季節(jié)性時間序列分析方法(存儲版)
【正文】 1 2 1( 1 ) ( 1 ) 1? ? ? ??? ? ?? ? ???? ? ? 2 1 00?? ? ? ? 1 1 211 221 1 2( 1 ) ( 1 )???????? 221 1 2 1 2 1 212 2 2 21 1 2 1 2( 1 ) ( 1 ) 1? ? ? ??? ? ?? ? ???? ? ? 1 1 213 221 1 2( 1 ) ( 1 )???????? 1 4 1 50?? ? ? ? 可見，1?實際上是模型（ ）的一階自相關系數(shù)，而12?則是模型（ 7 . ）的一階自相關系數(shù)。但需要注意的是，樣本的偏自相關函數(shù)不可能精確為零，因此偏自相關函數(shù)的截尾性只能提供一些定階信息。特別是對于 S= 12 的月份序列，季節(jié) AR 算子()SUB 和 MA 算子()SVB的階數(shù)很少超過 1 階，當可利用數(shù)據(jù)序列的長度不足以支持 p 1 和 q 1 的復雜模型時尤為如此。 實例 ： 1 987 1996 年 甲 地 某商品 月 銷售量 資料 的 時間 序列 分析 。為了便于應用， B J 給出了一些常用的季節(jié)模型的自協(xié)方差。（見參考書目（ 1 ））。 一、 X 11 方法的基本思想 經(jīng)濟數(shù)據(jù)一般受季節(jié)、節(jié)假日、各月（季）的星期數(shù)量以及其他偶然因素的影響，因而來自經(jīng)濟現(xiàn)象的動態(tài)數(shù)據(jù)往往不具有可比性。同時，這種方法還容易造成對經(jīng)濟形勢的錯誤判斷。 例如，對于月份資料，應作 12 項移動平均，其第一個移動平均值對應于原序列第六項和第七項的中間。一方面，項數(shù) N 值越大，剔除不規(guī)則因素的 效果越好；另一方面， N 越大，損失的信息（項數(shù)為 N 1 ）越大，特別是末尾( 1 ) / 2N ?項數(shù)據(jù)的損失更為重要，因為這是最新信息。 確定星期中各天加權值一般有兩種方法：一種方法是根據(jù)歷史經(jīng)驗確定，另一種方法是通過回歸求得，回歸公式如下： 1 1 2 2 7 71i i i iiiB X B X B X IIDN? ? ? ??? ( 7 . 4 . 5 ) 其中iID是原始數(shù)據(jù)除以暫定趨勢和季節(jié)因素的商（/ ( )X T S） ； ijX是第 i 月星期 j 的天數(shù)； Bj是星期 j 的回歸系數(shù)； Ii是第 i 月不規(guī)則因素真值； Ni是第 i 月的天數(shù)（ 2 月為 2 5 天）。計算公式如下： 0 , 11 , 1tttIUWIL? ??????? 1,1( 1 )ttIIUL I UU L U ??? ? ? ??? 修正不規(guī)則因素，修正公式如下： 1 ( 1 )Wt t tI W I? ? ? 修正特殊項后的原始數(shù)據(jù)： Wt t t t tX T S D I? ? ? ? 這一部分有點亂，不太明白。 第二 階段 ， 從 X (5) 出發(fā) ， 分解 趨勢 因素 、 季節(jié) 因素 和 不 規(guī)則因素 。 2023年 1月 25日星期三 下午 5時 35分 50秒 17:35: 1比不了得就不比，得不到的就不要。 :35:5017:35:50January 25, 2023 1意志堅強的人能把世界放在手中像泥塊一樣任意揉捏。 17:35:5017:35:5017:35Wednesday, January 25, 2023 1知人者智，自知者明。 下午 5時 35分 50秒 下午 5時 35分 17:35: MOMODA POWERPOINT Lorem ipsum dolor sit, eleifend nulla ac, fringilla purus. Nulla iaculis tempor felis amet, consectetur adipiscing elit. Fusce id urna blanditut cursus. 感謝您的下載觀看 專家告訴 。 17:35:5017:35:5017:351/25/2023 5:35:50 PM 1越是沒有本領的就越加自命不凡。 :35:5017:35Jan2325Jan23 1世間成事，不求其絕對圓滿，留一份不足，可得無限完美。 17:35:5017:35:5017:35Wednesday, January 25, 2023 1乍見翻疑夢，相悲各問年。 首先 從 序列X(1) 出發(fā) ， 運用 上述 方法 ， 得到 T (1) 、 S(1) 、 D(1) 、 I (1) 和( 1 )wI；進而 通過( 1 ) ( 1 )XS對 其 作 移動 平均 得到 T (2) ；( 1 ) ( 2 )XT并 作 移動 平均 得到 S (2) ； 其次 ， 對 原序列 調(diào)整 星期 因素 得到( 2) ( 1 ) ( 1 )X X D?；再次 ， 調(diào)整 不 規(guī)則 因素 的 特殊項 ， 得到( 1 )( 3 ) ( 2)( 1 )wIXXI?? ， 然后 從X(3) 出發(fā) ， 重復 上述 過程 ， 直到 剔除 了 星期 因素 和 不 規(guī)則 因素 的特殊項 為止 。 ）。 假設 2~ ( 0 , )tIN ?，則經(jīng)過（ 12 2 ）項移動平均后，不規(guī)則因素服從2~ ( 0 , )24tIN?，幾乎接近于零了。對ttSI進行移動平均，便可剔除tI而分離出tS來。 2. 構(gòu)成因素的分解方法 (1) 分離趨勢項，即從原序列中分離長期趨勢tT。但是這樣的結(jié)果所描述的是相對于較遠的過去的變動情況，而沒有提供系統(tǒng)近期的變化情況
教學課件相關推薦
鄂ICP備17016276號-1