当前位置： &
求翻译：移动平均法是根据历史时间序列资料逐项推移，依次计算包含一定项数的序时平均数，以反映长期趋势的方法。当时间序列的数值受到周期变动和不规则变动的影响，起伏较大，不易显示出发展趋势时，可用移动平均法消除这些因素的影响，分析、预测序列的长期趋势。是什么意思？
移动平均法是根据历史时间序列资料逐项推移，依次计算包含一定项数的序时平均数，以反映长期趋势的方法。当时间序列的数值受到周期变动和不规则变动的影响，起伏较大，不易显示出发展趋势时，可用移动平均法消除这些因素的影响，分析、预测序列的长期趋势。
问题补充：
Moving average is based on the historical time-series data, in turn, a case-by-case basis, calculated over a certain number of items ordered, average to reflect long-term trends. When the time sequence of the value changes by cycle and the impact irregular changes, ups and downs, and is not a large
Moving average is based on the historical time series data over item-by-item, calculated average number sequence that contains a certain number of items in order to reflect the long-term trend. When time to sequence numerical effect and irregular movements of the cycle changes, fluctuation is large,
我来回答：
参考资料：
* 验证码：
登录后回答可以获得积分奖励，并可以查看和管理所有的回答。 |
我要翻译和提问
请输入您需要翻译的文本！原　　题：下列不属于时间序列分析法的是（）选　　项：A、简单平均法B、移动平均法C、回归分析法D、指数平滑法参考答案：C考点解析：时间序列分析法包括：简单平均法；移动平均法；加权移动平均法；指数平滑法。参见教材P116～117。
收藏分享：
举一反三：
与下列不属于时间序列分析法的是（）类似的试题有
　　1、凡本网注明“来源：建设工程教育网”的所有作品，版权均属建设工程教育网所有，未经本网授权不得转载、链接、转贴或以其他方式使用；已经本网授权的，应在授权范围内使用，且必须注明“来源：建设工程教育网”。违反上述声明者，本网将追究其法律责任。
　　2、本网部分资料为网上搜集转载，均尽力标明作者和出处。对于本网刊载作品涉及版权等问题的，请作者与本网站联系，本网站核实确认后会尽快予以处理。
　　本网转载之作品，并不意味着认同该作品的观点或真实性。如其他媒体、网站或个人转载使用，请与著作权人联系，并自负法律责任。
　　3、本网站欢迎积极投稿。使用时间序列分析进行预测 - Minitab
关于本主题什么是预测？
预测是一种在时间序列分析中广泛使用的方法，用于预测指定时间段内的响应变量，例如每月利润、股票表现或失业数据。预测是基于现有数据中的模式进行的。例如，一位仓库经理可以基于前 12 个月的订购预测接下来的 3 个月中需要订购多少产品。
您可以使用多种时间序列方法（例如，趋势分析、分解或单指数平滑）对数据中的模式建模，然后将这些模式外推至未来。根据静态模式（在一段时间内恒定）还是动态模式（随时间改变）、趋势和季节分量的性质以及要提前多久预测来选择一种分析方法。生成预测之前，对数据拟合多个候选模型以确定最稳定和最准确的模型。移动平均分析的预测
时间 t 处的拟合值是时间 t-1 处的非中心移动平均。预测是移动原点处的拟合值。如果提前 10 个时间单位预测，则每个时间的预测值将是原点处的拟合值。直到原点的数据用于计算移动平均。
通过计算连续移动平均，可以使用线性移动平均法。线性移动平均法通常在存在数据趋势时使用。首先，计算并存储原始序列的移动平均。然后，计算并存储先前存储的列的移动平均以得到第二个移动平均。
在单纯预测中，时间 t 的预测是时间 t -1 处的数据值。对长度为一的移动平均使用移动平均过程会得到单纯预测。单指数平滑分析的预测
时间 t 处的拟合值是时间 t-1 处的平滑值。预测是预测原点处的拟合值。如果提前 10 个时间单位预测，则每个时间的预测值将是原点处的拟合值。直到原点的数据用于进行平滑。
在单纯预测中，时间 t 的预测是时间 t -1 处的数据值。执行权重为一的单指数平滑会得到单纯预测。双指数平滑分析的预测
双指数平滑使用水平和趋势分量生成预测。对时间点 t 向前 m 个周期的预测为：
Lt + mTt，其中 Lt 是水平，Tt 是时间 t 处的趋势。
直到预测原点时间的数据将用于进行平滑。Winter 方法的预测
Winter 方法使用水平、趋势和季节分量来生成预测。对时间点 t 向前 m 个周期的预测为：
其中 Lt 是水平，Tt 是时间 t 处的趋势，乘以（或对于加法模型为加上）前一年相同周期的季节分量。
Winter 方法使用直到预测起始时间的数据来生成预测。Englishfran?aisDeutschportuguêsespa?ol日本語???中文（简体）使用此网站，即表示您同意对数据分析和个性化内容使用 Cookie。&&苹果/安卓/wp
积分 17534, 距离下一级还需 766 积分
权限: 自定义头衔, 签名中使用图片, 隐身, 设置帖子权限, 设置回复可见, 签名中使用代码
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发, 提升卡, 沉默卡, 千斤顶, 变色卡下一级可获得
