基于VC的时间序列分析法的应用研究

　　1　引言

　　时间序列是按照时间次序排列的一系列观测数据。时间序列分析是采用概率统计的方法分析随时间变化的随机数据序列,包括对随机数据序列的建模,参数估计及最佳预测和控制等[1]。时间序列典型的特征就是相邻观测值的依赖性。时间序列观测值之间的依赖特征具有很大的实际意义。要求对时间序列数据生成随机动态模型,并将这种模型用于重要的领城。随着现代计算技术尤其是计算机技术的普及,时间序列分析方法在很多领域都得到了广泛的应用。

　　移动平均法、指数平滑法和最小二乘法是时间分析法中重要的分析预测方法。选择具体而又有代表性的数据对时间序列法中各分析预测方法进行分析比较,能够从实践的角度对时间序列分析理论进行更深入地理解和掌握,本文利用VC平台结合MSChart控件以及Access数据库对移动平均法、指数平滑法和最小二乘法进行了详细地比较和分析,从定性以及定量的角度比较了它们的特点和适用范围。

　　2　时间序列分析预测方法

　　2.1　移动平均法

　　移动平均法是一种最古老的时间序列预测方法。它对数据进行了一定程度的修匀来消除时间序列的扰动。它每完成一次预测,就要舍弃最旧的一个数据而补充最新的一个数据。

　　设xi是时间序列中时点i的观测值,其样本数为N;每次移动地求算术平均值所采用的观测值个数为n;则在第t时点的移动平均值Mt为：

　　3　数据分析与预测

　　3.1　时间序列特征的识别

　　识别时间序列特征作图直观法:以时间为横坐标,以变量值为纵坐标,将时间序列绘入该坐标图上,只要坐标划分恰当,就能够大体观察到时间序列的长期趋势性变动、周期　　或季节变动以及干扰波动[2]。本文中数据采用微软Activex控件MSChart以图形的形式直观表现,并结合Access数据库对数据进行存储和读取。

　　然而,作图识别法有时会遇到困难,识别的成效也取决于经验。因此,还需要使用一些数理统计方法[2]。

　　3.2　原始数据

　　原始数据采用2007年1月—2008年1月的上海市居民消费价格指数(图1)和上海市外商直接投资合同金额增长率数据(图2)。

　　从图1和图2可以看出,以上两种数据各有代表性:上海市居民消费价格指数随时间扰动较小,数据随时间序列大至分布在一条直线上;而上海市外商直接投资合同金额增长　　率随时间扰动较大,数据随时间序列基本未分布在一条直线上。

　　3.3　分析与预测

　　3. 3. 1　移动平均法分析预测

　　分别选取前三个月和前五个月的数据进行分析预测,对上海市居民消费价格指数的分析预测如图3所示,对上海市外商直接投资金额增长率的分析预测如图4所示。