季节变动数据模式分析法及预测步骤

第一节季节变动数据模式分析法及预测步骤

一、数据模式的分析法

1、叠加法

2、乘积法

二、预测步骤

第一步：确定在不考虑季节变化因素影响下的年度预测值，也称水平/趋势预测值。

第二步：利用按季（月）度的各年历史值（3年以上）计算各季度的季节指标（季节指数、季节变差、季节比重。

第三步：运用步骤二中得到的季节指标和步骤一中得到的年度预测值，从而估算预测期各季（月）度的预测值。

第二节季节指数预测法

一、季节指数的测算方法

1、按季平均法

例：某食品公司历年肉制品按季销售资料如表所示（单位：吨）：

表8—2 按季平均法计算表

2、全年比率平均法

分两步：

二、实际预测

1、情形一：已知年度预测值，估计各季度预测值

2、情形二：已知某季度的实际值，估计其它各季预测值。

第三节季节变差预测法

一、季节变差指标的测定方法

某季的季节变差=历年同季的季节平均值－全时期季度平均值

例题：上例中（见表8-1数据），要求利用季节变差估算各季度预测值。

二、实际预测

1、情形一：已知年度预测值，预测其它各季度值。

某季的预测值=年度预测值/4+该季的季节变差

例：数据同上，预计2006年该公司肉制品销售量比上年增加3%，估计其它各季度

预测值，即2006年度预测值为：7170 ×（1+3%）=7385 （吨），预测各季度值。

2、情形二：已知某季的实际值，估计其它各季度预测值。

某季度预测值=已知季度的实际值—已知季度的季节变差+该季的季节变差

例题：上例中，2004年一季度销售量为2400吨，要求预测其它各季销售量。

第二季度的预测值=2400-441.3+(-252.9)=1705.8（吨）

第三季度的预测值=2400-441.3+(-229.1)=1729.6 （吨）

第四季节的预测值=2400-441.3+38.9=1997.6 （吨）

全年的预测值=(2400-441.3)×4=7834.8 （吨）

第四节季节比重预测法

一、季节比重指标的测定方法

一年中各季的季节比重之和为100%，平均每季季节比重为25%，

大于25%，高于平均水平，小于25%，低于平均水平。

例题：上例中的数据，要求估算各季度季节比重，计算结果见表8-4所示。

1、情形一：已知年度预测值，预测其它各季度值。

例题：已知2006年度预测值为7385吨，要求利用季节变差预测各值

一季度预测值=7385×31.3%=2311.5（吨）二季度预测值=7385×21.4%=1580.4（吨）三季度预测值=7385×21.7%=1602.5（吨）四季度预测值=7835×25.6%=1890.6（吨）

季节性时间序列分析方法

第七章季节性时间序列分析方法 由于季节性时间序列在经济生活中大量存在，故将季节时间序列从非平稳序列中抽出来，单独作为一章加以研究，具有较强的现实意义。本章共分四节：简单随机时间序列模型、乘积季节模型、季节型时间序列模型的建立、季节调整方法X-11程序。 本章的学习重点是季节模型的一般形式和建模。 §1 简单随机时序模型 在许多实际问题中，经济时间序列的变化包含很多明显的周期性规律。比如：建筑施工在冬季的月份当中将减少，旅游人数将在夏季达到高峰，等等，这种规律是由于季节性（seasonality）变化或周期性变化所引起的。对于这各时间数列我们可以说，变量同它上一年同一月（季度，周等）的值的关系可能比它同前一月的值的相关更密切。 一、季节性时间序列 1．含义：在一个序列中，若经过S个时间间隔后呈现出相似性，我们说该序列具有以S为周期的周期性特性。具有周期特性的序列就称为季节性时间序列，这里S为周期长度。 注：①在经济领域中，季节性的数据几乎无处不在，在许多场合，我们往往可以从直观的背景及物理变化规律得知季节性的周期，如季度数据（周期为4）、月度数据（周期为12）、周数据（周期为7）；②有的时间序列也可能包含长度不同的若干种周期，如客运量数据（S=12，S=7）2．处理办法： （1）建立组合模型； （1）将原序列分解成S个子序列（Buys-Ballot 1847） 对于这样每一个子序列都可以给它拟合ARIMA模型，同时认为各个序列之间是相互独立的。但是

这种做法不可取，原因有二：（1）S 个子序列事实上并不相互独立，硬性划分这样的子序列不能反映序列{}t x 的总体特征；（2）子序列的划分要求原序列的样本足够大。 启发意义：如果把每一时刻的观察值与上年同期相应的观察值相减，是否能将原序列的周期性变化消除？（或实现平稳化），在经济上，就是考查与前期相比的净增值，用数学语言来描述就是定义季节差分算子。 定义：季节差分可以表示为S t t t S t S t X X X B X W --=-=?=)1(。 二、 随机季节模型 1．含义：随机季节模型，是对季节性随机序列中不同周期的同一周期点之间的相关关系的一种拟合。 AR （1）：t t S t S t t e W B e W W =-?+=-)1(11??，可以还原为：t t S S e X B =?-)1(1?。 MA （1）：t S t S t t t e B W e e W )1(11θθ-=?-=-，可以还原为：t S t S e B X )1(1θ-=?。 2．形式：广而言之，季节型模型的ARMA 表达形式为 t S t S e B V W B U )()(= （1） 这里，?? ? ??----=----=?=qS q S S S pS P S S S t d S t B V B V B V B V B U B U B U B U X W ΛΛ2212211)(1)()(平稳。 注：（1）残差t e 的内容；（2）残差t e 的性质。 §2 乘积季节模型 一、 乘积季节模型的一般形式 由于t e 不独立，不妨设),,(~m d n ARIMA e t ，则有 t t d a B e B )()(Θ=?φ （2） 式中，t a 为白噪声；n n B B B B ???φ----=Λ22111)(；m m B B B B θθθ----=ΘΛ22111)(。 在（1）式两端同乘d B ?)(φ，可得： t S t d S t D S d S t d S a B B V e B B V X B U B W B U B )()()()()()()()(Θ=?=??=?φφφ （3） 注：（1）这里t D S S X B U ?)(表示不同周期的同一周期点上的相关关系；t d X B ?)(φ则表示同一周期内不同周期点上的相关关系。二者的结合就能同时刻划两个因素的作用，仿佛是显像管中的电子扫

