大地专题各商品产量时间序列分析

Posted 2021-05-02 大地研究

一、时间序列介绍

（一）时间序列概念

时间序列分析(Time series analysis)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。一个时间序列通常由4种要素组成：趋势、季节变动、循环波动和不规则波动。

趋势：是时间序列在长时期内呈现出来的持续向上或持续向下的变动。

季节变动：是时间序列在一年内重复出现的周期性波动。它是诸如气候条件、生产条件、节假日或人们的风俗习惯等各种因素影响的结果。

循环波动：是时间序列呈现出得非固定长度的周期性变动。循环波动的周期可能会持续一段时间，但与趋势不同，它不是朝着单一方向的持续变动，而是涨落相同的交替波动。

不规则波动：是时间序列中除去趋势、季节变动和周期波动之后的随机波动。不规则波动通常总是夹杂在时间序列中，致使时间序列产生一种波浪形或震荡式的变动。只含有随机波动的序列也称为平稳序列。

（二）统计软件选择

目前，计算机所使用的统计软件较多，各软件功能不断完善，可以用于进行时间序列统计分析的软件有Eviews、SPSS、Matlab、R软件和SAS等等。这些主要的软件个有特点，考虑到使用的广泛性和便捷性，笔者运用SPSS进行时间序列分析，来分析判断各商品产量及价格的趋势和季节性波动。

使用SPSS进行时间序列分析有三个主要步骤，分别为数据处理、数据分析和结果检验，其中数据分析将使用指数平滑模型、ARIMA模型、专家建模器进行时间序列分析，之后使用季节分解模型对商品的季节性变化进行分析。

图1 时间序列分析主要步骤

二、各商品时间序列分析

笔者选取动力煤、原煤、焦炭、焦煤、铜、铝、螺纹钢、玻璃、甲醇及橡胶商品作为分析对象，分别使用指数平滑模型和ARIMA模型进行时间序列分析，并对各商品产量进行季节性分解。

（一）模型分析及检验

笔者选取各商品月度产量进行时间序列分析，根据平均误差选择指数平滑模型中所使用的具体模型类型，并得出平稳R方及Ljung-Box值进行模型有效性判断，对数据水平、趋势及季节因素进行Sig统计，所得结果如下：

笔者选取各商品月度产量进行时间序列分析，使用SPSS专家建模器进行ARIMA模型分析，自动筛选最合适p、d、q三值和数据转换，得出ARIMA模型平稳R方、Ljung-Box值。

从模型分析结果来看，动力煤、原煤具有一定趋势性，其余商品趋势性较弱，动力煤胶合板、玻璃及甲醇具有较强季节性影响，其余商品季节性影响较弱。

（二）各商品产量预测

笔者使用历史产量数据进行未来产量预测，分别使用ARIMA和指数平滑模型，置信区间为95%，预测时间段为2018年1月至2019年12月。预测结果如下：

三、季节性分解

通过使用SPSS季节性分解，我们可以将商品各月份或季度的产量增减波动进行量化分析，与主观判断进行比较，从而确定商品产品季节性波动的强弱。

在进行完时间序列分析之后，笔者对各商品进行季节性分解，从而观察各商品在每一月份产量的季节性波动。使用结果为乘法，即按比例得出每个月的季节性产品增减影响，结果如下：

从表4可以看出，所选取商品在4月至6月产量均有季节性增多的特点，而1月至2月以及7月至8月的产量普遍有季节性回落，这与以往的主观判断相一致。

未来，我们的研究将进一步增加商品种类，同时将加入其他分析对象，譬如库存、消费量、价格。对于农产品来说，由于其产量数据多为年度数据，所以未来将对农产品产品进行时间序列的趋势性分析，产量的季节性波动分析无法进行。此外，为了进一步提高模型和预测的准确性，还将在ARIMA模型中加入合适的自变量因素。