发布时间：
1.模型的选择和建模基本步骤
（1）建模基本步骤
1）用观测、调查、取样，取得时间序列动态数据。
2）作相关图，研究变化的趋势和周期，并能发现跳点和拐点。拐点则是指时间序列从上升趋势突然变为下降趋势的点，如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列。
3）辨识合适的随机模型，进行曲线拟合。
（2）模型的选择
当利用过去观测值的加权平均来预测未来的观测值时，赋予离得越近的观测值以更多的权，而“老”观测值的权数按指数速度递减，称为指数平滑（exponential smoothing），它能用于纯粹时间序列的情况。
对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用自回归（AR）模型、移动平均（MA）模型或其组合的自回归移动平均（ARMA）模型等来拟合。
一个纯粹的AR模型意味着变量的一个观测值由其以前的p个观测值的线性组合加上随机误差项而成，就像自己对自己回归一样，所以称为自回归模型。
MA模型意味着变量的一个观测值由目前的和先前的n个随机误差的线性的组合。
当观测值多于50个时一般采用ARMA模型。
对于非平稳时间序列，则要先将序列进行差分（Difference，即每一观测值减去其前一观测值或周期值）运算，化为平稳时间序列后再用适当模型去拟合。这种经差分法整合后的ARMA模型称为整合自回归移动平均模型（Autoregressive Integrated Moving Average），简称ARIMA模型（张文彤，2002；薛薇，2005；G.E.P.Box et al.，1994）。
ARIMA模型要求时间序列满足平稳性和可逆性的条件，即序列均值不随着时间增加或减少，序列的方差不随时间变化。但由于我们所关注的地层元素含量变化为有趋势和周期成分的时间序列，都不是平稳的，这就需要对其进行差分来消除这些使序列不平稳的成分。所以我们选择更强有力的ARIMA模型。
2.平稳性和周期性研究
有些数学模型要检验周期性变化是否为平稳性过程，即其统计特性不随时间而变化，我们可根据序列图、自相关函数图、偏自相关函数图和谱密度图等对序列的平稳性和周期性进行识别。当序列图上表现有明显分段特征时可采用分段计算法，若分段求得的每段频谱图基本一致或相似，则认为过程是平稳的，否则是非平稳的。
自相关函数ACF（Autocorrelations function）是描述序列当前观测值与序列前面的观测值之间简单和常规的相关系数；而偏自相关函数PACF（Partial autocorrelations function）是在控制序列其他的影响后，测度序列当前值与某一先前值之间的相关程度。
平稳过程的自相关系数和偏自相关系数只是时间间隔的函数，与时间起点无关，都会以某种方式衰减趋近于0。
当ACF维持许多期的正相关，且ACF的值通常是很缓慢地递减到0，则序列为非平稳型。
序列的自相关-偏自相关函数具有对称性，即反映了周期性变化特征。
3.谱分析
确定性周期函数X（t）（设周期为T）在一定条件下通过傅里叶（Fourier）级数展开可表示成一些不同频率的正弦和余弦函数之和（陈磊等，2001），这里假设为有限项，即：
洞庭湖区第四纪环境地球化学
其中，频率fk=k/T，k=1，2，…，N。
上式表明：如果抛开相位的差别，这类函数的周期变化完全取决于各余弦函数分量的频率和振幅。换句话说，我们可以用下面的函数来表示X（t）的波动特征：
洞庭湖区第四纪环境地球化学
函数p（f）和函数X（t）表达了同样的周期波动，两者实际上是等价的，只不过是从频域和时域两个不同角度来描述而已。称p（f）为X（t）的功率谱密度函数，简称谱密度。它不仅反映了X（t）中各固有分量的周期情况，还同时显示出这些周期分量在整体X（t）中各自的重要性。具体说，在X（t）中各周期分量的对应频率处，谱密度函数图应出现较明显的凸起，分量的振幅越大，峰值越高，对X（t）的整体影响也越大。
事实上，无论问题本身是否具有周期性或不确定性（如连续型随机过程或时间序列）都可以采用类似的方法在频域上加以描述，只是表示的形式和意义比上面要复杂得多。时间序列的谱分析方法就是要通过估计时间序列的谱密度函数，找出序列中的各主要周期分量，通过对各分量的分析达到对时间序列主要周期波动特征的把握。
根据谱分析理论，对一个平稳时间序列｛Xt｝，如果其自协方差函数R（k）满足 |R（k）|＜+∞，则其谱密度函数h（f）必存在且与R（k）有傅氏变换关系，即平稳序列 ｛Xt｝ 的标准化谱密度p（f）是自相关函数r（k）的傅氏变换。由于p（f）是一个无量纲的相对值，在许多情况下更便于分析和比较。
如何从实际问题所给定的时间序列 ｛Xt，t=1，2，…，n｝ 中估计出其谱密度或标准谱密度函数是谱分析要解决的主要问题。本书采用图基-汉宁（Tukey-Hanning）窗谱估计法。
论文文献研究方法部分怎么写
