為什麼研究時間序列

⑴ 什麼叫做時間序列

時間序列法是一種定量預測方法，亦稱簡單外延方法。

在統計學中作為一種常用的預測手段被廣泛應用。時間序列通常有以下三種方法：
1.方法一是把一個時間序列的數值變動，分解為幾個組成部分，通常分為：
(1)傾向變動，亦稱長期趨勢變動T；
(2)循環變動，亦稱周期變動C；
(3)季節變動，即每年有規則地反復進行變動S；
(4)不規則變動，亦稱隨機變動I等。然後再把這四個組成部分綜合在一起，得出預測結果。
2.方法二是把預測對象、預測目標和對預測的影響因素都看成為具有時序的，為時間的函數，而時間序列法就是研究預測對象自身變化過程及發展趨勢。
3.方法三是根據預測對象與影響因素之間的因果關系及其影響程度來推算未來。與目標的相關因素很多，只能選擇那些因果關系較強的為預測影響的因素。
時間序列分析在第二次世界大戰前應用於經濟預測。二次大戰中和戰後，在軍事科學、空間科學、氣象預報和工業自動化等部門的應用更加廣泛。

⑵ 研究時間序列的分形特性的意義何在

可以查看我們關注的指標是否在預定的范圍內運行，如：
是否存在某種特殊的趨勢
是否有隨機性，總之要看具體的圖才知道運行趨勢是否滿足需求

⑶ 多元回歸時間序列和多因素時間序列的關系

多元回歸時間序列是指ARIMA模型下面研究的時間序列的回歸問題。
多因素時間序列一般是說同時考慮多個外生變數和內生變數的滯後項的問題，
而ARIMA就是其中用於進行回歸的一種方法，而且是最一般的方法。

ARIMA模型？http://wenku..com/view/841fcb8583d049649b66580b.html，這里有課件，但是如果你沒有接觸過時間序列的知識的話，可能很難看懂。

ARIMA模型: Autoregressive Integrated Moving Average。主要的步驟是的幾種檢驗方法（如 用自相關函數ACF和偏自相關函數PACF分析拖尾和截尾情況 或者 用DF檢驗協整關系）進行判斷，確定適當的滯後變數個數和滯後擾動項個數，以得到最好的回歸效果。然後根據變數個數分別調整數據，再進行回歸計算。

當然ARIMA模型基本如果不簡化為ARMA模型（不同時考慮滯後變數和擾動項）的話，是沒有辦法用手算的。如果想要應用操作的話，可以用SPSS解決，這個軟體不需要編程的功底。

一兩句話還是不能說明白。建議還是參照一本書，看看書中的例題就很容易明白。推薦恩德斯的《應用計量經濟學：時間序列分析》，裡面廢話少。

⑷ 時間序列是研究什麼的

時間序列分析

在生產和科學研究中，對某一個或一組變數x(t)進行觀察測量，將在一系列時刻t1, t2, …, tn (t為自變數且t1<t2<…< tn ) 所得到的離散數字組成序列集合x(t1), x(t2), …, x(tn)，我們稱之為時間序列，這種有時間意義的序列也稱為動態數據。這樣的動態數據在自然、經濟及社會等領域都是很常見的。如在一定生態條件下，動植物種群數量逐月或逐年的消長過程、某證券交易所每天的收盤指數、每個月的GNP、失業人數或物價指數等等。

時間序列分析是根據系統觀測得到的時間序列數據，通過曲線擬合和參數估計來建立數學模型的理論和方法。它一般採用曲線擬合和參數估計方法（如非線性最小二乘法）進行。時間序列分析常用在國民經濟宏觀控制、區域綜合發展規劃、企業經營管理、市場潛量預測、氣象預報、水文預報、地震前兆預報、農作物病蟲災害預報、環境污染控制、生態平衡、天文學和海洋學等方面。

時間序列建模基本步驟是：①用觀測、調查、統計、抽樣等方法取得被觀測系統時間序列動態數據。②根據動態數據作相關圖，進行相關分析，求自相關函數。相關圖能顯示出變化的趨勢和周期，並能發現跳點和拐點。跳點是指與其他數據不一致的觀測值。如果跳點是正確的觀測值,在建模時應考慮進去,如果是反常現象，則應把跳點調整到期望值。拐點則是指時間序列從上升趨勢突然變為下降趨勢的點。如果存在拐點，則在建模時必須用不同的模型去分段擬合該時間序列，例如採用門限回歸模型。③辨識合適的隨機模型,進行曲線擬合,即用通用隨機模型去擬合時間序列的觀測數據。對於短的或簡單的時間序列，可用趨勢模型和季節模型加上誤差來進行擬合。對於平穩時間序列，可用通用ARMA模型（自回歸滑動平均模型）及其特殊情況的自回歸模型、滑動平均模型或組合-ARMA模型等來進行擬合。當觀測值多於50個時一般都採用ARMA模型。對於非平穩時間序列則要先將觀測到的時間序列進行差分運算，化為平穩時間序列，再用適當模型去擬合這個差分序列。

時間序列分析主要用於：①系統描述。根據對系統進行觀測得到的時間序列數據，用曲線擬合方法對系統進行客觀的描述。②系統分析。當觀測值取自兩個以上變數時，可用一個時間序列中的變化去說明另一個時間序列中的變化，從而深入了解給定時間序列產生的機理。③預測未來。一般用ARMA模型擬合時間序列，預測該時間序列未來值。④決策和控制。根據時間序列模型可調整輸入變數使系統發展過程保持在目標值上，即預測到過程要偏離目標時便可進行必要的控制。

