应用2:用组合模型进行长期预测 对含有确定性成分(如时间t,季节性虚拟变量D等)的序列采用组合模型进行长期预 测,有时预测效果更好。由于样本外预测属于动态预测,纯时间序列模型优于短期预测,长 期预测效果欠佳。由于组合模型中含有时间趋势项,以及描述周期变化的虚拟变量,所以优 于长期预测 案例3:用组合模型预测(fle:5bc3a) 北京市19781-1989:12社会商品零售额月度数据(y)曲线见图1。y与时间呈指数关 系且存在递增型异方差。对数的社会商品零售额月度数据(Lmy)曲线见图2。Lmy与时间 近似呈线性关系(异方差问题也得到抑制)。 787980818283848586878889 图1 首先拟合趋势 Method: Least Square Date:08/197Time:0044 Sample:1978M11989M12 Included observations 144 Variable oefficient Std Error t-Statistic Prob @ TRENDI1977M12)0.0077200000709108835400000 @ TREND(1977M2)23.57E05474E06753025100000 0. 974616 Mean dependent var 5.628832 Adjusted R-squared 0. 974256 S.D. dependent var 0.547692 S.E. of regression 0.087877 Akaike info criterion -2.005150 Sum squared resid 1.088848 Schwarz criterion 1943278 147 3708 F-statistic 2706851 Durbin-Watson stat 0.776039 Prob(F-statistic Residual Fitted N NW10 应用 2：用组合模型进行长期预测。 对含有确定性成分（如时间 t，季节性虚拟变量 D 等）的序列采用组合模型进行长期预 测，有时预测效果更好。由于样本外预测属于动态预测，纯时间序列模型优于短期预测，长 期预测效果欠佳。由于组合模型中含有时间趋势项，以及描述周期变化的虚拟变量，所以优 于长期预测。 案例 3：用组合模型预测（file:5b2c3a） 北京市 1978:1~1989:12 社会商品零售额月度数据（yt）曲线见图 1。yt 与时间呈指数关 系且存在递增型异方差。对数的社会商品零售额月度数据（Lnyt）曲线见图 2。Lnyt与时间 近似呈线性关系（异方差问题也得到抑制）。 100 200 300 400 500 600 700 800 900 78 79 80 81 82 83 84 85 86 87 88 89 Y 4.4 4.8 5.2 5.6 6.0 6.4 6.8 78 79 80 81 82 83 84 85 86 87 88 89 log(y) 图 1 yt 图 2 Lnyt 首先拟合趋势。 -.2 -.1 .0 .1 .2 .3 4.5 5.0 5.5 6.0 6.5 7.0 78 79 80 81 82 83 84 85 86 87 88 89 Residual Actual Fitted -.2 -.1 .0 .1 .2 .3 4.5 5.0 5.5 6.0 6.5 7.0 78 79 80 81 82 83 84 85 86 87 88 89 Residual Actual Fitted