统计学第3章时间序列分析
统计学中的时间序列分析方法
统计学中的时间序列分析方法时间序列是指一组按照时间顺序进行采集、记录的数据。
时间序列分析是对这组数据进行观察、分析、预测的方法，广泛应用于经济、金融、环境、气象等领域。
统计学中的时间序列分析方法旨在从时间维度出发，分析数据随时间变化的规律性和趋势性，以便预测未来的趋势和变化。
一、时间序列分析的基础知识时间序列分析的基础知识主要包括平稳性、自相关性和偏自相关性。
1. 平稳性平稳性是指时间序列的统计特征在时间维度上不随时间变化而发生显著变化。
平稳性是进行时间序列分析的基本前提，因为只有平稳的时间序列才能有效地应用统计学方法。
2. 自相关性自相关性是指时间序列中某一时刻的值与其前面若干个时刻的值存在一定的关联性。
自相关函数是描述时间序列自相关性的主要方法。
3. 偏自相关性偏自相关性是指时间序列中某一时刻的值与其前面若干个时刻的值之间存在的独立性。
偏自相关函数是描述时间序列偏自相关性的主要方法。
二、时间序列分析的方法时间序列分析的方法主要包括时间域方法和频域方法。
1. 时间域方法时间域方法是指在时间维度上对数据进行分析的方法。
时间域方法主要包括趋势分析、周期分析和季节性分析。
趋势分析是指对时间序列中的长期趋势进行分析，主要包括线性趋势分析、指数趋势分析和多项式趋势分析。
周期分析是指对时间序列中的周期性进行分析，主要包括傅里叶分析和小波分析。
季节性分析是指对时间序列中的季节性进行分析，主要包括月度指标比较法、移动平均法和季节性回归模型法。
2. 频域方法频域方法是指将时间序列转换为频域表示，然后对频域特征进行分析的方法。
频域方法主要包括功率谱分析和自回归移动平均模型（ARMA）。
功率谱分析是指将时间序列通过傅里叶变换转换为频域表示，然后根据频域特征提取时间序列的规律性和趋势性。
ARMA模型是一种描述时间序列的统计模型，它基于自回归（AR）和移动平均（MA）两种基本模型。
ARMA模型可以描述时间序列的均值、方差和自相关性等特征，因此被广泛用于时间序列分析和预测。
统计学时间序列分析
统计学时间序列分析时间序列是经济学、金融学和其他社会科学领域中的一个重要分析对象。
通过对时间序列数据的分析，我们可以揭示数据之间的关系、趋势和周期性，从而为决策提供有力的支持和预测。
统计学时间序列分析是一种应用数学方法的工具，用于对时间序列数据进行建模和预测。
一、时间序列的基本概念时间序列是按时间顺序排列的一系列观测值的集合。
在时间序列分析中，我们关注数据之间的内在关系，而忽略其他因素的影响。
时间序列数据通常具有以下特征：1. 趋势性：时间序列数据的长期变化趋势。
2. 季节性：时间序列数据在一年内固定时间段内的重复模式。
3. 循环性：时间序列数据中存在的多重周期性波动。
4. 随机性：时间序列数据中的不规则、无法预测的波动。
二、时间序列分析的方法在进行时间序列分析时，我们可以采用以下方法来揭示数据的内在规律：1. 描述性统计分析：通过计算数据的均值、方差、相关系数等指标，对数据的整体特征进行描述。
2. 图表分析：通过绘制折线图、柱状图等图表，展示时间序列数据的变化趋势和周期性。
3. 分解模型：将时间序列数据分解为趋势项、季节性项和残差项，以揭示数据的内在结构。
4. 平滑法：通过移动平均法、指数平滑法等方法，消除时间序列数据的随机波动，从而揭示趋势和季节性成分。
5. 自回归移动平均模型(ARIMA)：ARIMA模型是一种常用的时间序列分析方法，可以对数据进行预测和建模。
它综合考虑了自回归、移动平均和差分的影响因素。
三、时间序列分析的应用领域时间序列分析广泛应用于经济学、金融学、市场调研等领域，具体应用包括：1. 经济预测：通过对经济数据进行时间序列分析，可以预测未来的经济发展趋势，为政府决策提供参考。
2. 股票市场分析：时间序列分析可以帮助分析师预测股票市场的走势，制定投资策略。
3. 需求预测：通过对销售数据进行时间序列分析，可以预测产品的需求量，为企业的生产和供应链管理提供指导。
4. 天气预测：通过对气象数据进行时间序列分析，可以预测未来的天气状况，为农业、旅游等行业提供参考。
统计分析与方法时间数列分析