论文文献研究方法部分怎么写，毕业论文对大学生是很重要的一项内容，如果毕业论文不通过就可能毕不了业了，论文的研究方法是很重要的，下面我和大家分享论文文献研究方法部分怎么写，一起来了解一下吧。
1、调查法
调查法是最为常用的方法之一，是指有目的、计划的搜集与论文主题有关的现实状况以及历史状况的资料，并对搜集过来的资料进行分析、比较与归纳。调查法会用到问卷调查法，分发给有关人员，然后加以回收整理出对论文有用的信息。
2、观察法
观察法是指研究者用自己的感官或者其他的辅助工具，直接观察被研究的对象，可以让人们的观察的过程中，可以拥有新的发现，还可以更好的启发人们的思维。
3、文献研究法
以一定的目标，来调查文献，从而获得关于论文的更加全面、正确地了解。文献研究法有助于形成对研究对象的一般印象，可以对相关资料进行分析与比较，从而获得事物的全貌。
论文研究方法最为典型的有调查法、观察法以及文献研究法，都是值得大家采用的方法。
论文写作中的研究方法与研究步骤
一、研究的循环思维方式
二、研究的路径
三、研究的分析方法
四、研究过程的设计与步骤
五、对传统研究思维模式的再思考
在我们指导研究生写论文的过程中，甚至于我们自己从事课题研究时，不禁让我们思考一系列有关研究的基本问题。例如，我们为什么要写论文?我们为什么要做研究?在我们探讨论文写作的过程中，我们是为了完成论文本身的写作，还是完成一个研究过程?写论文与做研究之间有什么联系与区别?如果论文写作应该反映一个研究过程，那么研究过程应该是什么样的?我们用什么样的方法进行研究?我们发现这些问题的解决，对指导研究生的论文写作有非常大的帮助。因此，本文就以我个人在从事教学课题研究和指导研究生完成论文中总结的一些有关研究方法与研究步骤的问题与大家交流共享。欢迎大家参与讨论。
世界上无论哪个领域都存在许多未知的事物，也存在着许多未知的规律。我们研究者的主要任务就是要不断地从大量的事实中总结规律，将之上升到可以指导实践的理论。然而理论也并不是绝对的真理，它也要在实践中不断地被修正，因此，就会有人对理论的前提和内容进行质疑，并提出新的猜想和新的思维。新的猜想和新的思维又要在实践中进行验证，从而发展和完善理论体系。我们探求未知事物及其规律就需要有研究的过程。这个过程，我们称之为研究的循环思维方式(Research Cycle)。用概念模型来表述就是[1]：
Facts —Theory—Speculation
事实——理论——猜想
上述从“事实”到“理论”，再进行“猜想”就构成了一般研究的思路。从事科学研究的人员既要侧重从事实到理论的研究过程，也同时在研究中要有质疑和猜想的勇气。而这一思路并不是一个终极过程，而是循环往复的过程。当猜想和质疑得到了事实的证明后，理论就会得到进一步的修正。
上述研究的循环思维方式就是我们通常说的理论与实践关系中理论来源于实践的过程。这个过程需要严密的逻辑思维过程(Thought Process)。通常被认为符合科学规律，而且是合理有效的逻辑思维方法为演绎法(Deduction)和归纳法(Induction)。这两种逻辑思维方式应该贯穿研究过程的始终。
另外，从知识管理角度看研究的过程，在某种意义上，研究的过程也可以被理解为，将实践中的带有经验性的隐性知识转化为可以让更多的人共享的系统规律性的显性知识。而显性知识的共享才能对具体的实践产生普遍的影响。研究者除了承担研究的过程和得出研究的结论之外，还要将这一研究的过程和结论用恰当的方式表述出来，让大家去分享。不能进行传播和与人分享的任何研究成果，对社会进步都是没有意义的。
我们认为，研究人员(包括研究生)撰写论文就是要反映上述研究过程，不断探索和总结未知事物及其规律，对实践产生影响。我们强调，论文的写作不是想法(idea)的说明，也不仅是过程的表述。论文的写作要遵循一定的研究方法和步骤，在一定的假设和前提下，去推理和/或验证某事物的一般规律。因此，对研究方法的掌握是写好论文的前提条件。
研究的路径(Approaches)是我们对某事物的规律进行研究的出发点或者角度。研究通常有两个路径(Approaches)：实证研究和规范研究。
实证研究(Empirical Study)一般使用标准的度量方法，或者通过观察对现象进行描述，主要用来总结是什么情况(what is the case)。通常研究者用这种研究路径去提出理论假设，并验证理论。规范研究(Normative Study)：是解决应该是什么(what should be)的问题。研究者通常是建立概念模型(Conceptual Model)和/或定量模型(Quantitative Model)来推论事物的发展规律。研究者也会用这种路径去建立理论规范。
我们认为，上述两种研究的路径不是彼此可以替代的关系。二者之间存在着彼此依存和相辅相成的关系。对于反映事物发展规律的理论而言，实证研究与规范研究二者缺一不可，前者为理论的创建提供支持和依据;后者为理论的创建提供了可以遵循的研究框架和研究思路。
