Eviews应用实例.ppt

《Eviews应用实例.ppt》由会员分享，可在线阅读，更多相关《Eviews应用实例.ppt（48页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、EviewsEviews时间序列分析实例时间序列分析实例时间序列分析实例时间序列分析实例本节的主要内容是说明如何使用本节的主要内容是说明如何使用EviewsEviews软件进行分软件进行分析。析。一、指数平滑法实例一、指数平滑法实例一、指数平滑法实例一、指数平滑法实例 所谓指数平滑实际就是对历史数据的加权平均。它可所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规律，但确实存在某种前后以用于任何一种没有明显函数规律，但确实存在某种前后关联的时间序列的短期预测。由于其他很多分析方法都不关联的时间序列的短期预测。由于其他很多分析方法都不具有这种特点，指数平滑法在时间序列预测

2、中仍然占据着具有这种特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。相当重要的位置。（）一次指数平滑（）一次指数平滑 一次指数平滑又称单指数平滑。它最突出的优点是方法一次指数平滑又称单指数平滑。它最突出的优点是方法非常简单，甚至只要样本末期的平滑值，就可以得到预测非常简单，甚至只要样本末期的平滑值，就可以得到预测结果。结果。一次指数平滑的特点是：能够跟踪数据变化。这一特点一次指数平滑的特点是：能够跟踪数据变化。这一特点所有指数都具有。预测过程中添加最新的样本数据后，新所有指数都具有。预测过程中添加最新的样本数据后，新数据应取代老数据的地位，老数据会逐渐居于次要的地位，数据应取代老数据

3、的地位，老数据会逐渐居于次要的地位，直至被淘汰。这样，预测值总是反映最新的数据结构。直至被淘汰。这样，预测值总是反映最新的数据结构。一次指数平滑有局限性。第一，预测值不能一次指数平滑有局限性。第一，预测值不能反映趋势变动、季节波动等有规律的变动；第二，反映趋势变动、季节波动等有规律的变动；第二，这种方法多适用于短期预测，而不适合作中长期这种方法多适用于短期预测，而不适合作中长期的预测；第三，由于预测值是历史数据的均值，的预测；第三，由于预测值是历史数据的均值，因此与实际序列的变化相比有滞后现象。因此与实际序列的变化相比有滞后现象。指数平滑预测是否理想，很大程度上取决于指数平滑预测是否理想，很大

4、程度上取决于平滑系数。平滑系数。EviewsEviews提供两种确定指数平滑系数的提供两种确定指数平滑系数的方法：自动给定和人工确定。选择自动给定，系方法：自动给定和人工确定。选择自动给定，系统将按照预测误差平方和最小原则自动确定系数。统将按照预测误差平方和最小原则自动确定系数。如果系数接近如果系数接近1 1，说明该序列近似纯随机序列，这，说明该序列近似纯随机序列，这时最新的观测值就是最理想的预测值。时最新的观测值就是最理想的预测值。出于预测的考虑，有时系统给定的系数不是很出于预测的考虑，有时系统给定的系数不是很理想，用户需要自己指定平滑系数值。平滑系数取理想，用户需要自己指定平滑系数值。平滑

5、系数取什么值比较合适呢？一般来说，如果序列变化比较什么值比较合适呢？一般来说，如果序列变化比较平缓，平滑系数值应该比较小，比如小于平缓，平滑系数值应该比较小，比如小于0.l0.l；如果；如果序列变化比较剧烈，平滑系数值可以取得大一些，序列变化比较剧烈，平滑系数值可以取得大一些，如如0.30.30.50.5。若平滑系数值大于。若平滑系数值大于0.50.5才能跟上序列的才能跟上序列的变化，表明序列有很强的趋势，不能采用一次指数变化，表明序列有很强的趋势，不能采用一次指数平滑进行预测。平滑进行预测。例例1 1某企业食盐销售量预测。现在拥有最近某企业食盐销售量预测。现在拥有最近连续连续3030个月份的