统计分析与方法时间数列分析统计分析是指采用统计方法对数据进行整理、汇总、分析和解释的过程，通过对数据的处理和分析，可以揭示数据背后的规律和特征，从而为决策提供依据。
而时间数列分析则是对一组以时间为顺序排列的数据进行分析，以研究其变动规律和趋势。
统计分析的步骤通常包括数据收集、数据整理、数据描述性统计、数据分析和数据解释等环节。
首先，需要收集到足够的数据，可以通过问卷调查、实地观察、实验设计等方式获取。
然后，对收集到的数据进行整理，将其按照一定的分类标准进行归类和编码，以便于后续的分析。
接下来，通过描述性统计方法，可以对数据进行总体特征的汇总统计，例如计算平均值、中位数、方差等。
然后，可以使用多种统计方法对数据进行分析，如假设检验、回归分析、方差分析等，以揭示数据之间的关系和差异。
最后，需要对数据的分析结果进行解释和推断，形成最终的结论。
与统计分析相比，时间数列分析更加注重对时间序列数据的特性和变化规律的研究。
时间数列是指按照时间先后顺序排列的一组数据，其变化不仅受到时间的影响，还可能受到季节性、趋势性、循环性等因素的影响。
时间数列分析的目标是通过对时间序列数据的建模和分析，来预测未来的发展趋势和变化规律。
时间数列分析的方法包括简单移动平均法、指数平滑法、趋势分析、周期分析等。
简单移动平均法是一种基本的平滑方法，通过计算过去一段时间内的观测值的平均值，来预测未来的趋势。
指数平滑法则是利用指数函数对过去的观测值进行平滑处理，以适应不同时间点对预测值的权重要求不同的情况。
趋势分析则是通过拟合趋势线来预测未来的变化趋势，常用的方法有线性趋势分析、非线性趋势分析等。
周期分析则是通过寻找时间序列中的周期性波动，来预测未来的周期变化。
总之，统计分析和时间数列分析是两种不同的方法，但它们都可以对数据的规律和特征进行分析和解释，为决策提供依据。
综合运用这两种方法，可以更全面地了解和把握数据的动态变化，为预测和决策提供科学依据。
统计学文档时间序列分析
第5章时间序列分析5.1时间序列的基本问题5.1.1时间序列的概念时间序列是指反映客观现象的同一指标在不同时间上的数值，按时间先后顺序排列而形成的序列，它由两个基本要素组成：一个是现象的所属时间；另一个是反映该现象的同一指标在不同时间条件下的具体数值。
也称为时间数列，或动态数列。
时间序列的一般形式是：例如，表5.1是一个国内生产总值及其部分构成统计表。
表时间序列可以描述客观现象发展变化的状况、过程和规律，利用时间序列资料可以计算一系列动态分析指标，通过时间序列分析，可以揭示客观现象发展变化的趋势，为预测、决策提供依据。
5.1.2时间序列的分类时间序列可以分为绝对数时间序列、相对数时间序列和平均数时间序列三种。
其中绝对数时间序列是最基本的时间序列，其余两种是在其基础上派生的。
1、绝对数时间序列，简称绝对序列：它是把同一总量指标在不同时间上的数值按时间先后顺序排列而形成的时间序列。
绝对序列反映现象在不同时间上所达到的总量及其增减变化的过程。
绝对序列有时期序列和时点序列两种。
时期序列是由时期绝对数数据所构成的时间序列，其中的每个数值反映现象在一段时间内发展过程的总量。
时点序列是由时点绝对数数据所构成的时间序列，其中的每个数值反映现象在某一时点上所达到的水平。
时期序列中的各个数数值可以相加，各个数数值的和表示了在所对应的时期之内事物及其现象的发展总量。
而时点序列中各个数数值相加通常没有明确的意义；时期序列中各项数值的大小与所包括的时期长短有直接关系，时点序列中各数数值与其时点间隔长短没有直接关系。
2、相对数时间序列：它是把一系列同类的统计相对数按照时间先后顺序排列起来而形成的时间序列，反映事物之间对比关系的变化情况。
3、平均数时间序列：它是把一系列同类的统计平均数按照时间先后顺序排列起来而形成的时间序列，表现事物一般水平的变化过程的发展趋势。
参看上表格。
5.1.3编制时间序列的原则编制时间序列的目的是要通过对序列中各个时期指标值进行比较，以达到研究客观现象的发展变化状况、过程及其规律。
应用统计学时间数列分析
应用统计学时间数列分析时间数列分析是统计学中的一项重要内容，通过对时间序列数据进行分析，可以揭示数据之间的内在关联和规律。
本文将探讨时间数列分析在实际应用中的重要性和方法。