市场调查与预测习题答案

市场调研预测及决策练习题答案 一、移动平均类 1．已知某厂山地自行车各年销量Y(万辆),算出一次指数平滑值如表。请计算二次指数平滑值,并用公式T b a Y t t T t +=+预测2004、2005年的销量。 (α=0.3)。 ))](1/([,2)2()1()2()1(t t t t t t S S b S S a --=-=αα 答案：

2．某商场某品牌家电产品1998-2007年销售额资料如下表所示，当平滑系数α1=0.2，α2=0.8时，试用一次指数平滑法预测该商场该商品2008年销售额为多少万元？ 答案：

3、某商店近10周的食盐销售量如下表：试分别用3周和5周为移动期使用移动平均法预测第11周的食盐销售量。 答案：

4、下表为某公司2006年出口商品月销售额， （1）列出二次移动平均法计算表。(N=3，移动平均值取1位小数) （3）预测该企业2007年1月、2月、3月销售额。 答案：

5、某电视机厂销量平稳，连续多年运用一次指数平滑法对该厂电视机销量进行了预测，对2005年的销量预测值为130万台，而当年实际销售量为150万台，请据此预测2006年该厂电视机的销售量（平滑常数α为0.3）。 答案： 6、企业近年产品销售额如下表，请用一次移动平均法确定2002年销售额预测值。（要 求n=3和n=5，并计算它们的平均绝对误差，以确定最后的预测值） 某企业近年产品销售额单位：万元 答案：

7．某洗衣机厂近年洗衣机销售量如下表，当n=4时，用二次移动平均法预测2003年销售量 表4-1 某企业近年产品销售额单位：万台 答案：

季节性时间序列分析方法

季节性时间序列分析方 法 LG GROUP system office room 【LGA16H-LGYY-LGUA8Q8-LGA162】

第七章季节性时间序列分析方法 由于季节性时间序列在经济生活中大量存在，故将季节时间序列从非平稳序列中抽出来，单独作为一章加以研究，具有较强的现实意义。本章共分四节：简单随机时间序列模型、乘积季节模型、季节型时间序列模型的建立、季节调整方法X-11程序。 本章的学习重点是季节模型的一般形式和建模。 §1 简单随机时序模型 在许多实际问题中，经济时间序列的变化包含很多明显的周期性规律。比如：建筑施工在冬季的月份当中将减少，旅游人数将在夏季达到高峰，等等，这种规律是由于季节性（seasonality）变化或周期性变化所引起的。对于这各时间数列我们可以说，变量同它上一年同一月（季度，周等）的值的关系可能比它同前一月的值的相关更密切。 一、季节性时间序列 1．含义：在一个序列中，若经过S个时间间隔后呈现出相似性，我们说该序列具有以S为周期的周期性特性。具有周期特性的序列就称为季节性时间序列，这里S为周期长度。 注：①在经济领域中，季节性的数据几乎无处不在，在许多场合，我们往往可以从直观的背景及物理变化规律得知季节性的周期，如季度数据（周期为4）、月度数据（周期为12）、周数据（周期为7）；②有的时间序列也可能包含长度不同的若干种周期，如客运量数据（S=12，S=7） 2．处理办法： （1）建立组合模型； （1）将原序列分解成S个子序列（Buys-Ballot 1847）

对于这样每一个子序列都可以给它拟合ARIMA 模型，同时认为各个序列之间是相互独立的。但是这种做法不可取，原因有二：（1）S 个子序列事实上并不相互独立，硬性划分这样的子序列不能反映序列{}t x 的总体特征；（2）子序列的划分要求原序列的样本足够大。 启发意义：如果把每一时刻的观察值与上年同期相应的观察值相减，是否能将原序列的周期性变化消除（ 或实现平稳化），在经济上，就是考查与前期相比的净增值，用数学语言来描述就是定义季节差分算子。 定义：季节差分可以表示为S t t t S t S t X X X B X W --=-=?=)1(。 二、 随机季节模型 1．含义：随机季节模型，是对季节性随机序列中不同周期的同一周期点之间的相关关系的一种拟合。 AR （1）：t t S t S t t e W B e W W =-?+=-)1(11??，可以还原为：t t S S e X B =?-)1(1?。 MA （1）：t S t S t t t e B W e e W )1(11θθ-=?-=-，可以还原为：t S t S e B X )1(1θ-=?。 2．形式：广而言之，季节型模型的ARMA 表达形式为 t S t S e B V W B U )()(= （1） 这里，?? ? ??----=----=?=qS q S S S pS P S S S t d S t B V B V B V B V B U B U B U B U X W 2212211)(1)()(平稳。 注：（1）残差t e 的内容；（2）残差t e 的性质。 §2 乘积季节模型 一、 乘积季节模型的一般形式 由于t e 不独立，不妨设),,(~m d n ARIMA e t ，则有

