文档介绍：1 时间序列分析 2横截面数据时间序列数据?人们对统计数据往往可以根据其特点从两个方面来切入,以简化分析过程。一个是研究所谓横截面(cross section) 数据,也就是对大体上同时,或者和时间无关的不同对象的观测值组成的数据。?另一个称为时间序列(time series) ,也就是由对象在不同时间的观测值形成的数据。?前面讨论的模型多是和横截面数据有关。这里将讨论时间序列的分析。我们将不讨论更加复杂的包含这两方面的数据。 3时间序列和回归?时间序列分析也是一种回归。?回归分析的目的是建立因变量和自变量之间关系的模型;并且可以用自变量来对因变量进行预测。通常线性回归分析因变量的观测值假定是互相独立并且有同样分布。?而时间序列的最大特点是观测值并不独立。时间序列的一个目的是用变量过去的观测值来预测同一变量的未来值。也就是说,时间序列的因变量为变量未来的可能值,而用来预测的自变量中就包含该变量的一系列历史观测值。?当然时间序列的自变量也可能包含随着时间度量的独立变量。 ( 数据: , ) 某地从 1995 年1月到 2005 年7月的税收(单位:万元)。该数据有按照时间顺序的按月记录,共 127 个观测值。图就是由该数据得到的一个时间序列图。 Time Tax 1996 1998 2000 2002 2004 2 e+05 4 e+05 6 e+05 8 e+05 1 e+06 ( 数据: , ) 从这个点图可以看出。总的趋势是增长的,但增长并不是单调上升的;有涨有落。大体上看,这种升降不是杂乱无章的,和季节或月份的周期有关系。当然,除了增长的趋势和季节影响之外, 还有些无规律的随机因素的作用。这个只有一种随着时间变化的变量(税收)的序列一般称为纯粹时间序列( pure time series )。下面将通过该例子对纯粹时间序列进行介绍。 6时间序列的组成部分?从该例可以看出,该时间序列可以有三部分组成:趋势(trend) 、季节(seasonal) 成分和无法用趋势和季节模式解释的随机干扰(disturbance )。?例中数据的税收就就可以用这三个成分叠加而成的模型来描述。?一般的时间序列还可能有循环或波动(Cyclic, or fluctuations) 成分;循环模式和有规律的季节模式不同,周期长短不一定固定。比如经济危机周期,金融危机周期等等。 7时间序列的组成部分?一个时间序列可能有趋势、季节、循环这三个成分中的某些或全部再加上随机成分。因此, ?如果要想对一个时间序列本身进行较深入的研究,把序列的这些成分分解出来、或者把它们过虑掉则会有很大的帮助。?如果要进行预测,则最好把模型中的与这些成分有关的参数估计出来。?就例中的时间序列的分解,通过 SPSS 软件, 可以很轻而易举地得到该序列的趋势、季节和误差成分。 8去掉季节成分,只有趋势和误差成分的例的时间序列。 Time Time Series Without Seasonal 1996 1998 2000 2002 2004 0 e+00 4 e+05 8 e+05 的时间序列分解出来的纯趋势成分和纯季节成分两条曲线 Time Trend and Seasonal 1996 1998 2000 2002 2004 0 e+00 2 e+05 4 e+05 6 e+05 10 的时间序列分解出来的纯趋势成分和纯误差成分两条曲线 Time Trend and Remainder 1996 1998 2000 2002 2004 0 e+00 2 e+05 4 e+05 6 e+05