时间序列分析 时间序列分析的基本原理是什么

1. 时间序列分析 时间序列分析的基本原理是什么

1、时间序列分析(Time-Series Analysis)是指将原来的销售分解为四部分来看——趋势、周期、时期和不稳定因素，然后综合这些因素，提出销售预测。强调的是通过对一个区域进行一定时间段内的连续遥感观测，提取图像有关特征，并分析其变化过程与发展规模。当然，首先需要根据检测对象的时相变化特点来确定遥感监测的周期，从而选择合适的遥感数据。
 
 2、特点：简单易行，便于掌握，但准确性差，一般只适用于短期预测。
 
 3、基本原理：一是承认事物发展的延续性。应用过去数据，就能推测事物的发展趋势。二是考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。
 
 4、基本思想：根据系统的有限长度的运行记录（观察数据），建立能够比较精确地反映序列中所包含的动态依存关系的数学模型，并借以对系统的未来进行预报。

2. 时间序列分析适用的数据有哪些？

时间序列适合图形表示：数轴，时间轴。
把预测对象、预测目标和对预测的影响因素都看成为具有时序的，为时间的函数，而时间序列法就是研究预测对象自身变化过程及发展趋势。根据预测对象与影响因素之间的因果关系及其影响程度来推算未来。与目标的相关因素很多，只能选择那些因果关系较强的为预测影响的因素。

构成要素：
长期趋势，季节变动，循环变动，不规则变动。
1、长期趋势（T）现象在较长时期内受某种根本性因素作用而形成的总的变动趋势。
2、季节变动（S）现象在一年内随着季节的变化而发生的有规律的周期性变动。
3、循环变动（C）现象以若干年为周期所呈现出的波浪起伏形态的有规律的变动。

3. 时间序列数据分析方法

时间序列数据聚类方法主要包括两种思路：
  
  
 一种是通过时间序列进行压缩降维，转换成静态数据，如通过特征提取、模型参数等方式，再使用静态数据方法进行聚类；另一种是通过改进传统的面向静态数据的点聚类方法，使之适用于序列数据类型。
  
 （1）基于初始数据的聚类
  
 一般指不对初始数据进行压缩，直接进行聚类。可以有效捕捉时间序列的细节，不丢失局部特征，但是数据量大的情况下计算效率降低。
  
 （2）基于特征数据的聚类
  
 通过时域分析、频域分析等方法，提取时间序列的多尺度特征，从而把高维的原始数据序列转换到用特征向量表示的低维特征空间。
  
 （3）基于模型的聚类
  
 基本思路是在基于一定的假设条件，用模型拟合原始序列，再用模型是否能生成另外一个序列作为两个时间序列是否属于同一类的评价指标，或者用模型的参数作为该序列的特征再进行聚类。特点是聚类结果不稳定，对模型依赖性很强，难以可视化。

4. 时间序列数据分析步骤

时间序列数据分析步骤如下：
1、用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。

2、根据动态数据作相关图，进行相关分析，求自相关函数。相关图能显示出变化的趋势和周期，并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值，在建模时应考虑进去，如果是反常现象，则应把跳点调整到期望值。
3、拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列，例如采用门限回归模型。

4、辨识合适的随机模型，进行曲线拟合，即用通用随机模型去拟合时间序列的观测数据。对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。
5、对于平稳时间序列，可用通用ARMA模型（自回归滑动平均模型）及其特殊情况的自回归模型、滑动平均模型或组合-ARMA模型等来进行拟合。当观测值多于50个时一般都采用ARMA模型。
6、对于非平稳时间序列则要先将观测到的时间序列进行差分运算，化为平稳时间序列，再用适当模型去拟合这个差分序列。

5. 16种常用的数据分析方法-时间序列分析

 
                                           
     
   时间序列（time series）是系统中某一变量的观测值按时间顺序（时间间隔相同）排列成一个数值序列，展示研究对象在一定时期内的变动过程，从中寻找和分析事物的变化特征、发展趋势和规律。它是系统中某一变量受其它各种因素影响的总结果。
     
   研究时间序列主要目的可以进行预测，根据已有的时间序列数据预测未来的变化。时间序列预测关键：确定已有的时间序列的变化模式，并假定这种模式会延续到未来。
     
     
     
     
     
   
                                           
     
    时间序列的基本特点 
     
   假设事物发展趋势会延伸到未来
   预测所依据的数据具有不规则性
   不考虑事物发展之间的因果关系
   时间序列数据用于描述现象随时间发展变化的特征。
     
     
     
     
     
   
                                           