季节性时间序列分析方法

季节性时间序列分析方法 在经济领域中得到的观测数据一般都具有较强的随时间变化的趋势，如果是季度或月度数据又有明显的季节变化规律。因此研究经济时间序列必须考虑其趋势性和季节性的特点，既要考虑趋势变动，又要考虑季节变动，建立季节模型。 第一节 简单的时间序列模型 一、 季节时间序列 序列是季度数据或月度数据（周，日）表现为周期的波动。 二、随机季节模型 例1 假定t x 是一个时间序列，通过一次季节差分后得到的平稳序列，且遵从一阶自回归季节模型,即有 t s s t t t x B x x w )1(-=-=- 1t t s t w w 或 1(1 )s t t B w 将t w =t s x )B (-1代入则有 1(1)(1)s s t t B B x SARIMA(1,1,0) 更一般的情况，随机序列模型的表达式为 11(1 )(1)(1)s s S t t B B x B SARIMA(1,1,1) 第二节 乘积模型 值得注意的是t a 不一定是白噪声序列。因为我们仅仅消除了不同周期相同周期点之间具有的相关部分，相同周期而不同周期点之间的也有一定的相关性。所以，在此情况下，模型有一定的拟合不足，如果假设t 是),(q p ARMA 模型，则1(1)(1)s s t t B B x 式可以改为 1()(1)(1)()s s t t B B B x B 如果序列}{t x 遵从的模型为 ()() ()()s d D s s t t B U B x B V B （3.26） 其中ks k s s s B B B B U ΓΓΓ----= 2211)(

ms m s s s B B B B V H H H ----= 2211)( p p B B B φφΦ---= 11)( q q B B B θθΘ---= 11)( d d B )1(-=? D s D s B )1(-=? 则称（3.26）为乘积季节模型，记为),,(),,(q d p m D k ARIMA ?。如果将模型的AR 因子合MA 因子分别展开，可以得到类似ARMA ),(q ms p ks ++的模型，不同的是模型的系数在某些阶为零，故),,(),,(q d p m D k ARIMA ?称为疏系数模型。 关于差分阶数和季节差分阶数的选择，是试探性的。可以通过考察样本的自相关函数来确定。一般情况下，如果自相关函数缓慢下降同时在滞后期为周期s 的整倍数时出现峰值，通常说明序列同时有趋势变动和季节变动，应该做差分和季节差分。如果差分后的序列所呈现的自相关函数有较好的截尾或拖尾性，则差分阶数是适宜的。 对于乘积季节模型的阶数识别，基本上可以采用Box-Jenkins 的方法，考察序列的样本自相关函数和偏自相关函数。如果样本的自相关函数和偏自相关函数表现为既不拖尾又不截尾，在滞后期为周期s 的整倍数时出现峰值，则建立乘积季节模型是适应的，同时SAR 算子)(s B U 和SMA 算子)(s B V 的阶数也可以通过自相关函数和偏自相关函数的表现得

第 章 预测分析练习题

第四章预测分析 一、单项选择题 1．对于制造行业的企业来说，经营预测的对象包括对产品销售市场、产品生产成本、利润以及（）等方面的预测。 A资金需要量 B流动资金需要量 C固定资金需要量 D材料需要量 2．经营预测（）特点要求经营预测结果的表述必须清晰，不能模凌两可、似是而非、含糊不清。 A预见性 B可检验性 C明确性 D客观性 3．在进行销售预测时应考虑外部因素和内部因素，外部因素不包括（）。 A信用政策 B市场需求变化 C经济发展趋势 D企业的市场占有率 4．（）是根据市场预测的目的和要求，由预测组织者向有关专家提供与市场预测有关的资料，并收集汇总专家对未来市场所做的判断预测值的方法。 A 德尔菲法 B 专家个人意见集合法 C专家会议法 D判断分析法 5．（）是邀请或召集有关专家，通过在会议上专家发表的意见，并将专家的意见加以综合，对某种市场现象的未来情况做出预测的方法。 A 判断分析法 B专家意见调查法 C德尔菲法 D专家会议法 6．采用函询调查的方法向有关专家征询意见，然后将专家意见进行综合、整理后，通过匿名方式反馈给各位专家，再次征询意见，如此反复综合、反馈，直至得出基本一致的意见为止的预测方法是（）。 A 德尔菲法 B 专家个人意见集合法 C专家会议法 D调查分析法 7．下列各项中，不属于定量分析法的是（）。 A调查分析法 B算术平均法 C回归分析法 D购买力指数法 8．（）是根据市场现象的历史资料，运用科学的数学方法建立预测模型，使市场现象的数量向未来延伸，预测市场现象未来的发展变化趋势，预计或估计市场现象未来表现的数量。 A因果预测法 B 趋势预测法（时间序列分析法）C定性预测法D定量预测法 9．下列各项中，属于因果预测分析法的是（）。 A趋势平均法 B移动平均法 C指数曲线法 D 指数平滑法 10．下列各种销售预测方法中，属于没有考虑远近期销售业务量对未来销售状况会产生不同影响的方法是（）。 A移动平均法 B算术平均法 C加权平均法 D季节预测分析法 11．（）是指在对时间序列进行分析研究的基础上，计算时间序列观察值的某种平均数，并以此平均数为基础确定预测模型或预测值的经营预测方法。 A回归分析法B移动平均法 C指数平滑法 D修正的时间序列分析法 12．按照各个观察值与预测值不同的相关程度分别规定适当的权数，是运用（）进行预测销售的关键。 A算术平均法 B对数直线法 C回归直线法 D加权平均法 13．在采用平滑指数法进行近期销售预测时,应选择（）。 A固定的平滑指数 B较小的平滑指数 C较大的平滑指数 D任意数值的平滑指数14．某企业利用0.4的平滑指数进行销售预测，已知去年的实际销量为100吨，预计销量比实际多10吨；今年实际销量比预测销量少6吨，则该企业明年预测销量应为（）。