6、历史资料（见表个月份的历史资料（见表l l），试预测下一），试预测下一月份销售量。月份销售量。表表1 1 某企业食盐销售量某企业食盐销售量 单位：吨单位：吨 解：使用解：使用EviewsEviews对数据进行分析，第一步是建立工作文件对数据进行分析，第一步是建立工作文件和录入数据。有关操作在本章第一节中已经阐明，这里不和录入数据。有关操作在本章第一节中已经阐明，这里不再赘述。假设已经建立工作文件，并生成了一个样本期为再赘述。假设已经建立工作文件，并生成了一个样本期为l l3030的序列，命名为的序列，命名为SALESSALES。序列。序列SALESSALES中包含例中包含例1 1中需中需要分析

7、的数据。要分析的数据。第二步，绘制序列图形。在序列对象窗口中，第二步，绘制序列图形。在序列对象窗口中，点击点击ViewViewLine GraphLine Graph。屏幕显示图。屏幕显示图1 1所示图形。所示图形。图图1 1 某企业近某企业近3030个月的销售量动态图个月的销售量动态图 从图从图1 1中可以看出，这个企业近中可以看出，这个企业近3030个月的销售个月的销售量并不存在明显的趋势，并且没有明显的季节趋势。量并不存在明显的趋势，并且没有明显的季节趋势。因此，从直观上判断可以采用一次指数平滑法对企因此，从直观上判断可以采用一次指数平滑法对企业下个月的销售量进行预测。业下个月的销售量进

8、行预测。第三步，扩大样本期。本例要求对下一个月的第三步，扩大样本期。本例要求对下一个月的销售量进行预测，而工作文件的样本期是销售量进行预测，而工作文件的样本期是1 13030，在在EviewsEviews中要求先更改样本期。更改样本期的操作中要求先更改样本期。更改样本期的操作在本章第一节已经讲过，这里将样本期改为在本章第一节已经讲过，这里将样本期改为l l3131。第四步，进行指数平滑。指数平滑的菜单操作第四步，进行指数平滑。指数平滑的菜单操作方法有两种：一是在主工作文件窗口打开的情况下，方法有两种：一是在主工作文件窗口打开的情况下，点击主窗口的点击主窗口的QuickQuickSeries S

9、eries StatisticsStatisticsExponential SmoothingExponential Smoothing；二是在序列；二是在序列对象窗口中点击对象窗口中点击ProcsProcsExponential SmoothingExponential Smoothing。点击后屏幕出现如图点击后屏幕出现如图2 2所示的指数平滑对话框。所示的指数平滑对话框。指数平滑对话框中包含五个部分的选项：平滑方法指数平滑对话框中包含五个部分的选项：平滑方法（Smoothing MethodSmoothing Method）、平滑系数（）、平滑系数（Smoothing Smoothing

10、 ParametersParameters）、平滑后生成序列的名称（）、平滑后生成序列的名称（Smoothed Smoothed SeriesSeries）、预测样本范围（）、预测样本范围（Estimation SampleEstimation Sample）和季节变动）和季节变动周期（周期（Cycle for SeasonalCycle for Seasonal）。）。对话框左上部分的平滑方法（对话框左上部分的平滑方法（Smoothing MethodSmoothing Method）包括：）包括：Single Single 一次指数平滑一次指数平滑 Double Double 二次指数平滑

11、二次指数平滑 Holt HoltWintersWintersNo seasonal HoltNo seasonal HoltWintersWinters无无季节模型季节模型 Holt HoltWintersWintersAdditive HoltAdditive HoltWintersWinters季节季节迭加模型迭加模型 Holt HoltWintersWintersMultiplicative HoltMultiplicative HoltWintersWinters季季节乘积模型节乘积模型 平滑系数（平滑系数（Smoothing ParametersSmoothing Parameter

12、s）包括）包括AlphaAlpha，BetaBeta，GammaGamma。平滑系数可由系统自动给定，也可以由用户指定。平滑系数可由系统自动给定，也可以由用户指定。缺省状态是由系统自动给定。如果用户需要指定，只需在对应缺省状态是由系统自动给定。如果用户需要指定，只需在对应参数的位置填入指定的数值。参数的位置填入指定的数值。本例中，分别指定本例中，分别指定AlphaAlpha的值为的值为0.30.3和和0.50.5。当指。当指定平滑系数为定平滑系数为0.30.3时，预测的残差平方和为时，预测的残差平方和为137.2978137.2978；当平滑系数为；当平滑系数为0.50.5时，预测的残差平方和