DPS數據處理系統提供給用戶一套較完整的時間序列建模分析、進行預測預報的工具，包括平穩無趨勢時間序列分析預測、有趨勢的時間序列預測、具季節性周期的時間序列預測以及差分自回歸滑動平均(ARIMA)建模分析、預測等時間序列分析和建模技術。

⑸ 什麼是時間序列

時間序列法是一種定量預測方法，亦稱簡單外延方法。在統計學中作為一種常用的預測手段被廣泛應用。時間序列通常有以下三種方法：
1.方法一是把一個時間序列的數值變動，分解為幾個組成部分，通常分為：
(1)傾向變動，亦稱長期趨勢變動T；
(2)循環變動，亦稱周期變動C；
(3)季節變動，即每年有規則地反復進行變動S；
(4)不規則變動，亦稱隨機變動I等。然後再把這四個組成部分綜合在一起，得出預測結果。
2.方法二是把預測對象、預測目標和對預測的影響因素都看成為具有時序的，為時間的函數，而時間序列法就是研究預測對象自身變化過程及發展趨勢。
3.方法三是根據預測對象與影響因素之間的因果關系及其影響程度來推算未來。與目標的相關因素很多，只能選擇那些因果關系較強的為預測影響的因素。
時間序列分析在第二次世界大戰前應用於經濟預測。二次大戰中和戰後，在軍事科學、空間科學、氣象預報和工業自動化等部門的應用更加廣泛。

⑹ 為什麼時間序列做回歸時只需協整檢驗就夠了

原因：只有同階單整，變數之間才有共同的增長趨勢，才能同漲同落。時間序列的協整檢驗：先做回歸，後做協整檢驗。

⑺ 研究時間序列之間的關系用什麼模型

應該用協整模型

⑻ 時間序列分析難不難

一，什麼是時間序列？

時間序列簡單的說就是各時間點上形成的數值序列，時間序列分析就是通過觀察歷史數據預測未來的值

時間序列分析並不是關於時間的回歸，它主要是研究自身的變化規律的

二，時間序列的類別

1，純隨機序列

又稱為白雜訊序列，序列的各項之間沒有任何相關關系，完全是無序的隨機波動，這樣的序列沒有任何信息可以提取

2，平穩非白雜訊序列

他的均值和方差是常數，對於這樣的序列，現在已經有成熟的建模方法，通常是建立一個線性模型來擬合該序列的發展，藉此提出有用的信息，ARMA 模型是最常用的平穩序列擬合模型（線性擬合並不是和時間的擬合，而是和本身的擬合）

3，非平穩非白雜訊序列

對於非平穩序列，他的方差和均值不穩定，一般是先將其轉換成平穩序列，這樣就可以使用平穩時間序列的方法來分析，如ARMA模型；如果一個時間序列可以經差分後具有平穩性，則該序列是差分平穩序列，可以使用ARIMA模型

三：平穩性檢驗

1，為何要求序列平穩？

我們知道序列平穩性是進行時間序列分析的前提條件，很多人都會有疑問，為什麼要滿足平穩性的要求呢？

在統計學中，每一個問題我們都要有一個初始的基本假設，就像一些假設檢驗就要求數據符合正態分布，一個回歸方程，要求Xi完全獨立不相關，而且誤差要符合均值為0的正態分布，而在時間序列分析上，最重要的假設前提就是序列的平穩性（來自一個知乎的牛叉解讀），所以平穩的基本思想是：時間序列行為不能隨著時間改變而改變，

2，平穩時間序列的定義：

平穩有強平穩和弱平穩之分，這里我們主要說弱平穩。ps:強平穩條件限制太強，難以驗證

對於隨機變數 X ,可以計算期均值也就是數學期望 μ ，方差 σ^2，對於兩個隨機變數X 和 Y，可以計算 X，Y的協方差cov(X,Y)=E[(X- μx)(Y-μy)]和相關系數ρ(X,Y)=cov(X,Y)/σXσY,他們度量了兩個不同事件之間的相互影響程度。

對時間序列{Xt，t∈T}，任意時刻的序列值Xt都是一個隨機變數，每一個隨機變數都會有均值和方差，任意取 t,s∈T，則他的自相關協方差函數 γ(t,s) = E[(X- μt)(Y-μs)] 和自相關系數ρ(t,s) = cov(Xt,Xs)/σtσs，之所以是自協方差函數和自相關系數，就是因為他們衡量的是同一件事在兩個不同時期（時刻 t 和時刻 s ）之間的相關程度，簡單講就是度量自己過去的行為對自己現在的影響！

⑼ 時間序列 是什麼意思啊

同學你好，很高興為您解答！

時間序列

以時間為順序的觀測結果序列。

CMA認證能幫助持證者職業發展，保持高水準的職業道德要求，站在財務戰略咨詢師的角度進行企業分析決策，推動企業業績發展，並在企業戰略決策過程中擔任重要的角色。

希望我的回答能幫助您解決問題，如您滿意，請採納為最佳答案喲。

再次感謝您的提問，更多財會問題歡迎提交給高頓企業知道。

高頓祝您生活愉快！