如何理解时间序列相关性

如何理解时间序列相关性

序列相关性，在计量经济学中指对于不同的样本值，随机干扰之间不再是完全相互独立的，而是存在某种相关性。又称自相关，是指总体回归模型的随机误差项之间存在相关关系。

在回归模型的古典假定中是假设随机误差项是无自相关的，即在不同观测点之间是不相关的。如果该假定不能满足，就称与存在自相关，即不同观测点上的误差项彼此相关。

影响时间序列的因素有哪些

1、影响时间序列的因素有长期趋势、季节变动、循环变动、不规则变动；

2、长期趋势是指现象在较长时期内受某种根本性因素作用而形成的总的变动趋势；

3、季节变动现象是指在一年内随着季节的变化而发生的有规律的周期性变动；

4、循环变动现象是指以若干年为周期所呈现出的波浪起伏形态的有规律的变动；

5、不规则变动是一种无规律可循的变动，包括严格的随机变动和不规则的突发性影响很大的变动两种类型。

简述时间序列的构成要素

１、长期趋势（Ｔ）现象在较长时期内受某种根本性因素作用而形成的总的变动趋势；２、季节变动（Ｓ）现象在一年内随着季节的变化而发生的有规律的周期性变动；３、循环变动（Ｃ）现象以若干年为周期所呈现出的波浪起伏形态的有规律的变动；３、不规则变动（Ｉ）是一种无规律可循的变动，包括严格的随机变动和不规则的突发性影响很大的变动两种类型。

时期序列的主要特点有：

１、序列中的指标数值具有可加性。

２、序列中每个指标数值的大小与其所反映的时期长短有直接联系。

３、序列中每个指标数值通常是通过连续不断登记汇总取得的。

什么是时间序列

时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列；

时间序列法是一种定量预测方法，亦称简单外延方法，在统计学中作为一种常用的预测手段被广泛应用，时间序列分析在第二次世界大战前应用于经济预测，二次大战中和战后，在军事科学、空间科学、气象预报和工业自动化等部门的应用更加广泛；

时间序列分析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；

时间序列构成要素是，现象所属的时间，反映现象发展水平的指标数值。

如何用神经网络进行时间序列预测

1、将时间序列拆开，组织训练样本；

2、参考附件的例子，用的是BP神经网络；

3、神经网络是86年Rumelhart和McCelland为首的科学家小组提出，是按误差逆传播算法训练的多层前馈网络，是应用最广泛的神经网络模型；

4、BP网络能学习和存贮大量的输入，输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程；

5、学习规则是用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小；

6、BP神经网络模型拓扑结