13、为时，预测的残差平方和为165.0685165.0685。因此这里选择平滑系数为。因此这里选择平滑系数为0.30.3时的预测结时的预测结果。根据一次指数平滑方法的预测，该企业下个月的果。根据一次指数平滑方法的预测，该企业下个月的销售量应为销售量应为29.229.2吨。吨。图2 指数平滑对话框（二）二次指数平滑（二）二次指数平滑 二次指数平滑又称双重指数平滑。相对于一次二次指数平滑又称双重指数平滑。相对于一次指数平滑，二次指数平滑可以预测有一定线性趋势指数平滑，二次指数平滑可以预测有一定线性趋势的序列，其预测期也长一些。的序列，其预测期也长一些。例例22某公司某公司199019902001200

14、1年的实际销售额如表年的实际销售额如表2 2所示。请根据此资料预测所示。请根据此资料预测20022002年和年和20032003年企业销年企业销售额。售额。表表2 2 某公司销售额某公司销售额 单位：万元单位：万元 解：第一步，建立工作文件，样本期为解：第一步，建立工作文件，样本期为1990199020012001的年度数据。在新建立的工作文件中，生成一的年度数据。在新建立的工作文件中，生成一个名为个名为SALESSALES的新序列。打开的新序列。打开SALESSALES序列对话框，序列对话框，将表将表2 2中的数据录入。中的数据录入。第二步，绘制序列图形。从图中可以看到，该第二步，绘制序列图

15、形。从图中可以看到，该企业的销售额存在明显的增长趋势（见图企业的销售额存在明显的增长趋势（见图3 3）。序）。序列的波动并不是很剧烈。由此判断，使用二次指数列的波动并不是很剧烈。由此判断，使用二次指数平滑法进行预测比较合适。平滑法进行预测比较合适。第三步，扩大样本期。由于本例需要预测下两第三步，扩大样本期。由于本例需要预测下两年的销售额，因此将工作文件的样本期更改为年的销售额，因此将工作文件的样本期更改为1990199020032003年。年。图图3 3 某企业某企业1990199020012001年销售额变动情况年销售额变动情况 第四步，指数平滑。根据前例中的方法，用户可以进入如第四步，指数

16、平滑。根据前例中的方法，用户可以进入如图图2 2的指数平滑对话框。本例中，选择二次指数平滑的方法，的指数平滑对话框。本例中，选择二次指数平滑的方法，并让系统自动确定系数。结果如表并让系统自动确定系数。结果如表3 3所示。所示。原序列原序列SALESSALES中共有中共有1212个观测值，即个观测值，即1990199020012001年的企年的企业销售额。在进行二次指数平滑时，系统根据这业销售额。在进行二次指数平滑时，系统根据这1212个数值自动个数值自动确定了最优的平滑系数确定了最优的平滑系数 0.2440.244。此时，对序列进行二次指。此时，对序列进行二次指数平滑预测的残差平方和为数平滑预

17、测的残差平方和为101.3594101.3594，均方根误差为，均方根误差为2.9063062.906306。在在EviewsEviews给出指数平滑结果统计表（见表给出指数平滑结果统计表（见表3 3）时，并没有）时，并没有直接给出对直接给出对20022002年和年和20032003年销售额的预测值。这两个数值保年销售额的预测值。这两个数值保存在系统生成的平滑序列存在系统生成的平滑序列SALESSMSALESSM中，用户只需打开该序列中，用户只需打开该序列就可以看到二次指数平滑方法预测的结果。结果显示，该企业就可以看到二次指数平滑方法预测的结果。结果显示，该企业在在20022002年和年和20

18、032003年的销售额，分别预计为年的销售额，分别预计为56566 6万元和万元和59594 4万元。万元。表表3 3 二次指数平滑结果二次指数平滑结果 如果将二次指数平滑的预测结果和原观测值共如果将二次指数平滑的预测结果和原观测值共同显示在同一张图上，可以使用户看起来更清楚。同显示在同一张图上，可以使用户看起来更清楚。首先在工作文件菜单中同时选中两个序列首先在工作文件菜单中同时选中两个序列SALESSALES和和SALESSMSALESSM，方法是先点击一个序列，之后按住键，方法是先点击一个序列，之后按住键盘上的盘上的ShiftShift键再点击另外一个序列。然后点击工作键再点击另外一个序列