铁路客运量预测方法

一、意义 1、设计铁路能力的依据。客运量是选定铁路主要技术标准的依据，而主要技术标准又决定着运输装备的能力，它不应小于调查或预测的客运量，以满足国家要求的运输任务； 2、是评价铁路经济效益的基础。客运量决定铁路的运营收入、运输成本等经济效益指标。客运量大，则收入多、成本低； 3、是影响线路方案取舍的重要因素。铁路选线中，出现大量的线路方案比较。若运量大，则投资大的方案中选，运营支出小。 总之，若调查或预测的客运量偏大，则铁路标准偏高，技术装备能力也偏高，因而投资较大。但运营后发现实际运量偏小，则会造成铁路能力闲置，投资浪费，由于运营收入少，铁路的经济效益必然降低；若调查或预测的客运量偏小，虽初期投资省，但运营后能力很快就会饱和，从而过早的引起铁路改扩建，追加投资增大，也不经济。 二、影响客运量的因素 直通吸引范围：等距离原则划定（“哪边近走哪边”），上下行分别勾画； 地方吸引范围：运价最低（运距最低）原则确定（“哪边花钱少走哪边”）。 随着社会经济的不断发展，客运量也在不断增加，因此，只有把握住影响客运量增长的因素，才能更好地预测出客运量的大小。影响因素主要有： 1、国家的政治、经济形势，国民经济的增长速度与发展战略，运价政策和旅客对运费的承受能力，这些因素，在预测远期运量时需加以考虑； 2、设计线在路网中的地位和作用，以及邻接铁路的布局和能力，都将影响直通客运量； 3、设计线沿线的资源情况，工矿、电力等大型企业的发展规划，农林牧副渔和乡镇企业的发展情况，以及城乡人口、人均收入的增长情况，也将影响地方客运量； 4、设计线沿线的公路、水运等交通状况和发展规划，将影响设计线分担客运量的比重； 5、突发事件的影响：疾病、自然灾害等。 三、客运量预测方法 定性预测方法是主要以预测人员的经验判断为依据而进行的预测。预测者根据自己掌握的实际情况、实践经验、专业水平，对未来货运发展前景的性质、方向和程度做出判断。其特点为:需要的数据少，能考虑无法定量的因素，比较简便可行。 定性预测方法：经济调查法（直接估算法：根据规划线吸引范围内的经济、人口、人均收入等情况，比照邻接铁路每天开行的旅客列车对数，直接估计规划线运营初期每天需要开行的列车对数，远期可按每隔若干年增加一对估算）、德尔菲法（专家调查法）、类推法（时间类推和局部类推）、头脑风暴法等。但这种方法往往在很大程度上取决于参加预测的人员的经验、专业理论水平以及所掌握的实际情况，因此存在片面性，准确性不高的缺点。 定量预测方法则是以历史统计资料和有关信息为依据，运用各种数学方法来预测未来客运市场需求情况，即未来的运量。定量预测方法最大的优点就是客观性，这类方法的预测精度和可靠性在很大程度上取决于数据的准确性和预测方法的科学性。 定量预测方法：时间序列法（移动平均法、指数平滑法、季节指数法、自回归分析、趋势外推法、灰色预测法）、影响因素分析法（回归分析法、系数法：乘车系数和产值系数）、四阶段法（交通生成、交通分布、交通方式划分、交通流分配）。 时间序列分析预测法是一种依据客运量的历史变化趋势，找出其随时间变化的规律，并通过数学模型来表示，然后根据模型来进行预测的方法。这种方法的主要优点是需要数据少、简便，只要所研究的运量时间序列的趋势没有大的波动，预测效果较好。这类方法的缺点是无法反映出运量变化的原因，对于影响运量变化的外部因素变化，如调整经济政策和发展速度而引起的运输需求的变动无法反映。 影响总运输需求的主要因素有很多，但具体的预测目标类型、范围是不同的，必须细致地分析其最

时间序列季节性分析spss

表1 为某公司连续144个月的月度销售量记录，变量为sales。试用专家模型、ARIMA模型和季节性分解模型分析此数据。

选定样本期间为1978年9月至1990年5月。按时间顺序分别设为1至141。 一、画出趋势图，粗略判断一下数据的变动特点。 具体操作为：依次单击菜单“Analyz e→Forecasting→Sequence Chart”，打开“Sequence Chart”对话框，在打开的对话框中将sales选入“Variables”列表框，时间变量date 选入“Time Axis Labels”，单击“OK”按钮，则生成如图2 所示的sales序列。 图1 “Sequence Chart”对话框

从趋势图可以明显看出，时间序列的特点为：呈线性趋势、有季节性变动，但季节波动随着趋势增加而加大。 二、模型的估计 （一）、季节性分解模型 根据时间序列特点，我们选择带线性趋势的季节性乘法模型作为预测模型。 1、定义日期 具体操作为：依次单击菜单“Data→Define Date”，打开“Define Date”对话框，在“Cases Are”列表框选择“Years，months”的日期格式，在对话框的右侧定义数据的起始年份、月份。定义完毕后，单击“OK”按钮，在数据集中生成日期变量。 图3 “Define Date”对话框 2、季节分解 具体操作为：“Analyze→Forecasting→Seasonal Decomposition”打开“Seasonal Decomposition”对话框，将待分析的序列变量名选入“Variable”列表框。在“Model Type”选择组中选择“Multiplicative”模型；在“Moving Average Weight”选择组

