确定性时间序列分析方法演示

,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,*,单击此处编辑母版标题样式,确定性,时,时间序,列,列分析,方,方法演,示,示,一、指,数,数平滑,法,法,时间序,列,列分析,的,的一个,简,简单和,常,常用的,预,预测模,型,型为指数平,滑,滑模型(exponentialsmoothing),指数平,滑,滑只能,用,用于纯粹时,间,间序列的情况,，,，而不,能,能用于,含,含有独,立,立变量,时,时间序,列,列的因,果,果关系,的,的研究,。,。,指数平,滑,滑的原理为：利用过,去,去观测,值,值的加权平,均,均来预测,未,未来的,观,观测值(这个,过,过程称,为,为平滑)，且离现在,越,越近的,观,观测值,要,要给以,越,越重的,权,权。,而“指,数,数”意,味,味着：,按,按历史,观,观测值,记,记录时,间,间离现,在,在的距,离,离远近,，,，其上,的,的权数按,指,指数速,度,度递减。,这一距,离,离通常,用,用数据间,隔,隔位置,差,差，也称步数(lag)来表,示,示。,若记时,刻,刻,t,的观测,值,值为,X,t,时刻,t,的指数,平,平滑记,为,为,Y,t,。,指数平,滑,滑的数,学,学模型,为,为,Y,t,=,a,X,t,+,a,(1,-,a,),X,t,-1,+,a,(1,-,a,),2,X,t,-2,+,a,(1,-,a,),t,-1,X,1,其中0,a,1为权重指,数,数。,a,越大，,表,表示在,加,加权时,给,给予当,前,前观测,值,值的权,重,重越大,，,，相应,地,地，给,予,予过去,观,观测值,的,的权重,就,就越小,。,。,1、Simple模,型,型,Simple,法,法是在,移,移动平,均,均法基,础,础上发,展,展而来,的,的一次,指,指数平,滑,滑法，,其,其假定,所,所研究,的,的时间,序,序列数,据,据集无趋势,和,和季节,变,变化。,计算公,式,式为：,Y,t,=,a,X,t,+(1,-,a,),Y,t,-,1,t,=2,3,a,值越接,近,近于1,，,，说明,新,新的预,测,测值包,括,括对前,一,一期的,预,预测误,差,差的全,部,部修正,值,值，反,之,之，则,相,相反。,注意：,定,定义时,序,序变量,Date-DefineDates,可,可用来,建,建立时,间,间序列,的,的周期,性,性，共,有,有20,种,种可用,来,来定义,日,日期的,变,变量，,应,应根据,数,数据变,量,量的周,期,期属性,选,选择合,适,适的类,型,型。,选择完,毕,毕后在,原,原始数,据,据库中,将,将自动,生,生成新,的,的变量,，,，不可,删,删除；,还,还需定,义,义预测,结,结果终,止,止的时,限,限（Predictthrough).,顾客满,意,意度测,评,评实例,演,演示,2、Custom模,型,型,Custom,模,模型是,一,一种自,定,定义模,型,型，用,来,来选择,趋,趋势和,季,季节构,成,成（时间,序,序列的,变,变动类,型,型）,模型应,用,用建议,：,：GridSearch,自,自定义,a和,的起,始,始值为0.1,，,，终止,值,值为1,，,，每次,增,增加的,计,计算步,长,长为0.1。,销售量,预,预测实,例,例演示,二、自,回,回归模,型,型（,Autoregressive）,若,时间序,列,列,X,t,满足,下列模,型,型，则,称,称其为,一,一个,p,阶自回,归,归序列,，,，简记,为,为,X,t,AR(,p,)：,X,t,=,j,0,+,j,1,X,t,-,1,+,j,2,X,t,-,2,+,j,p,X,t,-,p,+,a,t,在本模,型,型中，,时,时间序,列,列的当,前,前值等,于,于时间,序,序列前,一,一个值,同,同一个,随,随机误,差,差的线,性,性组合,。,。,计算自,回,回归的,三,三种方,法,法：,精确极,大,大似然,法,法（能处,理,理缺失,值,值数据,）,）;,克科伦.奥克,特,特法（当时,序,序中包,含,含有嵌,入,入式缺,失,失值时,不,不可使,用,用）;,最小二,乘,乘法（最常,用,用的方,法,法）,建模注,意,意：,创建时,序,序新变,量,量时，,应,应首先,在,在Function,框,框中选,择,择需要,转,转换最,初,初变量,生,生成新,变,变量的,函,函数Lag,然,然后将,最,最初变,量,量（income）,移,移至NewVariables(s),框,框中。该操作,顺,顺序不,能,能改变,。,。,在原始,数,数据库,中,中生成,滞,滞后新,变,变量，,将,将滞后,新,新变量,作,作为自变量进行自,回,回归模,型,型中。,在建模,方,方法一,栏,栏中应,选,选择最小二,乘,乘法作为预,测,测方法,。,。,销售收,入,入预测,案,案例分,析,析结果,三、季,节,节分解,模,模型（SeasonalDecomposition),当将时,间,间序列,分,分解成,长,长期趋,势,势、季,节,节变动,、,、周期,变,变动与,不,不规则,变,变动四,个,个因素,后,后，可,将,将时间,序,序列Y,看,看成四,个,个因素,的,的函数,，,，即：,常用的,时,时间序,列,列分解,模,模型有,：,：,加法模,型,型：,乘法模,型,型：,案例,带有季节因,素,素的销售,量,量统计,分,分析,在原始,数,数据库,中,中生成,的,的四列,新,新数据,分,分别为,：,：,误差项,、,、长期,趋,趋势、,季,季节变,动,动指数,、,、周期,变,变动指,数,数,关键选,项,项注意,：,：,在移动,平,平均权,重,重（MovingAverage Weight）,选,选项栏,中,中，应,该,该选择Allpointequal,选,选项。,（,（计算,周,周期跨,度,度相等,和,和所有,点,点权重,相,相等时,的,的移动,平,平均）,由分析,结,结果可,得,得出以,下,下结论:,通过长,期,期趋势,、,、季节,变,变动指,数,数、周,期,期变动,指,指数的,分,分解，,进,进一步,明,明晰所,研,研究变,量,量（销,售,售量）,的,的内在,构,构成，,从,从而为,同,同等销,售,售量的,不,不同引,致,致因素,的,的分离,提,提供量,化,化参考,。,。,由新增,变,变量结,果,果可知,，,，销售,量,量呈现,长,长期增,长,长的趋,势,势，并,且,且第三,季,季度为,显,显著,销售淡,季,季，第,一,一季度,和,和第二,季,季度,为销售,旺,旺季，,从,从而为,下,下一步,产,产品,销售策,略,略的制,定,定提供,指,指导。,