19、。然后点击工作文件菜单工具栏中的文件菜单工具栏中的ShowShow，在弹出的对话框中点击，在弹出的对话框中点击OKOK。此时，系统将弹出一个类似序列对象窗口的群。此时，系统将弹出一个类似序列对象窗口的群窗口（见图窗口（见图4 4），窗口中以），窗口中以ExcelExcel表格的形式同时显表格的形式同时显示出示出SALESSALES和和SALESSMSALESSM。最后点击该窗口上方的。最后点击该窗口上方的ViewViewGraphGraphLineLine（见图（见图5 5）。）。图图4 4 群对象窗口群对象窗口图图5 5 实际销售额与平滑值序列对比图实际销售额与平滑值序列对比图二、趋势延伸法

20、实例二、趋势延伸法实例二、趋势延伸法实例二、趋势延伸法实例 时间序列的趋势即序列随时间变化的基本规律时间序列的趋势即序列随时间变化的基本规律和特点。对于存在趋势的序列，通常可以选取适当和特点。对于存在趋势的序列，通常可以选取适当的模型进行分析和预测。的模型进行分析和预测。（）直线趋势（）直线趋势 直线趋势模型是一种最常用，也是最成熟的方直线趋势模型是一种最常用，也是最成熟的方法。模型的基本结构为：法。模型的基本结构为：YtYta abtbt式中，式中，a a，b b是模型的参数。这种模型的结构比较简是模型的参数。这种模型的结构比较简单，估计方法非常成熟，是很多其他趋势模型估计单，估计方法非常成

21、熟，是很多其他趋势模型估计的基础。下面结合实例说明如何使用该软件进行直的基础。下面结合实例说明如何使用该软件进行直线趋势模型的预测。线趋势模型的预测。例例33设某市设某市1992199220022002年市场鸡蛋销售量如表年市场鸡蛋销售量如表4 4所示。试预测所示。试预测20032003年该市鸡蛋销售量。年该市鸡蛋销售量。表表4 4 某市鸡蛋销售量某市鸡蛋销售量 单位：万千克单位：万千克 解：第一步，建立一个新的工作文档，文档的样解：第一步，建立一个新的工作文档，文档的样本期为本期为1992199220022002年。生成序列年。生成序列SALESSALES，录入表，录入表4 4中的销售量观测

22、值。中的销售量观测值。第二步，打开第二步，打开SALESSALES序列对象窗口，点击序列对象窗口，点击ViewViewLine GraphLine Graph，绘制序列散点图（见图，绘制序列散点图（见图6 6）。）。图图6 6 序列散点图序列散点图 Eviews Eviews中没有直接绘制散点图的菜单选项。当需要绘制中没有直接绘制散点图的菜单选项。当需要绘制散点图时，首先需要绘制连线图（散点图时，首先需要绘制连线图（Line GraphLine Graph）。屏幕显示）。屏幕显示图形对象窗口后，用鼠标左键双击图形的任意位置，或者点图形对象窗口后，用鼠标左键双击图形的任意位置，或者点击右键，然后

23、在弹出的菜单中选择击右键，然后在弹出的菜单中选择OptionsOptions。此时，系统将弹。此时，系统将弹出图形属性对话框。出图形属性对话框。图形属性对话框中的选项很多。用户在这里可以方便地图形属性对话框中的选项很多。用户在这里可以方便地更改图形的类型（更改图形的类型（Graph TypeGraph Type）、图形的属性（）、图形的属性（Graph Graph AttitudeAttitude）、线形图格式见（）、线形图格式见（Line GraphLine Graph）、条形图格式）、条形图格式（Bar GraphBar Graph）等。这里，将图形的类型选择为线形图（）等。这里，将图形的