什么是时间数列分析时间数列（Time Series）指的是按时间顺序排列的一系列数据观测值。
时间数列分析是指根据时间数列数据进行的统计分析方法，旨在发现数据中存在的趋势、季节性、周期性等规律，以便进行预测和决策。
时间数列分析的重要性时间数列分析在许多领域都有广泛的应用，包括经济学、金融、医学、气象等。
通过时间数列分析，我们可以：•发现数据中的趋势和规律•预测未来数据走势•制定决策和策略•检验模型的有效性•揭示不同变量之间的关联时间数列分析方法1. 平稳性检验平稳性是时间数列分析的前提条件之一，可以通过单位根检验、ADF检验等方法来判断时间数列是否平稳。
如果时间数列不平稳，需要进行差分处理或其他转换方法使其平稳化。
2. 自相关性分析自相关性分析是检验数据是否存在自相关性（即相邻数据之间的相关性）的方法，可以通过自相关图和偏自相关图来判断数据中的自相关性程度。
3. 移动平均法移动平均法是一种基本的时间数列预测方法，通过计算一定窗口内的数据均值来平滑数据曲线，以便更好地观察数据走势和预测未来走向。
4. 季节性调整在时间数列分析中，常常需要对数据进行季节性调整，以消除季节性影响，使预测结果更为准确。
应用实例1. 股票价格预测时间数列分析在金融领域有着广泛的应用。
通过分析股票价格的时间数列数据，可以预测股价的未来走势，指导投资决策。
2. 气象预测气象数据也是时间数列数据的一种，通过对气象数据进行时间数列分析，可以预测未来的气候变化和天气情况，为灾害预警和农业生产提供依据。
3. 经济指标分析经济数据的时间数列分析可以揭示经济增长趋势、波动周期等信息，帮助政府和企业做出相应决策。
结语时间数列分析是统计学中一个重要的分析方法，通过对时间序列数据进行分析，可以揭示数据之间的规律、趋势和关联。
时间序列分析
时间序列分析时间序列分析是一种重要的统计学方法，用于研究随时间变化的数据。
它可以帮助我们了解数据的趋势、周期性和季节性，预测未来的变化趋势，并做出相应的决策。
本文将介绍时间序列分析的基本概念、常见的方法和应用领域。
一、时间序列的基本概念时间序列是按时间先后顺序排列的一组观察数据。
它可以是连续的，例如每天的股票价格；也可以是离散的，例如每月的销售量。
时间序列的分析要求数据点之间存在一定的相关性和规律性。
二、时间序列的组成部分时间序列通常由三个主要组成部分构成：趋势、季节性和随机性。
趋势是时间序列在长期内呈现的整体变化趋势；季节性是时间序列在较短的时间内出现的重复周期性变化；随机性是时间序列中无法解释的随机波动。
三、时间序列分析的方法1. 描述性分析描述性分析是对时间序列数据进行可视化和概括的方法。
常用的方法包括绘制折线图、直方图和自相关图等，以帮助我们了解数据的分布和相关性。
2. 平稳性检验平稳性是时间序列分析的基本假设。
平稳序列的统计特性在时间上是不随时间变化的，包括均值、方差和自相关性等。
常见的平稳性检验方法有单位根检验和ADF检验。
3. 建立模型建立时间序列模型是对数据进行预测和分析的关键步骤。
常用的时间序列模型有ARIMA模型、AR模型和MA模型等。
通过对历史数据的拟合，我们可以得到模型的参数，从而进行未来值的预测。
4. 模型诊断与改进在建立模型之后，需要对其进行诊断和改进。
常见的诊断方法包括残差检验、模型稳定性检验和模型比较等。
根据诊断结果，我们可以对模型进行改进，提高预测的准确性。
四、时间序列分析的应用领域时间序列分析在许多领域都有广泛的应用，例如经济学、金融学、气象学和市场营销等。
在经济学中，时间序列分析可以用于预测经济增长趋势和通货膨胀率。
在金融学中，它可以帮助我们预测股票价格和利率走势。
在气象学中，时间序列分析可以用于预测天气变化和自然灾害。
在市场营销中，它可以帮助我们预测销售量和用户行为。
统计学中的时间序列分析
统计学中的时间序列分析时间序列是指按照时间顺序排列的数据序列。
时间序列的特点在于数据的变动与时间相关，它是统计学中一个重要的研究对象。
在统计学中，时间序列分析是一种通过观察、建模和预测时间序列数据的方法。
它可以用来了解数据的趋势、季节性和周期性，并且帮助我们预测未来的发展趋势。