道具: 置顶卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
TA的文库&&
苦逼签到天数: 8 天连续签到: 1 天[LV.3]偶尔看看II
& & 时间序列分为平稳性的与非平稳性的。非平稳时间序列可能包含四种趋势：长期趋势、循环趋势、季节趋势和不规则趋势。一、趋势分解的一般理解& &可以用移动平均法（季度数据的移动平均项数为4，月度数据的移动平均项数为12）或者模型拟合法（寻找拟合的回归模型）测定长期趋势，然后用原序列除以趋势值以剔除长期趋势；以某月（季）的平均数除以总平均数得到的季节指数测定季节趋势，用上一步的得到的序列除以季节指数以剔除季节趋势；对上一步所得的序列进行移动平均以得到循环趋势，最后跟原序列相比，剩余的就是不规则趋势。 二、深入分析1、中心化移动平均& & 当移动平均项数为奇数时，只用移动平均一次即可；当移动平均项数为偶数时，必须在第一次移动平均的基础上在进行一次同样项数的移动平均。3*3项移动平均表示对3项移动平均值再进行3项移动平均，也称为5项加权平均。5*5项移动平均与此类似，也称为9项加权平均。2、Henderson加权移动平均& & Henderson加权移动平均不同之处在于加权系数，它的加权系数名为Henderson加权移动平均系数。Henderson加权移动平均有5、9、13和23项之别，不规则循环越明显，需要的项数越多。3、最常用的季节调整方法：X-11和X-12& & 这两种方法的基本思路就是采用中心化移动加权平均法测定趋势并逐项剔除，不同之处在于它的最终趋势确定是通过多次迭代和分解完成的。& & eviews的操作路径：序列窗口----proc-----seasonal adjustment& & X12季节调整方法主要有四种趋势模型：加法模型、乘法模型、对数加法模型和伪加法模型。加法模型主要适用于呈线性增长的数据序列，或者是围绕某一个中值波动的数据序列，如 PMI数据序列等；乘法模型主要适用于呈指数级数增长的序列，如 GDP、工业增加值、投资数据的名义值、实际值及物价的指数序列等；对数加法模型主要适用于同比增速呈线性增长的数据序列，如GDP、工业、投资及 CPI 的同比增速数据；伪加法模型则主要是对某些非负时间序列进行季节调整，它们具有这样的性质：在每一年中的相同月份出现接近于0的正值，在这些月份含有接近于0的季节因子，受这些小因子的影响，季节调整结果将出现偏差。在一年的特定时期，农产品产量就是这样的数据序列。& & 由于eviews的X12方法中的假日均为假日，因此无法做中国的假日影响剔除，只能采取编程的方法。4、H-P滤波方法& & 假定一个时间序列只包含长期趋势和循环趋势（这可以通过前面的X12季节调整方法得到），H-P滤波就是将长期趋势项分离出来的方法。& & 平滑系数Lambda：年度数据100，季度数据1600，月度数据14400，当然这个eviews会自动提供。& & eviews路径：序列窗口-----proc----Hodrick Prescott5、B-P滤波方法& & 把时间序列看成不同谐波的叠加，研究时间序列在频率域（frequency domain）里的结构特征。谱分析的基本思想是：把时间序列看作是互不相关的周期（频率）分量的叠加，通过研究和比较各分量的周期变化，以充分揭示时间序列的频域结构，掌握其主要波动特征。时间序列X的变动可以分解成各种不同频率波动的叠加和，根据哪种频率的波动具有更大的贡献率来解释X的周期波动的成分，这就是谱分析（频率分析）名称的缘由。这就是说当具有各种周期的无数个波包含于景气变动中时，看看哪个周期(频率)的波强烈地表现现实景气变动。谱分析中的核心概念是功率谱密度函数（简称功率谱），它集中反映了时间序列中不同频率分量对功率或方差的贡献程度。& & 频率和周期的乘积等于2π。功率谱图像横坐标为频率，由左到右频率扩大，由于周期与频率呈反比例关系，周期缩小；纵坐标为功率谱值。& & eviews路径：序列窗口-----Proc------ Frequency Filter
三、指数平滑1、单指数平滑（一个参数：加权因子）& & 实质上就是自适应预期模型，适用于序列值在一个常数均值上下随机波动的情况，无趋势及季节要素的情况，单指数平滑的预测对所有未来的观测值都是常数。2、双指数平滑（一个参数：加权因子）& & 使用相同的参数将单指数平滑进行两次，适用于有线性趋势的序列。3、Holt-Winters — 无季节趋势（两个参数）& & 适用于具有线性时间趋势无季节变差的情形。这种方法与双指数平滑法一样以线性趋势无季节成分进行预测。双指数平滑法只用了一个参数，这种方法用两个参数，形式上与简单一元线性回归模型相同。4、 Holt-Winters — 加法模型（三个参数）& & 适用于具有线性时间趋势和加法季节变化，其实就是在3的基础上加上一个季节因子。需要用简单的方法给出季节因子的第一年的初值，以及截距和斜率的初值。5、 Holt-Winters — 乘法模型（三个参数）& & 适用于具有线性时间趋势和乘法季节变化，其实就是在3的基础上乘上一个季节因子。需要用简单的方法给出季节因子的第一年的初值，以及截距和斜率的初值。& & Eviews路径：序列窗口------Procs----- Exponential Smoothing
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
胖胖小龟宝 发表于
时间序列分为平稳性的与非平稳性的。非平稳时间序列可能包含四种趋势：长期趋势、循环趋势、季节趋势和 ...平滑指数
RE: 时间序列的趋势分解
楼主你好，我想问问经过数据经过季节调整之后又经HP滤波分解为趋势和循环项，趋势项可以通过外推法建立模型来预测，那趋势项可以通过建立什么模型来预测呢？
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师