24、类型选择为线形图（Line Line GraphGraph），再在线形图格式中选择仅有标示（），再在线形图格式中选择仅有标示（Symba1s Symba1s OnlyOnly）。点击）。点击OKOK。从散点图上可以看出，该序列基本呈现出一种直线增长的从散点图上可以看出，该序列基本呈现出一种直线增长的趋势，因而宜采用直线趋势延伸的方法进行预测。趋势，因而宜采用直线趋势延伸的方法进行预测。第三步，生成时间变量第三步，生成时间变量T T。在进行模型参数的估计时通常。在进行模型参数的估计时通常要用到最小二乘的方法，其中，观测值就是因变量，序列要用到最小二乘的方法，其中，观测值就是因变量，序列T T就就

25、是自变量。是自变量。生成一个新序列的方法有很多，可以通过菜单生成一个新序列的方法有很多，可以通过菜单操作，也可以直接在主窗口中输入命令行实现。有操作，也可以直接在主窗口中输入命令行实现。有关菜单操作的方法在本章第一节中已经说明，这里关菜单操作的方法在本章第一节中已经说明，这里采用命令行的形式生成序列采用命令行的形式生成序列T T。Eviews Eviews生成序列的命令为生成序列的命令为datadata，用户只需在主窗，用户只需在主窗口中输入命令：口中输入命令：data Tdata T。对于序列对于序列T T，用户可以在打开的对象窗口中为它，用户可以在打开的对象窗口中为它赋值，比如赋值赋值，比

26、如赋值1 1，2 2，3 3，如果用户需要直接生成含有值的序列如果用户需要直接生成含有值的序列T T，也可以，也可以利用函数生成序列，在主窗口中输入命令行（见图利用函数生成序列，在主窗口中输入命令行（见图7 7）。）。图图7 T7 T序列生成命令和取值情况节略序列生成命令和取值情况节略 genr T=genr T=trendtrend 系统自动生成序列系统自动生成序列T T，并从，并从0 0开始计数，它的取开始计数，它的取值依次为值依次为0 0，l l，2 2，3 3，第四步，模型估计。在第四步，模型估计。在EviewsEviews中最小二乘回归中最小二乘回归的命令是的命令是LSLS，它的基本

27、书写格式为：，它的基本书写格式为：LS LS 因变量因变量 C C 自变量自变量其中，其中，C C代表模型中的常数项，对于没有常数项的代表模型中的常数项，对于没有常数项的模型可以不写。模型可以不写。本例中，使用下面的命令进行回归：本例中，使用下面的命令进行回归：LS LS SALES C TSALES C T（见表（见表5 5）。）。表表5 5 最小二乘回归结果最小二乘回归结果 根据表根据表5 5的结果，得到如下模型：的结果，得到如下模型：sale sale31.22731.2272.391T2.391T 第五步，进行预测。根据上述模型结果，可以很容易地给第五步，进行预测。根据上述模型结果，可

28、以很容易地给出出20032003年鸡蛋销售量的预测结果。将年鸡蛋销售量的预测结果。将T T1111代入上述模型，代入上述模型，计算结果表明该企业计算结果表明该企业20032003年的鸡蛋销售额为年的鸡蛋销售额为57.557.5万元。万元。（二）曲线趋势（二）曲线趋势 经济序列中有很多呈现出曲线变化的趋势。直线趋势的估经济序列中有很多呈现出曲线变化的趋势。直线趋势的估计比较简单，曲线趋势的估计则更为常用。指数曲线、二次计比较简单，曲线趋势的估计则更为常用。指数曲线、二次曲线、三次曲线和龚拍兹曲线是在市场经济序列中常见的模曲线、三次曲线和龚拍兹曲线是在市场经济序列中常见的模型，它们的估计也大同小异

29、，这里就以指数曲线为例介绍如型，它们的估计也大同小异，这里就以指数曲线为例介绍如何使用何使用EviewsEviews进行模型的估计。进行模型的估计。例例4 4某市近某市近9 9年灯具商品销售量资料如表年灯具商品销售量资料如表6 6所示。试预所示。试预测测20022002年的销售量。年的销售量。解：第一步，建立一个新的工作文档，文档的样本期为解：第一步，建立一个新的工作文档，文档的样本期为1993199320012001年。生成序列年。生成序列SALESSALES，录入表中的销售量观测值。，录入表中的销售量观测值。表表6 6 某市灯具销售量某市灯具销售量 单位：万件单位：万件第二步，打开第二步，

