时间序列预测法的运用例子

某一城市从1984年到1994年中，每年参加体育锻炼的人口数，排列起来，共有11个数据构成一个时间序列。希望用某个数学模型，根据这11个历史数据，来预测1995年或以后若干年中每年的体育锻炼人数是多少，以便于该城市领导人制订一个有关体育健身的发展战略或整个工作计划。不同的时间序列有不同的特征，例如一个人在一年中每天消耗的粮食基本上是相同的，把这365个数字排列起来。发现它所构成的时间序列总保持在一定水平，上下相差不太大，我们称它是平稳时间序列。它的取值和具体是哪个时期无关，只和时期的长短有关。一般来说．只有属于平稳过程的时间序列．才是可以被预测的。

什么是时间序列

时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列；

时间序列法是一种定量预测方法，亦称简单外延方法，在统计学中作为一种常用的预测手段被广泛应用，时间序列分析在第二次世界大战前应用于经济预测，二次大战中和战后，在军事科学、空间科学、气象预报和工业自动化等部门的应用更加广泛；

时间序列分析是一种动态数据处理的统计方法，该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题；

时间序列构成要素是，现象所属的时间，反映现象发展水平的指标数值。

影响时间序列的因素有哪些

1、影响时间序列的因素有长期趋势、季节变动、循环变动、不规则变动；

2、长期趋势是指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；

3、季节变动现象是指在一年内随着季节的变化而发生的有规律的周期性变动；

4、循环变动现象是指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；

5、不规则变动是一种无规律可循的变动，包括严格的随机变动和不规则的突发性影响很大的变动两种类型。

如何理解时间序列相关性

序列相关性，在计量经济学中指对于不同的样本值，随机干扰之间不再是完全相互独立的，而是存在某种相关性。又称自相关，是指总体回归模型的随机误差项之间存在相关关系。

在回归模型的古典假定中是假设随机误差项是无自相关的，即在不同观测点之间是不相关的。如果该假定不能满足，就称与存在自相关，即不同观测点上的误差项彼此相关。

时间序列模型有什么实际用处

时间序列模型可用于实际中的描述、分析、预测、决策。

描述：

根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。

分析：

当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。

预测：

一般用ARMA模型拟合时间序列，预测该时间序列未来值。

决策：

根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。