多媒体课件-商业统计-第十五周精要.ppt

  1. 1、本文档共60页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
多媒体课件-商业统计-第十五周精要

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * Holt指数平滑预测模型 (例题分析) 【例11-4】沿用例11—1。用Holt指数平滑模型预测2012年的啤酒产量,并将实际值和预测值绘制成图形进行比较,同时将预测的残差与一元线性回归预测的残差绘成图形进行比较 * Holt指数平滑预测 (例题分析) 11.3.2 非线性趋势预测 11.3 趋势预测 * 时间序列以几何级数递增或递减 一般形式为 指数曲线 (exponential curve) b0,b1为待定系数 exp表示自然对数ln的反函 e= 2.71828182845904 可线性化后使用最小二乘法 * 指数曲线 (例题分析) 【例11-5】沿用例11—1。用指数曲线预测2012年的人均GDP,并将实际值和预测值绘制成图形进行比较 指数曲线预测 * 指数曲线 (例题分析—SPSS) * 有些现象的变化形态比较复杂,它们不是按照某种固定的形态变化,而是有升有降,在变化过程中可能有几个拐点。这时就需要拟合多项式函数 当只有一个拐点时,可以拟合二阶曲线,即抛物线;当有两个拐点时,需要拟合三阶曲线;当有k-1个拐点时,需要拟合k阶曲线 k阶曲线函数的一般形式为 可线性化后,根据最小二乘法求 使用SPSS中的【Analyze】?【Regression – Curve Estimation】?【Models】?【Cubic】得到 多阶曲线 * 多阶曲线 (例题分析) 【例11-6】沿用例11—1。分别拟合二阶曲线和三阶曲线预测2012年的煤炭占能源消费总量比重,并将实际值和预测值绘制成图形进行比较,同时将预测二阶曲线的预测残差与三阶曲线的预测残差绘成图形进行比较 多阶趋势预测 * 多阶曲线 (例题分析) 11.4 多成分序列的预测 11.4.1 Winters指数平滑预测 11.4.3 分解预测 第 11 章 时间序列预测 * 多成分序列的预测 序列包含多种成分 预测方法主要有 Winters指数平滑预测模型(Winters’ model) 分解(decomposition)预测等 分解预测是先将时间序列的各个成分依次分解出来,尔后再进行预测 11.4.1 Winters指数平滑预测 11.4 多成分序列的预测 * 简单指数平滑模型适合于对平稳序列(没有趋势和季节成分)的预测;Holt指数平滑模型适合于含有趋势成分但不含季节成分序列的预测 如果时间序列中既含有趋势成分又含有季节成分,则可以使用Winter指数平滑模型进行预测 要求数据是按季度或月份收集的,而且至少需要4年(4个季节周期长度)以上的数据 Winter指数平滑模型包含三个平滑参数即?、?和 ?(取值均在0和1之间)和以下四个方程 Winter指数平滑预测模型 (Winter’s model) * Winter模型的四个方程 Winter指数平滑预测模型 (Winter’s model) 平滑值 趋势项更新 季节项更新 K期预测值 * Winter模型四个方程的含义 Winter指数平滑预测模型 (Winter’s model) 平滑值 趋势项更新 季节项更新 K期预测值 * winter指数平滑预测模型 (例题分析) 【例11-7】下表是一家饮料生产企业2008—2013年各季度的销售量数据。采用Winter模型预测2014年的销售量,并将实际值和预测值绘制成图形进行比较 * Winter指数平滑预测 (例题分析) Winter预测 * Winter指数平滑预测 (例题分析) 11.4.3 分解预测 11.4 多成分序列的预测 * 分解预测 (预测步骤) 分解(decomposition)预测是适合于含有趋势、季节、循环多种成分序列预测的一种古典方法,仍得到广泛应用,因为该方法相对来说容易理解,结果易于解释,在很多情况下能给出很好的预测结果 预测步骤 确定并分离季节成分 计算季节指数,以确定时间序列中的季节成分 将季节成分从时间序列中分离出去,即用每一个观测值除以相应的季节指数,以消除季节性 对消除季节成分的序列建立线性预测模型进行预测 计算出最后的预测值 用预测值乘以相应的季节指数,得到最终的预测值 * 分解预测 (步骤) 季节指数计算步骤 计算移动平均值(季度数据采用4项移动平均,月份数据采用12项移动平均),并将其结果进行“中心化”处理 计算移动平均的比值,也称为季节比率 将序列的各观测值除以相应的中心

文档评论(0)

shuwkb + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档