第三讲 平滑技术和季节调整

第三讲 平滑技术和季节调整 三 平滑技术和季节调整 【实验目的与要求】 1. 准确掌握平滑技术和季节调整的各种形式和方法原理。 2. 熟练掌握运用Eviews软件进行平滑和季节调整。 3. 学会利用加法模型和乘法模型对样本序列进行季节调整。 4. 熟练掌握运用指数平滑方法对样本序列进行外推预测。 5. 在老师的指导下独立完成实验，得到正确的结果，并完成实验 报告 软件系统测试报告下载sgs报告如何下载关于路面塌陷情况报告535n,sgs报告怎么下载竣工报告下载 。 【实验准备知识】 平滑技术，是消除或至少减少时间序列短期波动的一个手段。这样做不仅可以使我们容易识别序列的趋势和周期变动类型，而且平滑后进行直觉的分析也会简单。季节调整是平滑的一种特殊形式，它消除时间序列季节波动的影响，更好地反映时间序列的运动规律。 1. 简单移动平均方法 对于时间序列，n期简单移动平均公式为: yt ~1 (3.1) y,(y，y，？，y)ttt,1t,n，1n ~其中，为简单移动平均平滑后的序列，n为移动平均的期数。 yt n期简单移动平均应用非常广泛，比如在股票投资分析中，经常看到的5日均线、10日均线、30日均线，都是为了更好地看清股价的走势，而对股价序列进行的平滑方法。当然，n越大，平滑的程度越高，越能体现长期的趋势。 2. 季节调整 季节变动是指以一年为一个周期的变化。时间序列的季度、月度观测值常常出现季度或月度的循环变动。这种变动的影响因素主要是四季更迭，还有人文或 制度 关于办公室下班关闭电源制度矿山事故隐患举报和奖励制度制度下载人事管理制度doc盘点制度下载 等方面的因素。季节变动往往会掩盖经济发展的客观规律，妨碍我们对某些问题的认识。因此，通常在利用季度或月度数据进行分析之前，我们需要对时间序列进行季节调整。 传统的时间序列分析把时间序列的波动归结为四大因素:趋势变动(L)、季节变动(S)、循环变动(C)、和不规则变动(I)。循环变动指周期为数年的变动，通常指经济周期。不规则变动即随机变动。四种变动与原序列(Y)的关系被概括成两种模型: 乘法模型 Y = LSCI (3.2) 加法模型 Y = L+S+C+I (3.3) 其中，乘法模型适用于L、S、C相关的情形，比如，季节变动的幅度随趋势上升而增加。加法模型则适用于L、S、C相互独立的情形。 季节调整的基本思路就是将季节变动S(季节因子，又称季节指数)从序列中去除。以乘法模型为例，首先，我们剔除长期趋势和循环变动的结合项L×C，我们 ~~可以用移动平均作为L×C的估计值，因为我们可大致认为已无季节和不规则yytt ~波动。这里的是中心化的移动平均，即 yt ，，，，(0.5Y？Y？0.5Y)/12，月度数据,t，6tt,6~,y (3.4) ,t(0.5Y，Y，Y，Y，0.5Y)/4，季度数据t，2t，1tt,1t,2, ~然后，我们用原序列除以L×C的估计值就得到季节和不规则变动的结合项yt S×I的一个估计: yL，S，C，It,S，I,,z (3.5) t~L，Cyt 下一步尽可能从中彻底消除I，得到季节因子S。由于对同一月份或季度的zt 季节和不规则变动的结合项进行平均将大体上消除不规则变动，于是我们对S×I同 ~一月份的数据进行平均，得到平均值，就可以作为季节指数的估计值。这里我们zj 需要将季节因子 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 化，方法为: ~~~~kS,z/z,z,？,z (3.6) 12jjk 称为标准化的季节因子，对于季度数据j = 1，2，3，4，k = 4;对于月度数Sj 据j = 1，2，…，12，k = 12，调整后季节因子的乘积等于,。 最后我们来消除季节变动:从每个序列数值中除以对应的季节因子，消除Sj季节变动成分后，剩下其他三部分。 a季节调整后的序列即为:y,y/S (3.7) ttj 对于加法模型，只要做一些对应的变化即可。将(3.5)中的除法变成减法，即 k~~~1S,z,z;将(3.6)变为，使得调整后季节因子的和等于,;y,y,z,jjitttk,1i ay,y,S将(3.7)中的除法变成减法，即。 