     
    时间序列考虑因素 
     
   时间序列分析就其发展历史阶段和所使用的统计分析方法看分为传统的时间序列分析和现代时间序列分析，根据观察时间的不同，时间序列中的时间可以是可以是年份、季度、月份或其他任何时间形式。
     
   时间序列分析时的主要考虑的因素是：
     
    l长期趋势(Long-term trend)  
     
   时间序列可能相当稳定或随时间呈现某种趋势。
   时间序列趋势一般为线性的(linear)，二次方程式的 (quadratic)或指数函数(exponential function)。
     
    l季节性变动(Seasonal variation) 
     
   按时间变动，呈现重复性行为的序列。
   季节性变动通常和日期或气候有关。
   季节性变动通常和年周期有关。
     
    l周期性变动(Cyclical variation) 
     
   相对于季节性变动，时间序列可能经历“周期性变动”。
   周期性变动通常是因为经济变动。
     
    l随机影响(Random effects) 
     
   除此之外，还有偶然性因素对时间序列产生影响，致使时间序列呈现出某种随机波动。时间序列除去趋势、周期性和季节性后的偶然性波动，称为随机性（random），也称不规则波动（irregular variations）。
     
     
     
     
     
   
                                           
     
    时间序列的主要成分 
     
   时间序列的成分可分为4种：
     
   l趋势（T）、
   l季节性或季节变动（S）、
   l周期性或循环波动（C）、
   l随机性或不规则波动（I）。
     
   传统时间序列分析的一项主要内容就是把这些成分从时间序列中分离出来，并将它们之间的关系用一定的数学关系式予以表达，而后分别进行分析。
     
     
     
     
     
   
                                           
     
    时间序列建模基本步骤 
     
   1)用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。
     
   2)根据动态数据作相关图，进行相关分析，求自相关函数。
     
   相关图能显示出变化的趋势和周期，并能发现跳点和拐点。
     
   跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值,在建模时应考虑进去,如果是反常现象，则应把跳点调整到期望值。
     
   拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列，例如采用门限回归模型。
     
   3)辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据。
     
   对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。
     
   对于平稳时间序列，可用通用ARMA模型（自回归滑动平均模型）及其特殊情况的自回归模型、滑动平均模型或组合-ARMA模型等来进行拟合。
     
   当观测值多于50个时一般都采用ARMA模型。对于非平稳时间序列则要先将观测到的时间序列进行差分运算，化为平稳时间序列，再用适当模型去拟合这个差分序列。
     
     
     
     
     
   
                                           
     
    spss时间序列分析过程 
       
    第一步：定义日期标示量： 
     
   打开数据文件，单击"数据"，选择"定义日期和时间"，弹出"定义日期"对话框，
     
   数据中的起始时间就是数据文件里面的单元格第一个时间，我的第一个是1997年8月，每行表示的是月度销售量，因此，需要从"定义日期"对话框的左侧"个案是"框中选择"年，月"，在左侧输入‘1997’，月框中输入‘8’，表示第一个个案的起始月是1997年8月，
     
   最后点击确认，这样spss数据文件里面就会生成3个新的变量
   
   如下图：
     
   
                                           
   　　
    第二步：了解时间序列的变化趋势 
     
   了解时间序列的变化趋势做一个序列表就可以了，单击"分析"，里面选择"时间序列预测，选择"序列图"对话框，然后把'平均值'移到"变量"框里面，‘DATE_’移到"时间轴标签"框中，单击"确定"。结果如图
     
   　　　　
                                           
     
   根据序列图的分析知道，序列的波动随着季节的波动越来越大，所以我们选择乘法模型；
     
    第三步：分析 
     
   单击“分析”，选择时间序列预测，然后选择“季节性分解”，弹出“季节性分解”对话框，确认无误之后点击确定，如图：
     
   
                                           
     
   多了四个变量：
     
   lERR表示误差分析；
   lSAS表示季节因素校正后序列；
   lSAF表示季节因子；
   lSTC表示长期趋势和循环变动序列。
     
   我们可以把新出现的四个变量、平均值和DATE_做序列图。先把ERR、SAS、STC和平均值和DATE_做个序列图，效果如下：
     
   
                                           
     
   再单独做个SAT和DATE＿的时间序列图
     
   
                                           
    
    第四步：预测 
     
   1、 单击“分析”，选择“时间序列预测”，然后选择“创建传统模型”，之后就会弹出“时间序列建模”对话框。
     
   2、 将“平均值”移至“因变量”框中，然后确定中间的“方法”，在下拉列表中选择“专家建模器”项，单击右侧的“条件”按钮，弹出“时间序列建模器：专家建模器条件”对话框。
     
