时间序列预测

 与马尔科夫链预测互补，至少有2个点需要信息的传递，ARMA模型，周期模型，季节模型等

ARMA模型的全称是自回归移动平均(auto regression moving average)模型，它是目前最常用的拟合平稳序列的模型，它又可细分为AR模型(auto regression model)、MA模型(moving average model)和ARMA模型(auto regression moving average model)三大类。
例 税收作为政府财政收入的主要来源，是地方政府实行宏观调控、保证地区经济稳定增长的重要因素。各级政府每年均需预测来年的税收收入以安排财政预算。什么方法能够帮助地方政府有效地预测税收收入？下表是某地历年税收数据（单位：亿元）

解决上面问题源代码：基于MATLAB2014a编程clc, cleara=[15.2  15.9   18.7    22.4    26.9    28.3    30.5  33.8   40.4   50.7    58      66.7    81.2    83.4];m=input('请输入需要预测的个数：');ahat=a;for i=1:m   %m=需要预测值的数量    fprintf('现在开始预测第%d个值。',i);    a=ahat;    a=a'; a=a(:); a=a'; %把原始数据按照时间顺序展开成一个行向量    Rt=tiedrank(a);  %求原始时间序列的秩28.3    n=length(a); t=1:n;     Qs=1-6/(n*(n^2-1))*sum((t-Rt).^2)   %计算Qs的值    T=Qs*sqrt(n-2)/sqrt(1-Qs^2)   %计算T统计量的值    t_0=tinv(0.975,n-2)     %计算上alpha/2分位数作下列假设检验 ：序列 平稳； ：序列 非平稳（存在上升或者下降趋势）。Daniel检验方法：对于显著水平 ，由时间序列 计算 ， 的Spearman秩相关系数Qs，若 >t_0，则拒绝 ，认为序列非平稳。并且Qs>0时，认为序列由上升趋势；Qs<0时，认为序列有下降趋势。又当  t_0时，接受 ，可以认为 是平稳序列。本题中， ，上alpha/2的值t_0=2.1788，所以 >t_0，故认为序列是非平稳的；因为Qs>0，所以序列有上升趋势。为了构造平稳序列，对于 作一阶差分运算 ，得到序列 。从时间序列 散点图来看，时间序列是平稳的。 if(T>t_0)        b=diff(a);   %求原始时间序列的一阶差分        c=ar(b,2,'ls');  %利用最小二乘法估计模型的参数        bhat=predict(c,b') %求原始数据的预测值,第二个参数必须为列向量        bhat(end+1)=forecast(c,b',1); %计算1个预测值，第二个参数必须为列向量        fprintf('第%d个值预测后的全部数据ahat：',i);        ahat=[a(1), a+bhat']  %求原始数据的预测值，并计算t=15的预测值        delta=abs((ahat(1:end-1)-a)./a)  %计算原始数据预测的相对误差    else        c=ar(a,2,'ls');  %利用最小二乘法估计模型的参数        bhat=predict(c,a')  %求原始数据的预测值,第二个参数必须为列向量        bhat(end+1)=forecast(c,a',1); %计算1个预测值，第二个参数必须为列向量        fprintf('第%d个值预测后的全部数据ahat：',i);        ahat=bhat'%求原始数据的预测值，并计算t=15的预测值        delta=abs((ahat(1:end-1)-a)./a)  %计算原始数据预测的相对误差    endend

注：在使用该程序时，只需要把矩阵a换成自己的数据就行。
SPSS进行时间序列预测：
1、把数据输入到SPSS中；

2、定义日期和时间；

3、选择日期：选择“年”，第一个个案是：选择2000，然后点击“确定”；


4、转换→创建时间序列

5、把“税收”移到“变量”里，“名称”默认即可，“函数”中选择“平滑”，然后点击“确定”，即可得到预测结果；


为了和用MATLAB求解的结果作比较，这里也求出了其相对应的相对误差：