I. 时间序列分析的基本概念时间序列分析涉及以下几个基本概念：1. 时间序列图：通过绘制数据随时间变化的图形，我们可以直观地观察到数据的趋势、季节性和周期性。
2. 趋势分析：趋势是指数据长期上升或下降的变化趋势。
趋势分析可以通过拟合线性回归模型或使用移动平均法等方法进行。
3. 季节性分析：季节性是指数据在一年中周期性地波动。
它可以通过计算季节指数或使用周期性模型如ARIMA模型来分析。
4. 周期性分析：周期性是指数据在超过一年的时间范围内存在的长期周期性波动。
周期性分析可以通过傅里叶分析等方法来实现。
II. 时间序列分析的方法时间序列分析中有多种方法可以用来处理和分析数据。
1. 平均法：通过计算数据的平均值，我们可以了解数据的整体水平和趋势。
2. 移动平均法：移动平均法是一种通过计算一段时间内的平均值来观察趋势的方法。
它可以消除数据的短期波动，更好地展示趋势的变化。
3. 指数平滑法：指数平滑法通过对数据赋予不同的权重来估计未来的趋势。
它在预测短期趋势方面较为有效。
4. 自回归移动平均模型（ARIMA）：ARIMA模型是一种广泛应用于时间序列分析的方法。
它结合了自回归和移动平均两种模型，可以更准确地预测趋势、周期和季节性。
III. 时间序列分析的应用时间序列分析在各个领域都有广泛的应用，包括经济学、金融学、气象学等。
1. 经济学：时间序列分析可以用来预测经济指标如GDP、通货膨胀率等的走势，帮助决策者做出合理的经济政策。
2. 金融学：时间序列分析在股票市场、外汇市场和债券市场的预测与决策中起着重要作用，可以帮助投资者判断市场的趋势和波动。
统计学中的时间序列分析方法
统计学中的时间序列分析方法时间序列分析作为统计学里的一种重要方法，在经济学、金融学、生态学、气象学、医学等领域都有广泛的应用。
时间序列分析是指对一系列连续的观测数据进行研究和预测的方法，其主要目的是寻找时间序列中存在的统计规律性，并预测未来值，因此被广泛地应用在许多领域的预测与分析中。
1.时间序列分析的基本概念时间序列是指在一定时间段内，对同一现象所收集到的一系列相关数据的结果。
时间序列分析是研究随时间变化的一系列变化现象，这些变化不仅具有趋势性和周期性，还有不确定性，而时间序列的分析方法也需针对这些特性进行分析。
时间序列分析一般通过三个方面来描述序列变化：①趋势性：表示序列随时间变化的整体趋势，分为上升、下降或水平。
②周期性：表示序列具有一定的重复性，如季节性、周周期性或月周期性等。
③随机性：表示序列中包含的不确定性，往往基于模型的估计和预测。
2.时间序列分析的方法与模型时间序列分析的方法包含时间序列图、样本自相关系数、周期图等多种分析方法。
其中，时间序列图是一种基本的可视化方法，通过检查序列图的整体趋势，趋势是否呈现上升、下降或平稳；随机性是否存在；周期性是否表现为明显的规律性等，对序列特性有一个概括性的把握。
样本自相关系数图则是判断序列是否具有自相关性的一个有效工具，它反映了序列中不同时刻之间的相关性水平。
在时间序列分析中，我们还需要重点处理周期性因素，通常常见的周期性包括周、季、年等，周期图正是用于描述序列周期性的重要工具。
时间序列预测则是在建立统计模型的基础上对序列未来值的预测，建立模型常运用 ARIMA 模型，即自回归(AF) - 差分(I) - 移动平均(MA)模型。
自回归(AR)模型，对应于序列自身相关，使用前一个时期的观测值来提交当期的值；使用差分(D)时，其可以减少序列中的趋势、季节和周期性；移动平均(MA)模型，对应于序列之间的相关性，使用先前的误差和过去误差的加权平均值来提交当期值的模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
三、平均发展速度和平均增长速度
• 平均发展速度 • 平均增长速度
1.平均发展速度
• （几何平均数）各期环比发展速度的序时 平均数，通常采用几何平均法。
G n xn xn x1 x2 . n x0 x1 xn 1 x0
2.平均增长速度
• 平均增长速度=平均发展速度-1 • 例题：一家投资公司某笔投资的年利率是 按复利计算的，10年的年利率分配如下： 第1年至第2年为5%，第3年至第5年为8%， 第6年至第8年为10%，第9年至第10年为 12%，求平均年利率。（收益率）