30、打开SALSSALS序列对象窗口，点击序列对象窗口，点击ViewViewLine Line GraphGraph，绘制序列散点图（见图，绘制序列散点图（见图8 8）。）。图图8 8 销售量散点图销售量散点图 从绘制出的散点图可以看出，该企业的灯具销售从绘制出的散点图可以看出，该企业的灯具销售变动呈现规律的加速增长。根据经验判断，要预测该变动呈现规律的加速增长。根据经验判断，要预测该企业下一年度的销售数据，可以使用指数趋势模型。企业下一年度的销售数据，可以使用指数趋势模型。如果计算出销售数据的环比增长率，可以更加确信地如果计算出销售数据的环比增长率，可以更加确信地选择指数模型。本章内容以各类方法

31、的软件实现为主选择指数模型。本章内容以各类方法的软件实现为主要阐述内容，对模型选择有兴趣的读者可以参阅本书要阐述内容，对模型选择有兴趣的读者可以参阅本书前面的相关章节。前面的相关章节。第三步，生成时间变量第三步，生成时间变量T T。这里采用系统自动生成。这里采用系统自动生成的方法，即输入命令：的方法，即输入命令：genr T genr Ttrendtrend。第四步，对因变量序列进行变换。在变化因变量第四步，对因变量序列进行变换。在变化因变量序列之前，首先要弄清楚为什么变换。指数模型的基序列之前，首先要弄清楚为什么变换。指数模型的基本形式如下：本形式如下：Yt Yt abt abt 从统计学的

32、角度考虑，传统的估计方法无法直接估计这从统计学的角度考虑，传统的估计方法无法直接估计这种模型的参数，因此需要对模型的形式进行变换，从而使参种模型的参数，因此需要对模型的形式进行变换，从而使参数可以被估计出来。指数趋势模型通过变换可以变成一个线数可以被估计出来。指数趋势模型通过变换可以变成一个线性模型，所以指数模型称为可线性化的模型。指数模型变换性模型，所以指数模型称为可线性化的模型。指数模型变换后的结果为：后的结果为：log log（YtYt）loglog（a a）loglog（b b）tt 细心的读者会发现，这时模型的形式与前面介绍的直线细心的读者会发现，这时模型的形式与前面介绍的直线趋势模

33、型非常的相似，只是模型左边的因变量作了一个对数趋势模型非常的相似，只是模型左边的因变量作了一个对数变换。所以，对因变量进行变换的原因实际上源自对模型的变换。所以，对因变量进行变换的原因实际上源自对模型的变换，变换的目的是为了能够使用传统的估计方法估计出模变换，变换的目的是为了能够使用传统的估计方法估计出模型的参数。型的参数。对于指数模型，通常要将因变量作对数变换。在对于指数模型，通常要将因变量作对数变换。在EviewsEviews中就是要生成一个新的序列，新序列的数值恰好等于原观测中就是要生成一个新的序列，新序列的数值恰好等于原观测序列的值取对数的结果。序列的值取对数的结果。使用命令的方式进行

34、操作，在主窗口中输入使用命令的方式进行操作，在主窗口中输入如下命令：如下命令：genr lsales=log genr lsales=log（salessales）lsaleslsales是新生成序列的名称。如果作出是新生成序列的名称。如果作出lsaleslsales的散的散点图，会发现变换后的序列基本呈一条直线。这点图，会发现变换后的序列基本呈一条直线。这里留给有兴趣的读者自己去试一试。里留给有兴趣的读者自己去试一试。第五步，模型估计。在主窗口中输入下面的命第五步，模型估计。在主窗口中输入下面的命令：令：LS lsales c t LS lsales c t注意，这里实际上是用变换后的序列和

35、时间变量注意，这里实际上是用变换后的序列和时间变量T T进行线性回归，估计的结果为参数进行线性回归，估计的结果为参数loglog（a a）和）和loglog（b b）的值（见表）的值（见表7 7）。）。表表7 7 线性回归结果线性回归结果 第六步，进行预测。根据表第六步，进行预测。根据表7 7的结果，可以得到的结果，可以得到如下模型：如下模型：log log（SalesSales）2.14632.14630.2225T0.2225T将将T T9 9代代入上述模型，求得入上述模型，求得loglog（salessales）4.14884.1488。从而可。从而可以预测出该企业在以预测出该企业在20

