大数据背景下时间序列分析课程的教学改革探索

来源:用户上传      作者:习丽

　　摘 要：时间序列分析是一门应用性较强的统计学专业课程，在大数据背景下，必须进行教学改革，提高教学效果，才能培养出大数据时代所需要的统计人才。文章从优化教学内容、探索课堂教学方法、完善考核模式三个方面探索该课程的教学改革。
　　关键词：时间序列分析;课堂教学;R语言;案例教学
　　中图分类号：G642 文献标志码：A 文章编号：2096-000X（2022）13-0014-04
　　Abstract： Under the background of Big Data， the course of Time Series Analysis is a practical statistical one. We must carry on the teaching reform and improve the teaching effect in order to cultivate the statistical talents needed in the Big Data era. This paper explores the teaching reform of the course from three aspects： optimizing the teaching content， exploring the classroom teaching method and perfecting the examination mode.
　　Keywords： Time Series Analysis; classroom teaching; R language; case teaching
　　大稻菔侵杆孀畔执社会的进步和信息技术的发展，在政治、经济、社会等各个领域形成的规模巨大，增长与传播迅速，形式复杂多样、非结构化程度高的数据或数据集[1]。大数据时代，绝大数的信息都是由数字表达出来的，数据既是信息的载体，更是统计学研究问题和分析问题的对象。统计学研究的数据主要有静态数据和动态数据两种，分别利用多元统计分析、时间序列分析方法来研究[2]。
　　时间序列分析是统计学专业的必修课程，通过对动态数据进行观察、研究，寻找数据内在的规律，建立有效适当的统计模型，并预测其将来的走势。在日常生活中，时间序列比比皆是，如今时间序列分析方法广泛应用于经济、天文、农业、气象、生物、质量控制等诸多领域，成为众多行业经常使用的统计方法[3]。
　　大数据时代，统计人才的需求量越来越大，对人才的能力要求也越来越高。传统的教学模式已经无法做到“与时俱进”，只有不断地探索时间序列分析课程的教学改革，才能培养满足大数据时代所需求的统计学专业人才。
　　一、大数据背景下时间序列分析课堂教学中存在的问题
　　时间序列分析作为高校统计学专业的必修课程，是统计学专业的一个重要分支 。传统的“一支粉笔，走遍天下”的教学方法理论教学比例太大，实践环节较少。课堂上教师很容易“迷恋”上理论推导，变得枯燥无味，学生实际操作能力弱，解决实际问题的能力无法满足大数据时代的要求，无法培养大数据时代所需要的统计人才。
　　在大数据背景下，探讨时间序列分析的教学改革，对培养数据分析人才具有重要的理论价值及现实意义。对时间序列分析这门课程进行教学改革，目的是培养专业的数据分析人才，满足大数据时代的需求。
　　二、优化课堂教学内容：重视学科史，增加模型背景的教学内容
　　课堂教学是教师向学生传授知识的一个重要环节和途径，有必要在课堂教学中简要介绍时间序列分析的历史演变发展过程，在知识学习中融入时间序列分析的学科史，增加模型背景的教学内容，有效调动学生的积极性，更易于激发学生对本专业的热爱，激发学生学习时间序列分析方法的兴趣。
　　学科的演变过程是在不断地发现问题和解决问题的过程中实现的，这与个人发展相类似，对学生的思想品质产生一定的影响，在人生之路上要树立目标，努力解决问题，不断实现更好更优秀的自己。实现立德树人，把思想政治工作融会贯通于教育教学的全过程，推动全程育人。如何简要介绍时间序列分析的历史演变过程呢？笔者根据多年讲授积累了丰富的经验，简要叙述如下。
　　（一）描述性时序分析的阶段
　　约7000年前，尼罗河涨落的情况被古埃及人逐天记录下来，形成了世界上最早的时间序列。早在我国春秋战国时期，范蠡等提出“六岁穰，六岁旱，十二岁一大饥”的自然规律。经过几十年持续的观察和记录，德国业余天文学家、药剂师S.H.Schwabe最终发现太阳黑子活动有11～12年的周期性规律。
　　对时间序列的早期分析，主要依靠对数据的直观比较或简单的绘图观测，探寻序列中所隐含的发展规律，被称为描述性时序分析，是时间序列分析的初始阶段。随着研究领域越来越宽，起初单纯的描述性时序分析的方法越来越不能满足需求。后来伴随概率论中随机变量的发展以及统计学中一些方法的逐渐提出，时序分析开始关注随机序列内在本质的相关关系，统计时序分析的新时代因之诞生。
　　（二）统计时序分析的阶段
　　频域分析方法和时域分析方法是现代时间序列分析的两大类。
　　1. 频域分析方法简介
　　1906年德国学者Arthur Schustrt提出的周期图方法是频域分析的开端。谱分析方法具有很高的数学门槛，且需要的数据量与计算量都非常大，且结果不易进行直观解释，使用主要局限在某些特殊领域，比如：地震研究领域，文学，海洋学等[4]。
　　2. 时域分析方法简介
　　1927年英国统计学家G.U.Yule首创的2阶自回归模型AR（2），公认为时域分析方法的起源。一般时域分析方法主要是从序列自相关的角度来揭示时间序列的发展规律。后来Gilbert Thomas Walker把AR（2）模型扩展到一般的AR（p）模型。Evgeny Evgenievich Slutsky创建了滑动平均MA（q）模型。在1938年，瑞典计量经济学家和统计学家Herman Wold提出了Wold分解定理，是现代时间序列分析理论的灵魂，是拟合平稳序列的基础。瑞典著名的统计学家和保险精算家Harald Cramer将Wold分解定理进行推广，得到了Cramer分解定理，它是非平稳序列的分解理论，是构造ARIMA模型的理论基础。Cox和Jenkins讨论了非平稳自回归滑动平均模型ARIMA，通过适当阶数的差分可以将非平稳时间序列变为平稳时间序列，可以建立ARMA模型。随着时间序列研究的逐渐深入，经典模型在应用上的局限性随之显现。统计学家们纷纷转向多变量场合、异方差场合和非线性场合的时间序列分析方法的研究，并取得了一些重大进展，例如，向量自回归模型（VAR）、广义自回归条件异方差模型（GARCH）等。

nlc202205261354

转载注明来源:https://www.xzbu.com/1/view-15432272.htm