失值時不可運用; 最小二乘法最常用的方法 建模留意：創(chuàng)建時序新變量時，應(yīng)首先在Function框中選擇需求轉(zhuǎn)換最初變量生成新變量的函數(shù)Lag,然后將最初變量income移至New Variables(s)框中。該操作順序不能改動。在原始數(shù)據(jù)庫中生成滯后新變量，將滯后新變量作為自變量進展自回歸模型中。在建模方法一欄中應(yīng)選擇最小二乘法作為預(yù)測方法。銷售收入預(yù)測案例分析結(jié)果三、季節(jié)分解模型Seasonal Decomposition)當將時間序列分解生長期趨勢、季節(jié)變動、周期變動與不規(guī)那么變動四個要素后，可將時間序列Y看成四個要素的函數(shù)，即：常用的時間序列分解模型有：加法模型：乘法模型：案例帶有季節(jié)要素的銷售量統(tǒng)計分析在原始數(shù)據(jù)庫中生成的四列新數(shù)據(jù)分別為：誤差項、長期趨勢、季節(jié)變動指數(shù)、周期變動指數(shù)關(guān)鍵選項留意：在挪動平均權(quán)重Moving Average Weight選項欄中，應(yīng)該選擇All point equal選項。計算周期跨度相等和一切點權(quán)重相等時的挪動平均由分析結(jié)果可得出以下結(jié)論:經(jīng)過長期趨勢、季節(jié)變動指數(shù)、周期變動指數(shù)的分解，進一步明晰所研討變量銷售量的內(nèi)在構(gòu)成，從而為同等銷售量的不同引致要素的分別提供量化