36、022002年的销售量为年的销售量为63.3663.36万件。万件。三、季节指数法实例三、季节指数法实例三、季节指数法实例三、季节指数法实例（）季节模型的类型（）季节模型的类型 季节模型是反映具有季节变动规律的时间序列模型。季季节模型是反映具有季节变动规律的时间序列模型。季节变动通常是指以年为一个周期的变化。引起季节变动的首节变动通常是指以年为一个周期的变化。引起季节变动的首要因素是四季更迭。季节变动在很多产品市场上都是一种常要因素是四季更迭。季节变动在很多产品市场上都是一种常见现象，最为典型的季节性产品市场如冷饮、服装、空调等。见现象，最为典型的季节性产品市场如冷饮、服装、空调等。传统的时间

37、序列分析把时间序列的波动归结为四大因素：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（趋势变动（T T）、季节变动（）、季节变动（S S）、循环变动（）、循环变动（C C）和不规则）和不规则变动（变动（I I）。其中循环变动指周期为数年的变动，这种变动不）。其中循环变动指周期为数年的变动，这种变动不一定存在固定变化周期和确定性变化规律，通常指经济周期。一定存在固定变化周期和确定性变化规律，通常指经济周期。不规则变动即随机变动。四种变动因素对序列的影响被概括不规则变动即随机变动。四种变动因素对序列的影响被概括为两个经典模型：为两个经典模型：乘法模型乘法模型Y YTSCITSCI 加

38、法模型加法模型Y YT TS SC CI I 乘法模型通常适用于因素乘法模型通常适用于因素T T，S S，C C相关的情形，比如季相关的情形，比如季节因素的作用随着趋势的变化而改变；加法模型通常适用于节因素的作用随着趋势的变化而改变；加法模型通常适用于因素因素T T，S S，C C相互独立的情况。需要注意的是，季节模型一相互独立的情况。需要注意的是，季节模型一般需要般需要3 3年以上的季度或月度数据。年以上的季度或月度数据。（二）季节调整（二）季节调整 对序列进行季节调整，就是将季节变动从序列中去除。对序列进行季节调整，就是将季节变动从序列中去除。基本思路是：基本思路是：Y YS STSITS

39、IS STITI 或或 Y YSISITITI 序列里存在季节波动常常会妨碍市场人员对某些问题的序列里存在季节波动常常会妨碍市场人员对某些问题的认识。比如，认识。比如，3 3月份的饮料销售比月份的饮料销售比2 2月份好吗？如果单单从数月份好吗？如果单单从数据的表面看，据的表面看，3 3月份的销量应该比月份的销量应该比2 2月份好。但这种所谓的月份好。但这种所谓的“好好”并没有考虑季节变动而引起的市场规模的扩大，也就是并没有考虑季节变动而引起的市场规模的扩大，也就是说，如果剔除季节因素的影响，说，如果剔除季节因素的影响，3 3月份的销售效果未必比月份的销售效果未必比2 2月月份好。季节调整的目的

40、就是为了剔除掉季节因素的作用，从份好。季节调整的目的就是为了剔除掉季节因素的作用，从 而使序列本身的趋势特征更加准确地显现出来。而使序列本身的趋势特征更加准确地显现出来。Eviews Eviews中有两种实现季节调整的菜单操作方法。在主窗中有两种实现季节调整的菜单操作方法。在主窗口中点击菜单口中点击菜单QuickQuickSeries StatisticsSeries StatisticsSeasonal Seasonal AdjustmentAdjustment，或者在序列对象窗口中点击工具栏按钮，或者在序列对象窗口中点击工具栏按钮ProcsProcsSeasonal AdjustmentS

41、easonal Adjustment。点击后，屏幕出现季节调。点击后，屏幕出现季节调整对话框窗口（见图整对话框窗口（见图9 9）。）。对话框左上部分是季节调整的方法对话框左上部分是季节调整的方法（Adjustment MethodAdjustment Method），包括），包括Census X11Census X11法、移法、移动平均季节乘法（动平均季节乘法（Ratio to moving averageRatio to moving averageMultiplicativeMultiplicative）、移动平均季节加法（）、移动平均季节加法（Difference Difference