x0 x1 x2 xn 1 x0
• 相邻的两个定基发展速度之商，等于相应 时期的环比发展速度，即： xi xi1 xi
x0 / x0 xi 1
2.增长速度
增长量 报告期水平 基期水平 增长速度 发展速度 1 基期水平 基期水平
• 环比增长速度=环比发展速度-1 • 定基增长速度=定基发展速度-1 • 举例301页例9.2
年份 国内生产总 值 （亿元） 1996 1997 1998 1999 2000 2001 2002
67885
74463
78345
82066
89468
97315
102398
全国人口年 122389 123626 124761 125786 126743 127627 128453 末数（万人） 第三产业产 值占国内生 产总值比重 （%） 全国职工年 平均工资 （元）
年份 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998
国内生产总值 （亿元） 16909.2 18547.9 21617.8 26638.1 34634.4 46759.4 58478.1 67884.6 74462.6 79395.7
3.时间序列分析的目的
1.长期趋势trend（T）
• 长期趋势是指现象在一段相当长的时间内 所表现的沿着某一方向的持续发展变化。 长期趋势可能是不断增长或不断下降或保 持不变的态势。例如：我国的GDP近20年 来呈现出逐年增长的态势。长期趋势一般 是受某种长期的起根本性作用的因素影响 的结果。如305页图9.3。
2.季节变动seasonal fluctuation(S)
t1 t2 t3 t2 t3 t4 t3 t4 t5 t4 t5 t6 t5 t6 t7 3 3 3 3 3
t2
t3
t4
t5
t6移动平均法ຫໍສະໝຸດ 偶数项移动平均:原数列 移动平均
t1
t2
t3
t4
t5
t6
t7
移动平均
新数列
t1 t4 t 2 t5 t3 t6 t 4 t7 4 4 4 4
4.不规则变动irregular variation(I)
• 不规则变动是时间序列分离了长期趋势、 季节变动、循环变动以后的波动。不规则 变动一般受众多偶然因素的影响。（随机 变动）
二、时间序列构成因素的组合模型
• 1.乘法模型Y=T.S.C.T • 2.加法模型Y=T+S+C+I
3.3时间序列趋势变动分析
t3
t4
t5
【例】
年份 1 机器产量 41 3项移动 4项移动
返回
移正 -
2
3 4
42
52 43
45
44.5 45.7 45.5 46.7 47.75
45 46.625
5
6 7
45
51 53
46.3
48 49.7 47.25 48 48.75
47.875
47.625 48
8
9 10 11 12
40
一、移动平均法
• 扩大原时间序列的时间间隔，选定一定的 时距项数N，采用逐次递移的方式，对原序 列递移的N项计算一系列的序时平均数。 • 举例：307页的例9.4中的表9.3（奇数项移 动平均）和表9.4（偶数项移动平均）
移动平均法
奇数项移动平均:
原数列
移动平均 新数列
t1
t2
t3
t4
t5
t6
t7
线性趋势模型法的原理： 普通最小二乘法（OLS）
• 整理得:
Y na bt
2
tY at bt
b
• 解得： n tY t Y
n t 2 ( t ) 2
a Y bt
二、线性趋势模型法
• 由于时间t的编号具有一定的灵活性，适当 的时间编号可以使 t 0，这样上式就可以简 化成：
第三章 时间序列分析
王新华
本章主要内容及重难点
主要内容：时间序列的对比分析、时间序列 及其构成要素、时间序列趋势变动分析、 季节变动分析 重点：时间序列的速度分析指标（发展速度、 增长速度、平均发展速度、平均增长速 度）、时间序列的构成要素、移动平均法、 最小二乘趋势法 难点：最小二乘趋势法、季节变动分析
2.平均增长速度
• 平均年利率=平均本利率-1 = 10 1.052 1.083 1.13 1.122 1 =8.77% 思考题：教材327页第3题，要求计算平均增 长速度。
3.2时间序列及其构成因素