具有季节性特点的时间序列的预测

3.2 具有季节性特点的时间序列的预测 这里提到的季节，可以是自然季节，也可以是某种产品的销售季节等。显然，在现实的经济活动中，表现为季节性的时间序列是非常多的。比如，空调、取暖设备、季节性服装的生产与销售所产生的数据等。对于季节性时间序列的预测，要从数学上完全拟合其变化曲线是非常困难的。但预测的目的是为了找到时间序列的变化趋势，尽可能地做到精确。从这个意义上来讲，可以有多种方法，下面介绍其中一种，即所谓季节系数法。季节系数法的具体计算步骤如下： 1．收集m 年的每年各季度或者各月份（每年n 个季度）的时间序列样本数据ij x 。 2．计算每年所有的季度或所有月份的算术平均值x ，即： mn k x k x m i n j ij ==∑∑==, 111 3．计算同季度或同月份数据的算术平均值n j x x m i ij j ,,2,1,1 . == ∑= 4．计算季节系数或月份系数x x j j /.=β。其中n j ,,2,1 =为季度或者月份的序号。 5．预测计算。当时间序列是按季度列出时，先求出预测年份（下一年）的年加权平均： m m m m w w w y w y w y w y ++++= +2122111 式中，∑== n j ij i x y 1 为i 年份的年合计数：i w 为i 年份权数，按自然数列取值。再计算预 测年份的季度平均值4:111+++=m m m y y y 。最后，预测年份第i 季度的预测值为： i m i m y y β?=++1,1 季节系数法的Matlab 程序如下。 funjie.m %简单季节系数法，文件名funjie.m function JiJie=funjie(x) %输入m 年，每年n 个季节的历史数据 [m,n]=size(x); BarX=mean(mean(x)) %计算所有数据的算术平均值 BarXj=mean(x) %计算同季节的算术平均值 Betaj=BarXj./BarX %计算季节系数 y1=[1:m]; y=y1*sum(x,2)/sum(y1) %计算预测下一年的年加权平均值 y2=y/n %计算预测年份的季节平均值 y3=y2*Betaj %预测年份的季节预测值 end 【例3-11】某商店某类商品1999-2003年各季度的销售额如表3-6所示。试预测2004

时间序列季节调整方法在气象要素预测中的应用分析

《现代农业科技》2009年第23期 时间序列预测法是一种重要的预测方法，其预测模型比较简单，对资料的要求比较单一，只需变量本身的历史数据，因此在实际中有广泛的适用性。气象要素时间序列常呈现出一定的季节性波动，有的以年度为周期，有的以季度、月、日为周期，通常称这类序列为季节性序列。时间序列如果有季节性，则趋势有时很难判断，从而影响对未来的精确预测。 1季节调整方法 气象要素是随时间变化的，对它的观测形成一组有序 数据，称这种数据为时间序列。对时间序列处理的方法大体有2种：一种是从“时域”角度进行分析，称为时间序列分析或时序分析；另一种是从“频域”角度进行分析，称为频谱分析或谱分析。一个时间序列可以包括上面4个部分中的全部或者几个部分。 在实际应用中，一般使用以下2类模型：一是加法模型：Y=T+C+S+e ；二是乘法模型：Y=T ×C ×S ×e 。文中采用乘法型季节模型：Y 1=f （t ）×F j ，其中，f （t ）是序列长期变动趋势项；F j 是季节因子，它表示季节性变动幅度的大小，j =1，2，……k ，如月度为周期则k =12，季度为周期则k =4。 季节调整的主要步骤如下：第一步，估计趋势项T ，然后得到季节项和误差项的乘积S ·e=Y /T ；第二步，去掉残差项，估计季节项S ，把与不同季节对应的数字称为季节因子，对季节因子进行规范化；第三步，从原始数据中去掉季节项 Y /S ，得到没有季节项的新的时间序列。对新时间序列进行 趋势估计，建立合理的趋势模型，根据趋势模型预测趋势，然后让趋势乘以季节指数，得到未来的预测[1，2]。 2实际应用分析 首先用季节调整方法对临汾市1962~2006年逐月气 温、降水资料进行趋势分析，利用得到的趋势方程对2007年数值进行预测。为了检验该方法的准确性，用线性回归方法对气温和降水资料进行预测，将2种方法进行比较。气温、降水的趋势采用一次线性方程表示，即：y =a 0+a 1t 。式中，y 为平均地温（最大冻土深度）；t 为时间；a 1为线性趋势项。由于温度、降水存在月差异，在用线性回归方法进行趋势分析时，对12个月的数据分别进行趋势分析，利用得到的12个线性方程对2007年的月数据进行了预测；季节调整步骤如前所述。 得到的误差结果如表1所示。在气温预测方面，2种方法的最大误差均出现在冬季12月~翌年2月，季节调整方 法的误差是线性回归方法的2倍；春、夏、秋季，季节调整方法的误差小于线性回归方法，其中季节调整方法的最大误差出现在11月（23%），线性回归方法的最大误差出现在3月（73%），4~10月2种方法都保持在较小的误差，最大误差均为10%。降水预测方面，降水的不确定性使得2种方法对降水的预测都存在很大的误差；1月由于无降水，所以未进行误差分析；2种方法的最大误差出现的时间与气温不同，均出现在4月、5月、11月，季节调整的误差较大，而其余月份线性回归方法的误差较大。 笔者对临汾地区16个县1976~2006年逐月气温进行季节调整后，再进行预测发现，地域也表现出不同的误差特征，虽然最大误差都出现在冬季，但有个别冬季月份误差在 10%以下；其中古县、浮山、霍州除冬季外，各月也保持较大的误差，基本在20%以上，其余县除冬季外，各月误差均保持在20%以下，但时间段又有不同，侯马、曲沃、洪洞除冬季外各月误差均保持在20%以下；永和、隰县、翼城只有4~10月误差保持在20%以下；其余县只有4~9月误差保持在20%以下。3结语 季节调整方法的不足在于有序列长度变短造成的数据损失及滑动阶数确定的主观人为性，其精度不仅与方法本身有关系，也与数据的性质有关[3，4]。因此，在实际应用中要结合专业知识，并从使用目的和具体情况来考虑是否选用该方法。 4参考文献 [1]黄嘉佑.气象统计分析与预报方法[M].北京：气象出版社，2004.[2]潘红宇.时间序列分析[M].北京：对外经济贸易大学出版社，2006.[3]孙春薇，王旭磊，辛永训，等.几种关于时间序列季节调整方法的研 究[J].青岛农业大学学报（自然科学版），2007，24（2）：149-153. [4]范维，张磊，石刚.季节调整方法综述比较[J].统计研究，2006（2）：70-73. 时间序列季节调整方法在气象要素预测中的应用分析 张建玲1 林苗苗2刘建华3 申国华4 （1山西省隰县气象局，山西隰县041300； 2 河南省南阳市气象局；3 山西省临汾市气象局；4 山西省翼城县气象局） 摘要采用时间序列方法，对临汾市气象要素时间序列进行了季节调整，结果表明该方法不仅对要素表现出不同的特征，对地域也有区别；通过与线性回归比较，发现该方法也能达到较好的精度，但在实际应用中要结合专业知识，根据使用目的与具体情况考虑是否使用。 关键词气象要素；时间序列；季节调整方法；应用中图分类号O211.61；P42文献标识码A 文章编号1007-5739（2009）23-0376-01 收稿日期 2009-10-22 农业基础科学表1 气温、降水预测值与实测值的误差对比 月份 气温误差 降水误差 线性回归季节调整 线性回归季节调整 1 105.1315.8--244.275.70.4 5.7372.912.962.062.94 2.0 4.0287.6416.0510.210.4123.2123.16 1.60.270.132.87 4.4 4.422.213.28 3.0 1.273.870.99 5.8 2.919.8 1.510 4.1 2.650.238.31114.423.01622.72355.71293.7182.312.08.4 （%） 注：“-”表示未做比较。 376