42、from moving averagefrom moving averageAdditiveAdditive）。系统默认的）。系统默认的方法是移动平均季节乘法。方法是移动平均季节乘法。对话框左下部分是待计算序列（对话框左下部分是待计算序列（Series to Series to CalculateCalculate），包括调整后序列（），包括调整后序列（Adjusted Adjusted SeriesSeries）名称和季节因子（）名称和季节因子（FactorsFactors）名称。季节因）名称。季节因子计算是可选的，只有用户在其对应的框中输入名子计算是可选的，只有用户在其对应的框中输入名称后

43、，系统才会将季节因子计算的结果保存在一个称后，系统才会将季节因子计算的结果保存在一个序列中。序列中。例例5 5现有某地区某种产品产量近现有某地区某种产品产量近4 4年的分月资年的分月资料料(见表见表8 8），试预测该种产品），试预测该种产品20032003年各月的产量。年各月的产量。表表8 8 某地区某产品产量某地区某产品产量 单位：万件单位：万件 图图9 9 季节调整对话框季节调整对话框解：第一步，建立一个新的工作文档，文档的样本期为解：第一步，建立一个新的工作文档，文档的样本期为19991999年三月年三月20022002年年1212月。生成序列月。生成序列SUPLYSUPLY，录入表中，

44、录入表中的产量数据。的产量数据。第二步，打开第二步，打开SUPLYSUPLY序列对象窗口，点击序列对象窗口，点击ViewViewLine GraphLine Graph，绘制连线图（见图，绘制连线图（见图1010）。）。图图10 10 产量变化图产量变化图 从图形的形状很容易看到，该种产品的产量确从图形的形状很容易看到，该种产品的产量确实存在非常明显的季节变动。实存在非常明显的季节变动。第三步，生成调整后序列。根据前面的方法，第三步，生成调整后序列。根据前面的方法，生成调整后序列生成调整后序列SUPLYSASUPLYSA和季节团于序列和季节团于序列JIJIEJIJIE。这里使用的模型是乘法模型

45、，因此在如图这里使用的模型是乘法模型，因此在如图9 9所示的所示的对话框中选择的季节调整方法是移动平均季节乘法对话框中选择的季节调整方法是移动平均季节乘法（Ratio to moving averageRatio to moving averageMultiplicativeMultiplicative）。）。季节调整后产量变化情况和月度季节因子见图季节调整后产量变化情况和月度季节因子见图1111和和表表9 9。图图11 11 季节调整后产量变化情况季节调整后产量变化情况表表9 9 月度季节因子月度季节因子 第四步，进行预测。按照乘法模型的理论，当剔除序第四步，进行预测。按照乘法模型的理论，当

46、剔除序列的季节波动之后，序列中主要存在的变动因素是趋势。列的季节波动之后，序列中主要存在的变动因素是趋势。对于趋势，当然可以采用移动平均或者指数平滑的方法确对于趋势，当然可以采用移动平均或者指数平滑的方法确定，但由于本例中要求预测定，但由于本例中要求预测20032003年度年度1212个月份的产量，个月份的产量，预测期较长，因此采用建立趋势模型，进行外推预测是比预测期较长，因此采用建立趋势模型，进行外推预测是比较合适的。较合适的。建立趋势模型的具体步骤这里不再赘述。这里仍然建立趋势模型的具体步骤这里不再赘述。这里仍然采用指数模型，通过参数估计得到模型的具体形态如下：采用指数模型，通过参数估计得到模型的具体形态如下：log log（suplysasuplysa）1.85571.85570.0284T0.0284T其中，其中，T T使用命令使用命令Genr TGenr TTrendTrend得到。根据趋势模型得到。根据趋势模型可以推算出可以推算出20032003年年l l1212月的趋势值（见表月的趋势值（见表1010（中）。（中）。将对应月份的趋势值乘以相应的季节因子得到预测值（见将对应月份的趋势值乘以相应的季节因子得到预测值（见表表1010（右）。（右）。表表10 10 趋势预测值与预计产量趋势预测值与预计产量 单位：万件单位：万件