• 时间序列的构成因素 • 时间序列构成因素的组合模型
一、时间序列的构成因素
• • • • 长期趋势(Trend,T) 季节变动(Seasonal fluctuation,S) 循环变动(Cyclical variation,C) 不规则变动(Irregular variation,I)
二、线性趋势模型法
• 时间序列的长期趋势可分为： 线性趋势 （直线）、非线性趋势（曲线） • 线性趋势模型法，是利用以时间t为解释变 量的线性回归的方法对原时间序列拟合线 性方程。
ˆ Yt a bt
• Yˆt是时间序列Y的趋势值，t是时间序列的标号
线性趋势模型法的原理： 普通最小二乘法（OLS）
• 3.当序列包括季节变动时，移动平均时距项数N应 与季节变动长度一致（如4个季度或12个月）， 才能消除其季节变动；若序列中包含周期变动， 平均时距项数N应和周期长度基本一致，才能较 好地消除周期波动。 • 4.移动平均以后，其序列的项数较原序列减少。 当N为奇数，首尾各减少（N-1）/2项；当N 为偶数，首尾各减少N/2项。 • 5.此方法适用于分析时间序列的长期趋势，但一 般不适合对现象未来的发展趋势进行预测。
• 季节变动本意上指受自然因素的影响，在一年中 随季节的更替而发生的有规律的变动。现在对季 节变动的概念有了扩展，对一年内由于社会、政 治、经济、自然因素的影响，形成的以一定时期 为周期的有规律的重复变动，都可以称为季节变 动。 • 比如：“销售淡季”、“销售旺季”（啤酒、衣 服）/旅游旺季、旅游淡季（如305页图9.4） • 还比如：一天中七天规律性的变化，周五通常是 人际交往的高峰期，周六、周日则是娱乐、购物 的黄金时间。一日中午和傍晚下班时分，是副食 和蔬菜的销售黄金时间。
30.1
30.9
32.1
33.0
33.4
34.1
33.7
6210
6470
7479
8346
9371
10870
12422
5.编制时间序列的基本原则
• （1）各指标数值所属时间可比 • （2）各指标数值总体范围可比（全国31省 市，还是部分省市，或者是否包括港澳台） • （3）各指标数值的经济内容（如：我国的 经济统计中，生产总量最早用国民收入， 后改用GDP与GNP）、计算口径（重庆与 四川）、计算方法可比（如GDP有三种算 法：生产法、收入法、支出法）（价格指 数有CPI,PPI,RPI）
51 49 56 54
48
48.25 46.7 49 52 52.5 53 -
48.5
48.625 50.75 -
移动趋势配合图 某种商品零售量
0 30
原数列
三项移动平均
0 25
0 20
0 15
五项移动平均
0 10
0 5
0 0 1 第一年 2
3
4
第二年 5 6
7
8
第三年 9 10
11
12 第四年
一、移动平均法（特点）
二、时间序列的速度分析
• 发展速度 • 增长速度
1.发展速度
报告期水平 发展速度 基期水平
报告期水平 xi 环比发展速度 前一期水平 xi 1
定基发展速度
x 报告期水平 i 某一固定基期水平 x0
• 举例教材301页例9.2
1998-2002我国水泥产量速度指标计算表
年份 水泥产量（万吨） 增长量 逐期 累计 环比 1998 53600 ------1999 57300 3700 3700 106.9 2000 59700 2400 6100 104.2 2001 66104 6404 12504 110.7 2002 71500 6393 18900 109.7
2.时间序列的构成
• 被研究现象所属的时间ti • 不同时间上的统计数据xi i=0,1,2,……n（各时间的发展水平） 举例：300页表9.1 在对各时间的发展水平进行比较时，把 作为比较基础的那个时期称为基期，相对 应的发展水平称为基期水平；把所研究考 察的那个时期称为报告期，相对应的发展 水平称为报告期水平。
• 描述事物在过去的状态 • 揭示事物发展变化的规律性 • 预测事物在未来时间的数量
4.时间序列的种类
• 绝对数时间序列（如GDP、进出口额、存 款余额） • 相对数时间序列（如恩格尔系数、资产利 润率、人口出生率） • 平均数时间序列（如平均工资、平均分）
我国1996-2002年国民经济主要 指标