销售额预测分析报告

销售额预测分析报告 一、模型选择 预测是重要的统计技术，对于领导层进行科学决策具有不可替代的支撑作用。 常用的预测方法包括定性预测法、传统时间序列预测（如移动平均预测、指数平滑预测）、现代时间序列预测（如ARIMA模型）、灰色预测（GM）、线性回归预测、非线性曲线预测、马尔可夫预测等方法。 综合考量方法简捷性、科学性原则，我选择ARIMA模型预测、GM(1,1)模型预测两种方法进行预测，并将结果相互比对，权衡取舍，从而选择最佳的预测结果。 二ARIMA模型预测 （一）预测软件选择----R软件 ARIMA模型预测，可实现的软件较多，如SPSS、SAS、Eviews、R等。使用R软件建模预测的优点是：第一，R是世最强大、最有前景的软件，已经成为美国的主流。第二，R是免费软件。而SPSS、SAS、Eviews正版软件极为昂贵，盗版存在侵权问题，可以引起法律纠纷。第三、R软件可以将程序保存为一个程序文件，略加修改便可用于其它数据的建模预测，便于方法的推广。 （二）指标和数据 指标是销售量(x)，样本区间是1964-2013年，保存文本文件data.txt中。 （三）预测的具体步骤 1、准备工作 （1）下载安装R软件 目前最新版本是R3.1.2，发布日期是2014-10-31，下载地址是https://www.wendangku.net/doc/c710432568.html,/。我使用的是R3.1.1。 （2）把数据文件data.txt文件复制“我的文档”①。 （3）把data.txt文件读入R软件，并起个名字。具体操作是：打开R软件，输入（输入每一行后，回车）： data=read.table("data.txt",header=T) data #查看数据② 回车表示执行。完成上面操作后，R窗口会显示： （4）把销售额（x）转化为时间序列格式 x=ts(x,start=1964) ①我的文档是默认的工作目录，也可以修改自定义工作目录。 ②#后的提示语句是给自己看的，并不影响R运行

季节指数水平法分析

解题步骤分析： （1）作原始数据的散点图 data cj; input x@@; t=intnx('month','01jan2000'd,_n_-1);format t yyq12.; cards; 2080 2032 1598 2394 1880 2240 2440 2760 2264 2160 2500 2420 2180 2222 2340 2840 2500 2580 2420 2620 2700 2500 2340 2760 2376 2040 1840 2516 2440 2800 2296 2834.8 2800 2242.6 2803 2620 2420 1856 1754.8 2178 1580 2194 2416 2643.6 2882.8 1975.4 2644.8 2380 2004 1569.6 2458 2156 2408 2118 2895.9 2652 2578 2126 2798 2550.8 2920 1880 1988.3 2857.69 1454.8 2642 2395.5 2931.5 2216 2465.5 2564 2031.5 ; proc gplot;plot x*t=1;symbol1i=joint v=dot; run; 得到如下图形： （2）分析图形变动的特点，判断应该采用什么方法进行分析： 由上述散点图可以看出，该药品的用量在不同的月份其用量的波动很明显，出

现明显的旺、淡之分，但是没有明显的长期趋势，是非平稳的时间序列且应该利用季节变动分析方法中的季节指数水平法进行分析。 （3）分别计算月份均数、月份指数： data cj; input a b c d e f g h i j k l@@; m=(a+b+c+d+e+f+g+h+i+j+k+l)/12; a1=a/m;b1=b/m;c1=c/m;d1=d/m;e1=e/m;f1=f/m; g1=g/m;h1=h/m;i1=i/m;j1=j/m;k1=k/m;l1=l/m; cards; 2080 2032 1598 2394 1880 2240 2440 2760 2264 2160 2500 2420 2180 2222 2340 2840 2500 2580 2420 2620 2700 2500 2340 2760 2376 2040 1840 2516 2440 2800 2296 2834.8 2800 2242.6 2803 2620 2420 1856 1754.8 2178 1580 2194 2416 2643.6 2882.8 1975.4 2644.8 2380 2004 1569.6 2458 2156 2408 2118 2895.9 2652 2578 2126 2798 2550.8 proc means;proc print; run; 得到的结果如下： 其中各月份的指数相加正好等于12，故不需要再调整。 （4）计算预测趋势值，一般采用最近年份的平均值=(2004 1569.6 2458 2156 2408 2118 2895.9 2652 2578 2126 2798 2550.8）/12=2362.23 data cj; input a@@; cards;