ttj Eviews3.1软件中还提供了Census X11方法，更高版本中还提供了Census X12 方法，这里就不作详细介绍，有兴趣的读者可参看Eviews操作说明。 3. 指数平滑方法 (1)一次指数平滑(Single Exponential Smoothing) 从公式(2.1)可以看到，简单移动平均将每期的权重赋予相同的值。然而我们通常认为的近期值比早期的值更重要才合乎情理，即近期值应有更大的权重。因yt 此，我们引入指数加权移动平均模型，其基本形式为: 2~y,,y，,(1,,)y，,(1,,)y，？ (3.8) ttt,1t,2 ~~~(1,,)其中，为平滑之后的序列。将换为方程左右乘以得到 yyyttt,1 2~(1,,)y,,(1,,)y，,(1,,)y，？ (3.9) t,1t,1t,2 ~两式相减，得到计算的迭代公式。 yt ~~y,,y，,,y (3.10) (1)ttt,1 这里01，叫做平滑系数，又叫衰减因子。可以看到，越接近1，现值,,,,越重要，即对应的权重越大。因此越小，时间序列的平滑程度就越高。 , 上面就是我们通常所说的一次指数平滑，是实际值序列的加权平均，适用于比较平稳的序列，即序列值在一个常数均值上下随机波动、无趋势及季节要素的情况。由于权数成指数衰减，越早的数据被赋予越小的权重，因此预测值主要倚重近期样本数据，远期数据对它影响较小。同时，与实际序列的变化相比有滞后现象。 一次指数平滑的预测公式为: ~~ 对于所有k1 (3.11) ,y,yT，kT 其中T是时间序列的最末期。 (2)二次指数平滑(Double Exponential Smoothing) 如果我们希望被平滑的光滑程度较高，但又不对历史数据加权过重，即使较, ~小可能也达不到要求。此时可使用二次指数平滑，即对一次平滑好的序列再平yt滑一次。计算公式为: ~~ y,,y，,,y(1)ttt,1 ~~~~~y,,y，,,y (3.12) (1)ttt,1 ~~~其中，是一次指数平滑序列，y是二次指数平滑序列，是平滑系数，01。y,,,,tt 二次指数平滑适用于有线性趋势的序列。 二次指数平滑的预测公式为: ~ 对于所有k,1 (3.13) y,a，bkT，kTT ,~~~~~~其中，a,2y,y，，T是时间序列的最末期。可见，二b,(y,y)TTTTTT,1, 次指数平滑的预测值具有以为截距，为斜率的线性趋势。 abTT (3)Holt-Winters非季节性模型(Holt-Winters-No Seasonal) ,(0,,,,,1)该模型与二次指数平滑方法类似，不过有两个平滑系数和。, ~平滑后的序列为: yt ~, 对于所有k1 (3.14) y,a，bkt，ktt 其中 a,,y，(1,,)(a，b)ttt,1t,1 (3.15) b,,(a,a)，(1,,)bttt,1t,1 其中，表示截距，表示斜率，可以看出它们都是通过平滑计算得到，需要abtt 用简单的方法给出它们的初值。 Holt-Winters非季节性模型的预测公式为: ~ 对于所有k1 (3.16) ,y,a，bkT，kTT 其中， T是时间序列的最末期。可见，该模型与二次指数平滑方法一样，适用于预 测有线性趋势的序列。 (4)Holt-Winters加法模型(Holt-Winters-Additive) Holt-Winters加法模型与Holt-Winters非季节性模型相比，主要不同是加入了加 ,(0,,,,,,,1)法模型季节因子。该模型有三个平滑系数、和。平滑之后,, ~的序列为: yt ~ 对于所有k,1(3.17) y,a，bk，St，kttt，k 其中， a,,(y,S)，(1,,)(a，b)ttt,st,1t,1 b,,(a,a)，(1,,)bttt,1t,1 (3.18) S,,(y,a)，(1,,)Stttt,s 其中，表示截距，表示斜率，表示趋势，为加法模型季节因子，saba，bkSttttt表示季节周期长度，季度数据s = 4，月度数据s = 12。需要用简单的方法给出季节 因子的第一年的初值，以及截距和斜率的初值。 Holt-Winters加法模型的预测公式为: ~, 对于所有k1 (3.19) y,a，bk，ST，kTTT，k,s 其中，使用样本数据最后一年的季节因子。