   3、 在“时间序列建模器：专家建模器条件”对话框的“模型”选项卡中，在“模型类型”框中选择“所有模型”项，并勾选“专家建模器考虑季节性模型”复选框，设置完，点“继续”按钮
     
   4、 在“时间序列建模器”对话框中，切换至“保存”选项卡中，勾选“预测值”复选框，单击“导出模型条件”框中“XML文件”后面的“浏览”按钮，然后设置导出的模型文件和保存路径，然后单击“确定”按钮就可以了。
     
   做完上面的步骤之后，在原始数据上面就又会多一列预测值出现。如图：
     
   
                                           
    
   之前保存了预测的模型，我们现在就利用那个模型进行预测数据。
     
   1、 单击“分析”，选择“时间序列预测”，然后选择“应用传统模型”，弹出“应用模型序列”对话框。具体的操作如下图：
     
   
                                           
    
   最后一步切换至“保存”界面，勾选“预测值”之后单击确定就可以了。
     
   
                                           
         
   
                                           
     
   从预测值直接看看不出来，可以把预测的数据和原始数据放到一起看下，也是直接做序列图就可以。
     
   
                                           
   
   这样就完成了一次时间序列的模型，具体的预测数据可以看原始数据上面的出现的新的一列数据。
     
   - End -
     

6. 时间序列分析

 在R中生成时间序列的前提是我们将分析对象转成时间序列函数对象，包括观测值、起始时间、种植时间、及周期（月、季度、年）的结构。这些都能通过ts( )函数实现。
   R语言中，对时间序列数据进行分析处理时，使用差分函数要注意：差分函数diff()不带参数名的参数指滞后阶数，也就是与滞后第几阶的数据进行差分。如果要指定差分的阶数，则一定要使用带名称的参数:diff=2。
   例如： sample表示样本数据。
   1、diff(sample,2)表示是对滞后2阶的数据进行差分，一阶差分，等同于： diff(sample,lag=2)
   2、diff(sample,diff=2)才是表示二阶差分
   意：在函数中尽量避免使用没有命名的参数。在《时间序列分析及应用-R语言（第2版）》中，P315，描述到： 我们得到的教训就是，除非完全了解相关参数的位置，否则使用未命名参数是非常危险的。
   截尾是指时间序列的自相关函数（ACF）或偏自相关函数（PACF）在某阶后均为0的性质（比如AR的PACF）；
   拖尾是ACF或PACF并不在某阶后均为0的性质（比如AR的ACF）。
    拖尾 ：始终有非零取值，不会在k大于某个常数后就恒等于零(或在0附近随机波动)
    截尾 ：在大于某个常数k后快速趋于0为k阶截尾
    AR模型：自相关系数拖尾，偏自相关系数截尾； 
    MA模型：自相关系数截尾，偏自相关函数拖尾； 
    ARMA模型：自相关函数和偏自相关函数均拖尾。 
   根据输出结果， 自相关函数图拖尾，偏自相关函数图截尾 ，且n从2或3开始控制在置信区间之内，因而可判定为AR(2)模型或者AR(3)模型。

7. 时间序列分析

时间序列顾名思义即是通常在连续时间上采集的序列数据。例如股票指数数据、营收数据和天气数据等。时间序列分析是利用已知数据使用合适的模型拟合时间序列同时估算相应模型的参数。时间序列分析的模型与方法体现了我们对于时间序列自然属性的理解。同时这些模型方法也能够用于对时间序列进行预测和模拟。
  
 与信号分析类似，时间序列分析的方法也有时间域和频率域的方法；有单变量和多变量方法；有线性方法和非线性方法；连续序列和离散序列。
  
 一般时间序列可以依据变化特征分解为四个部分，即趋势（trend）、季节性（seasonal）、周期性（cyclical）和不规则（irregular）部分。
  
 构建时间序列预测模型的一种重要是方法使用随机过程理论。这与地质统计的分析方法是相同的，只是分析对象不同：时间序列为时间点上的数据而地质统计为空间点上的数据。这里认为时间序列上的数据点为随机变量，整个时间序列为一个随机函数。描述不同时间点上的数据之间的关系，同样要使用自协方差、自相关函数。同时二者同样实在稳态假设之下进行分析，应用中也需要对于数据进行去除趋势等处理使之满足稳态条件。时间序列分析中的自回归模型（AR）相当于地质统计中的简单克里金。

8. 时间序列分析

时间序列 概念 ：同一现象在不同时间上的相继观察值排列而成的数列
  
 形式上由现象所属的时间和现象在不同时间上的观察值两部分组成
  
 排列的时间可以是年、季度、月...
  