时间序列季节性分析spss教学资料

时间序列季节性分析 s p s s

表1 为某公司连续144个月的月度销售量记录，变量为sales。试用专家模型、ARIMA模型和季节性分解模型分析此数据。

01/01/1982 183 01/01/1986 318 01/01/1990 472 02/01/1982 218 02/01/1986 374 02/01/1990 535 03/01/1982 230 03/01/1986 413 03/01/1990 622 04/01/1982 242 04/01/1986 405 04/01/1990 606 05/01/1982 209 05/01/1986 355 05/01/1990 508 06/01/1982 191 06/01/1986 306 06/01/1990 461 07/01/1982 172 07/01/1986 271 07/01/1990 390 08/01/1982 194 08/01/1986 306 08/01/1990 432 选定样本期间为1978年9月至1990年5月。按时间顺序分别设为1至141。 一、画出趋势图，粗略判断一下数据的变动特点。 具体操作为：依次单击菜单“Analyz e→Forecasting→Sequence Chart”，打开“Sequence Chart”对话框，在打开的对话框中将sales选入“Variables”列表框，时间变量date 选入“Time Axis Labels”，单击“OK”按钮，则生成如图2 所示的sales序列。 图1 “Sequence Chart”对话框

季节性时间序列分析方法

第七章季节性时刻序列分析方法 由于季节性时刻序列在经济生活中大量存在，故将季节时刻序列从非平稳序列中抽出来，单独作为一章加以研究，具有较强的现实意义。本章共分四节：简单随机时刻序列模型、乘积季节模型、季节型时刻序列模型的建立、季节调整方法X-11程序。 本章的学习重点是季节模型的一般形式和建模。 §1 简单随机时序模型 在许多实际问题中，经济时刻序列的变化包含专门多明显的周期性规律。比如：建筑施工在冬季的月份当中将减少，旅游人数将在夏季达到高峰，等等，这种规律是由于季节性（seasonality）变化或周期性变化所引起的。关于这各时刻数列我们能够讲，变量同它上一年同一月（季度，周等）的值的关系可能比它同前一月的值的相关更紧密。 一、季节性时刻序列 1．含义：在一个序列中，若通过S个时刻间隔后呈现出相似性，我们讲该序列具有以S为周期的周期性特性。具有周期特性的序列就称为季节性时刻序列，那个地点S为周期长度。 注：①在经济领域中，季节性的数据几乎无处不在，在许多场合，我们往往能够从直观的背景及物理变化规律得知季节性的周期，如季度数据（周期为4）、月度数据（周期为12）、周数据（周期为7）；②有的时刻序

列也可能包含长度不同的若干种周期，如客运量数据（S=12，S=7）2．处理方法： （1）建立组合模型； （1）将原序列分解成S个子序列（Buys-Ballot 1847） 关于如此每一个子序列都能够给它拟合ARIMA模型，同时认为各个序列之间是相互独立的。然而这种做法不可取，缘故有二：（1）S个子序列事实上并不相互独立，硬性划分如此的子序列不能反映序列{} x的总体特 t 征；（2）子序列的划分要求原序列的样本足够大。 启发意义：假如把每一时刻的观看值与上年同期相应的观看值相减，是否能将原序列的周期性变化消除？（或实现平稳化），在经济上，确实是

第3章 回归预测方法

第3章回归预测方法 思考与练习（参考答案） 1.简要论述相关分析与回归分析的区别与联系。 答：相关分析与回归分析的主要区别： （1）相关分析的任务是确定两个变量之间相关的方向和密切程度。回归分析的任务是寻找因变量对自变量依赖关系的数学表达式。 （2）相关分析中，两个变量要求都是随机变量，并且不必区分自变量和因变量；而回归分析中自变量是普通变量，因变量是随机变量，并且必须明确哪个是因变量，哪些是自变量； （3）相关分析中两变量是对等的，改变两者的地位，并不影响相关系数的数值，只有一个相关系数。而在回归分析中，改变两个变量的位置会得到两个不同的回归方程。 联系为： （1）相关分析是回归分析的基础和前提。只有在相关分析确定了变量之间存在一定相关关系的基础上建立的回归方程才有意义。 （2）回归分析是相关分析的继续和深化。只有建立了回归方程才能表明变量之间的依赖关系，并进一步进行预测。 2.某行业8个企业的产品销售额和销售利润资料如下： 根据上述统计数据: （1）计算产品销售额与利润额的相关系数； r ，说明销售额与利润额高度相关。 解：应用Excel软件数据分析功能求得相关系数0.9934

（2）建立以销售利润为因变量的一元线性回归模型，并对回归模型进行显著性检验（取α＝）； 解：应用Excel 软件数据分析功能求得回归方程的参数为： 7.273,0.074a b =-= 据此，建立的线性回归方程为 ?7.2730.074Y x =-+ ① 模型拟合优度的检验 由于相关系数0.9934r =，所以模型的拟合度高。 ② 回归方程的显著性检验 应用Excel 软件数据分析功能得0.05 ?=450.167(1,6) 5.99F F >=,说明在α=水平下回归效果显著. ③ 回归系数的显著性检验 0.025?=21.22(6) 2.447t t >=,说明在α=水平下回归效果显著. 实际上，一元线性回归模型由于自变量只有一个，因此回归方程的显著性检验与回归系数b 的显著性检验是等价的。 （3）若企业产品销售额为500万元，试预测其销售利润。 根据建立的线性回归方程 ?7.2730.074Y x =-+，当销售额500x =时，销售利润?29.73Y =万元。 3.某公司下属企业的设备能力和劳动生产率的统计资料如下： 该公司现计划新建一家企业，设备能力为千瓦/人，试预测其劳动生产率，并求出其95%的置信区间。