可以看出，Holt-Winters加法模型ST，k,s 适用于既有线性趋势又有加法季节变化的序列。 (5)Holt-Winters乘法模型(Holt-Winters-Multiplicative) Holt-Winters乘法模型是将Holt-Winters非季节性模型中的加法模型季节因子换 ,(0,,,,,,,1)成乘法模型季节因子。该模型也有三个平滑系数、和。平,, ~滑之后的序列为: yt ~ 对于所有k1 (3.20) ,y,(a，bk)St，kttt，k 其中， yta,,，(1,,)(a，b) tt,1t,1St,s b,,(a,a)，(1,,)bttt,1t,1 ytS,,，(1,,)S (3.21) tt,sat 其中，表示截距，表示斜率，表示趋势，为乘法模型季节因子，saba，bkSttttt 表示季节周期长度，季度数据s = 4，月度数据s = 12。需要用简单的方法给出季节因子的第一年的初值，以及截距和斜率的初值。 Holt-Winters加法模型的预测公式为: ~ 对于所有k,1 (3.22) y,(a，bk)ST，kTTT，k,s 其中，使用样本数据最后一年的季节因子。可以看出，Holt-Winters乘法模型ST，k,s 适用于既有线性趋势又有乘法季节变化的序列。 以上介绍的5种指数平滑方法虽然都有各自适用的数据对象，但是它们的总体思想都是利用加权移动平均的方法对序列进行平滑，因此主要反映的都是近期数据的变化，适用于短期预测。 【实验数据】 我国流通中现金(M)月度数据，样本范围1996年1月到2007年12月(参0 见数据集/平滑技术和季节调整数据/流通中现金(M0)月度数据.xls)。数据来源为中经网统计数据库。 【实验内容】 M是指流通领域中以现金形式存在的货币，它是流动性最强的金融资产，是0 最活跃的货币，也是中央银行关注和调节的重要目标。它与一国的经济发展水平、消费物价水平以及人们的支付习惯有着密切的关系，因此表现出一定的趋势特征和波动规律。本次实验，同学们可以根据我国流通中现金(M)1996年1月到20070 年12月的数据，分别运用简单移动平均、季节调整和指数平滑来寻找发现M的趋0势特征和波动规律，最后运用指数平滑技术对M2008年1月到3月的值进行预测。 0 【实验步骤】 1. 根据数据频率和时间范围，创建Eviews工作文件(Workfile)。 2. 录入数据，并对序列进行初步分析。分别绘制M原始序列和M对数序列00的折线图，分析序列的基本趋势。 3. 运用简单移动平均对M对数序列进行平滑。分别做3期和7期简单移动平0 均。同时，利用组形式的折线图进行对数序列与3期、7期简单移动平均序列比较，体会n期简单移动平均，n越大，平滑的程度越高。 4. 对M对数序列进行季节调整。根据M对数序列的趋势特征和季节波动规00 律，选择对应的季节调整模型，得到季节因子。观察季节调整前后的序列图，分析季节调整的作用。 5. 指数平滑 (1)平滑M对数序列 0 根据M对数序列的趋势特征和波动规律，选择对应的指数平滑模型， 对M00对数序列进行指数平滑。并得到对应的指数平滑预测公式。 (2)预测M对数序列 0 利用上面选择的指数平滑模型，预测M对数序列和M原始序列2008年1月00 到3月的值。并根据预测值和预测效果图评价预测效果。 6. 综合上述实验步骤得出的结果，得出最终结论。 总结 初级经济法重点总结下载党员个人总结TXt高中句型全总结.doc高中句型全总结.doc理论力学知识点总结pdf 实验过程中的问题以及得到的经验教训，完成实验报告。 【问题思考】 1. 为什么用n期简单移动平均方法进行序列平滑，n越大，平滑的程度越高, 2. M的季节特性表明我国居民什么样的支付习惯, 0 3. 各种指数平滑模型分别适用于具有什么特征的时间序列, 4. M的增长和波动规律是什么样的,应该应用哪种指数平滑模型进行预测, 0 【实验总结】 通过本实验，加深对平滑技术和季节调整模型形式和基本原理的理解和掌握。熟练运用加法模型和乘法模型对样本序列进行季节调整。掌握运用指数平滑方法进行外推预测的基本方法。写出实验报告。