 
  
  
 时间序列的 分类 ：
  
 1.绝对数序列：
  
 一系列绝对数按时间顺序排列而成；最基本的表现形式；反映在不同时间上所达到的绝对水平（时期序列，一段时期内总量的排序、时点序列，某一瞬间时点上总量的排序）
  
 2.相对数序列：一系列相对数按时间顺序排列而成
  
 3.平均数序列：一系列平均数按时间顺序排列而成
  
 
  
  
 时间序列的 编制原则 ：
  
 时间长短一致
  
 总体范围一致
  
 指标内容一致
  
 计算方法和口径一致
  
 
  
  
  一、时间序列的对比分析 
  
    
  
  水平分析： 
  
 1.发展水平：现象在不同时间上的观察值；说明现象在某一时间上所达到的水平；
  
 2.平均发展水平：现象在不同时间上取值的平均数，又称序时平均；说明现象在一段时间内所达到的一般水平；（不同序列的类型选择不同的计算方法-时期、连续时点（逐日排序）、不等距时点（加权）、等距时点（不等距的特例））；
  
 #相对数：两个绝对数相除
  
 #相对数的序时平均数：分子的平均数与分母的平均数相除
  
 3.增长量：报告期水平与基期水平之差，说明现象在观察期内增长的绝对数量
  
 分为逐期增长量（报告期水平与前一期水平之差）与累计增长量（报告期水平和某一固定时期水平之差）--各逐期增长量之和等于最末期的累计增长量
  
 4.平均增长量：各逐期增长量的平均数，等于逐期增长量之和/逐期增长量个数（也就是观察值个数-1）
  
 
  
  
  速度分析： 
  
 1.发展速度：报告期水平与基期水平之比，说明现象在观察期内相对的发展变化程度，
  
 分为环比发展速度（报告期水平和前一期水平之比）与定期发展速度（报告期与某一固定时期水平之比）--各环比发展速度之积等于最末期定期发展速度；
  
 2.增长速度（增长率）：增长量与基期水平之比，说明现象的相对增长程度，
  
 等于发展速度-1；分为环比增长速度和定基增长速度；
  
 3.平均发展速度：观察期内各环比发展速度的平均数，说明现象在整个观察期内平均发展变化的程度（几何法算平均数）
  
 4.平均增长速度：等于平均发展速度-1
  
 
  
  
  二、时间序列的趋势分析 
  
 可以采用移动平均、最小二乘法等...
  
 
  
  
  三、季节变动分析 
  
 季节变动：现象在一年内随着季节更换形成的有规律变动；各年变化强度大体相同，且没年重现；
  
 扩展：对一年内由于社会、政治、经济、自然因素影响，形成的以一定时期为周期的有规则的重复变动；
  
 测定目的：确定现象过去的季节变化规律，消除时间序列中的季节因素；
  
 分析原理：将季节变动规律归纳为一种典型的季节模型；季节模型由季节指数所组成；季节指数的平均数等于100%；根据季节指数与其平均数的偏差程度测定季节变动的程度；
  
 
  
  
 季节指数：1.反映季节变动的相对数；2.以全年或季资料的平均数为基础计算的；3.平均数等于100%；4.指数越远离其平均数季节变动程度越大；5.同期平均法和趋势剔除法
  
 
  
  
 同期平均法：
  
 根据原时间序列通过简单平均计算季节指数
  
 假定时间序列没有明显的长期趋势和循环波动
  
 步骤：1.计算同期平均数；2.计算全部数据总季的平均数；3.计算季节指数S=同期平均数/总季平均数
  
 
  
  
 趋势剔除法：
  
 先将时间序列中长期趋势予以消除，在计算季节指数
  
 步骤：1.计算移动平均趋势值Y；2.从序列中剔除趋势值Y/T；3.按上述方法计算季节指数
  
 四项移动平均后再进行二项移动平均（四项做年的去掉季节，二项更为稳定）
  
 
  
  
 季节变动的调整：将季节变动剔除，方法是江源时间序列除以相应的季节指数
  
 
  
  
  四、循环波动分析 
  
 循环波动：近乎规律性的从低到高再从高至低的周而复始的变动；不同于趋势变动，他不是朝着单一方向的持续运动，而是涨落相间的交替波动；不同于季节波动，其变化无固定规律，变动周期多在一年以上，且周期长短不一
  
 目的是探索现象活动的规律性
  
 
  
  
 测定方法：采取剩余法
  
 计算步骤：1.先消除趋势值，求得无长期趋势数据资料；2.再消去季节变动（原始数据/季节指数），求得循环及不规则波动相对数；3.将结果移动平均，以消除不规则波动，即得循环波动值