有关GDP时间序列季节调整的一些说明

为反映GDP等经济指标的基本趋势，国际上通常的做法是对季度或月度相关原始数据进行季节调整。什么是GDP时间序列季节调整？所谓季节调整，就是一个从时间序列中估计和剔除季节影响的过程，目的是更好地揭示季度或月度序列的特征或基本趋势。 季节调整有什么作用呢？一个季度或月度的时间序列往往会受到年内季节变动的影响，这种季节变动是由气候条件、生产周期、假期和销售等季节因素造成的。由于这些因素造成的影响有时大得足以遮盖时间序列短期的基本变动趋势，若要掌握经济运行的季度或月度变化，必须进行季节调整。 为什么要季节调整？以月份或季度作为时间观测单位的经济时间序列通常具有一年一度的周期性变化，这种周期变化是由于季节因素（气候、社会制度和风俗习惯等）的影响造成的，在经济分析中称为季节性波动。月度和季度的经济时间序列的季节性波动是非常显著的，它往往遮盖或混淆经济发展中其他客观变化规律，以致给经济增长速度和宏观经济形势的分析造成困难和麻烦。因为季节因素的存在，同一年中不同月份或季度的数据往往不具有可比性，我国传统上的做法通常是用同比来反映经济的增长变化，但它不能及时反映当前经济变化的走势。因此，在使用月度或季度数据进行经济分析之前，需要对数据进行“季节调整”，季节调整后的数据消除了季节性的影响，使得不同月份或季度之间的数据具有可比性，可以更及时的反映经济的“拐点”变化。 除了季节因素外，一个时间序列通常还受多种因素影响，一般地，可以把所有这些因素分解为趋势因素（T）、循环因素（C）、季节因素（S）和不规则因素（I）。其中，趋势因素反映了经济现象的长期演变方向，是上升、持平还是下降；循环因素（周期因素）反映了时间序列持续性的周期波动，侧重时间序列是处于周期的上升阶段、下降阶段还是转折阶段，实际工作中趋势与循环因素往往放在一起分析不进行区分；季节因素反映时间序列在不同年份的相同季节（同一季度，同一月份）所呈现出的周期性变化；不规则因素反映的是前三个因素无法解释的误差或随机因素产生的变化，它包括经济活动参与者的不稳定决策、数据程序或样本的错误以及非正常的事件，如罢工、自然灾害等对经济活动的影响。季节调整后的时间序列就是趋势、循环和不规则因素的合成。 季节调整后的数据可以作年率化的测算。以季度数据为例，由于调整后的数据剔除了季节性等不可比因素，可以认为任何一个季度的数据与一年中所有其他季度的数据都是同质的，因此把调整后的绝对数乘4就可看成是相应的年度数据，把调整后数据比上一季度的增长速度4次幂则可看成是相应的年度增长率，这也就是通常所谓的“年率化的增长速度”，这使得以当期的短期经济指标观察全年的情况成为可能。 根据时间序列（Y）的四个构成要素的关系，对时间序列作季节调整的分解模型主要有两种形式：加法模型和乘法模型。 加法模型的表达式是：Y=T+C+S+I。它的特点是，原始序列由四个要素相加构成，各要素都用绝对量表示，与原始序列的计量单位相同，直观性比较好；缺点是不同的经济变量之间缺乏可比性。加法模型适用于T、S、C相互独立的情形。

管理会计经营预测分析习题(1)

经营预测分析 一、单项选择题 1.下列不属于预测分析的特点的是（） A.相对性 B.明确性 C.不可检验性 D.灵活性 2.预测分析方法正确的是（） A.定性分析法 B.趋势外推分析法 C.因果预测分析法 D.以上都正确 3.已知企业上年利润为20 000元，下一年的经营杠杆系数为2.8，预计销售量变动率为 10%，则下年利润预测额为（） A.25 600元 B.24 000元 C.22 000元 D.56 000元 4.下列说法错误的是（） A.经营杠杆系数=100×销量的利润灵敏度 B.未来利润变动率=产销量变动率×经营杠杆系数 C.资金销售量的预测不可以用销售百分比法 D.利润灵敏度指标简称灵敏度 5.下列说法中正确的是（） A.经营杠杆系数越大，经营风险越大 B.安全边际越大，经营风险越大 C.保本开工率越小，经营风险越大 D .固定成本越小，经营风险越大 6.经营杠杆系数等于1 ，说明（） A.固定成本等于0 B.固定成本大于0 C.固定成本小于0 D.与固定成本无关 7.下面适用于销售业务略有波动的产品的预测方法是（） A.加权平均法 B.移动平均法 C.趋势平均法 D.平滑指数法 8.预测方法分为两大类，是指定量分析法和（） A.平均法 B.定性分析法 C.回归分析法 D.指数平滑法 9.已知上年利润为100000元，下一年的经营杠杆系数为1.4，销售量变动率为15%，则 下一年的利润预测额为（） A.140000元 B.150000元 C.121000元 D.125000元 10.假设平滑指数=0.6,9月份实际销售量为600千克，原来预测9月份销售量为630千克， 则预测10月份的销售量为（） A.618千克 B.600千克 C.612千克 D.630千克 11.企业根据现有的经济条件和掌握的历史资料以及客观事物的内在联系，对生产经营活动 的未来发展趋势和状况进行的预计和测算的过程，就是管理会计的（） A.经营决策 B.经营预测 C.生产决策 D.生产预测 12.下列各项中，属于因果预测分析法的是（） A.趋势平均法 B.移动平均法 C.指标建立法 D.平滑指数法