如果时间序列的变动出现直线趋势,那么运用简单指数平滑法会出现滞后偏差,就需要对一次平滑的结果进行修正。这种利用平滑值对时间序列的线性趋势进行修正,进而建立线性平滑模型预测的方法就是二次指数平滑法,也称线性指数平滑法。它主要用于非季节性且有线性趋势的时间序列。常用的二次指数平滑法有布朗(Brown)单参数指数平滑和霍尔特(Holt)双参数指数平滑。
1. 布朗(Brown)单参数指数平滑
与趋势移动平均法类似,布朗单参数指数平滑的步骤是:首先需要对原始数据进行一次指数平滑,在一次平滑值基础上再进行一次指数平滑,然后根据两次平滑结果建立直线修正模型。
设时间序列为y1 ,y2,…,yt,…,yn,则两次平滑结果为
当时间序列从某一项开始具有直线趋势时,建立直线修正模型
2. 霍尔特(Holt)双参数指数平滑
布朗单参数指数平滑是对序列一次平滑值又进行了一次指数平滑。而霍尔特双参数指数平滑是对序列进行一次平滑,同时对(一次平滑值的)趋势值进行一次平滑,故有两个平滑参数,有很大的灵活性,预测精度往往较高,应用较广泛。
1)预测模型
式(7.7)与式(7.8)分别反映了序列的水平部分与趋势部分,联立可得霍尔特双参数指数平滑法的平滑公式
式中:α,β(0<α,β<1)为两个平滑系数。使用该方法向前l期(l=1,2,…)的预测模型为
2)相关参数的设定
初始值的设定同简单指数平滑法。另外,同设定一样,初始值r0的设定也有很多种方法,常用的是以下三种方式:
与r0一般对预测模型前几期的影响较大,对后期预测的影响不大,所以用霍尔特指数平滑法进行预测时,最重要是确定平滑系数α与β的取值,这决定了预测的精确程度。
平滑系数α的设定原则与简单指数平滑法一样,β的设定原则与α基本相同,当α取值较大时,β往往不会太小。在实际应用过程中,可以多取几个平滑系数α与β,然后选择预测误差较小的作为最后的预测模型。
3. 实际应用
对于以上提到的二次指数平滑法,在运用SPSS时,同样不需要设定相关参数,系统会自动计算最优解。下面结合SPSS操作解决例1。
例1 表7.4.3给出了1996—2015年我国私有汽车的拥有量数据,试进行分析并预测未来五年的私有汽车拥有量。
表7.4.3 1996—2015年我国私有汽车拥有量 单位:万辆
(www.xing528.com)
解 (1)先绘制时间序列图,如图7.4.7所示。
由序列图可知,后期基本上呈直线趋势,可以考虑用二次指数平滑法进行分析预测。
(2)模型创建。SPSS操作步骤与上述简单指数平滑一样,分为四步,具体不再详述,这里说明有差别的地方。
对于例1中的数据,按前文的步骤②完成后,会出现图7.4.3的对话框。考虑该序列呈现线性趋势,所以在步骤③中不选“简单”,这里选择“霍尔特线性趋势”。
图7.4.7 私有汽车拥有量序列图
步骤④中,对话框中统计再勾选“R方”及“正态化BIC”(具体见图7.4.8),“图”的操作一样,“保存”中可只勾选“预测值”,“选项”中输入日期为“2020”,即预测未来五年的值。
图7.4.8 时间序列建模器对话框
(3)模型结果。
模型统计(见表7.4.4)、指数平滑法模型参数(见表7.4.5)、残差图(见图7.4.9)及序列图(见图7.4.10),在SPSS的编辑页面会出现详细的预测值。(4)模型分析。
表7.4.4 模型统计
表7.4.5 指数平滑法模型参数
图7.4.9 残差序列的自相关图与偏自相关图
图7.4.10 预测值的序列图与实际值序列图
在二次指数平滑中,常用判别系数R2来反映模型拟合的优劣,它表示模型所能解释的数据变异占总变异的比例,数值越大,表示结果越佳。由表7.4.4可知,该模型对应的R2 =0.999,说明该模型拟合非常好,且统计量杨-博克斯Q(18)对应的显著性水平为0.329>0.05,说明模型拟合后的残差序列不存在自相关或偏自相关,这通过残差图(见图7.4.9)也可以说明。整体拟合效果,也可以从图7.4.10体现出来,其预测值序列图与实际值序列图非常贴合。
对于平滑系数,由表7.4.5可知,Alpha(水平)的值为1,且对应的P值0.006远小于0.05,说明参数Alpha(水平)不仅作用很大而且非常显著;Gamma(趋势)的值也为1,P值为0.063略大于0.05,一般P值小于0.1就可认为有意义,反映了该序列具有趋势特征。模型对应2020年私有汽车拥有量的预测值为24 307.01万辆,这与实际数据24 393万辆很接近。
4. 说明
SPSS中提供了三种二次指数平滑法:霍尔特线性趋势、布朗线性趋势及衰减趋势。衰减趋势也称为阻尼趋势,主要适用于有线性趋势的非季节序列,且该线性趋势正逐渐消失,其结果较保守。相比预测处于快速发展期的事物,它更适合预测处于稳定增长期的事物。
对于二次指数平滑法,在SPSS实际操作时,可依次运行这三种方法,根据R2最大、均方根误差RMSE和正态化BIC最小原则,选择拟合程度最优的模型进行预测。一般先看R2,R2最高者可作为预测模型;当R2相等时,再比较均方根误差RMSE和正态化BIC,(该统计量是基于均方误差的统计量,并考虑了模型的参数个数和序列数据个数),它们高低基本一致,其值越小对应的模型越好。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。