针对上述两个路径，研究过程中都存在着分析(Analytical)过程，也就是解释为什么是这样的情况(Explaining why the case is as it is)，而分析过程就需要具体的研究分析方法来支持。
[2]。然而，更多的学者倾向认为，定量与定性的方法问题更多的是从分析技术上来区别的[3]。因为，任何的研究过程都要涉及数据的收集，而数据有可能是定性的，也有可能是定量的。我们不能将定量分析与定性分析对立起来。在社会科学和商务的研究过程中既需要定量的研究分析方法，也需要定性的研究分析方法。针对不同的研究问题，以及研究过程的不同阶段，不同的分析方法各有优势。两者之间不存在孰优孰劣的问题。对于如何发挥各自优势，国外的一些学者也在探索将两者之间的有机结合[4]。
因此，定性分析方法是对用文字所表述的内容，或者其他非数量形式的数据进行分析和处理的方法。而定量分析方法则是对用数量所描述的内容，或者其他可以转化为数量形式的数据进行分析和处理的方法。一项研究中，往往要同时涉及到这两种分析方法[5]。定性分析是用来定义表述事物的基本特征或本质特点(the what)，而定量分析是用来衡量程度或多少(the how much)。定性分析往往从定义、类推、模型或者比喻等角度来概括事物的特点;定量分析则假定概念的成立，并对其进行数值上衡量[6]。
定量分析的主要工具是统计方法，用以揭示所研究的问题的数量关系。基本描述性的统计方法包括：频数分布、百分比、方差分析、离散情况等。探索变量之间关系的方法包括交叉分析、相关度分析、多变量之间的多因素分析，以及统计检验等。定量研究之所以被研究者所强调，是因为定量分析的过程和定量结果具有某种程度的系统性(Systematic)和可控性(Controlled)，不受研究者主观因素所影响。定量分析被认为是实证研究的主要方法。其优势是对理论进行验证(Theory Testing)，而不是创建理论(Theory Generation)。当然，相对自然科学的研究，社会科学和商务研究由于人的因素存在，其各种变量的可控性被遭到质疑，因此，定量分析被认为是准试验法(Quasi-experimental approach)
定性研究有其吸引人的一面。因为文字作为最常见的定性研究数据是人类特有的，文字的.描述被认为具有“丰富”、“全面”和“真实”的特点。定性数据的收集也最直接的。因此，定性分析与人有最大的亲和力。恰恰也就是这一点，定性分析也具有了很大的主观性。如果用系统性和可控性来衡量研究过程的科学性。定性分析方法比定量分析方法更被遭到质疑[7]。然而，定性数据被认为在辅助和说明定量数据方面具有重要价值[8]。实际上，定性分析方法往往贯穿在研究过程的始终，包括在数据的收集之前，有关研究问题的形成、理论的假设形成，以及描述性分析框架的建立等都需要定性的分析过程，即对数据进行解释和描述等。如果遵循系统性和可控性的原则，那么定性分析方法在数据的收集过程中也有一些可利用的辅助工具，例如，摘要法、卡片法、聚类编码法等。在研究结论的做出和结论的描述方面，像矩阵图、概念模型图表、流程图、组织结构图、网络关系图等都是非常流行的定性分析工具。另外，从定性的数据中也可以通过简单的计算、规类等统计手段将定性分析与定量分析方法结合起来。
这里要指出的是，科学研究不能用想法(idea)本身来代替。科学研究需要有一个过程，而这个过程是用一定的方法来证明有价值的想法，并使之上升为理论;或者通过一定的方法来证明、创建或改进理论，从而对实践和决策产生影响。研究过程的科学性决定了研究成果是否会对实践和决策产生积极的影响效果[9]。
第五步、进行数据的处理和分析
数据的处理主要是保证数据的准确性，并将原始的数据进行分类，以便转化成可以进行进一步分析的形式。数据处理主要包括数据编辑、数据编码和数据录入三个步骤。数据编辑(Data Editing)就是要识别出数据的错误和遗漏，尽可能改正过来，以保证数据的准确性、一致性、完整性，便于进一步的编码和录入。数据编码(Data Coding)就是对所收集的第一手数据(例如对问卷开放式问题的回答)进行有限的分类，并赋予一个数字或其他符号。数据编码的主要目的是将许多的不同回答减少到对以后分析有意义的有限的分类。数据录入(Data Entry)是将所收集的第一手或者第二手数据录入到可以对数据进行观察和处理的计算机中，录入的设备包括计算机键盘、光电扫描仪、条形码识别器等。研究者可以用统计分析软件，例如SPSS等对所形成的数据库进行数据分析。对于少量的数据，也可以使用工作表(Spreadsheet)来录入和处理。
数据的分析就是运用上述所提到的定性或定量的分析方法来对数据进行分析。研究者要根据回答不同性质的问题，采取不同的统计方法和验证方法。对于有些研究，仅需要描述性的统计方法，对于另一些研究可能就需要对假设进行验证。在统计学中，假设的验证需要推论的统计方法(Inferential Statistics)。对于社会科学和商务的研究，一些研究是针对所获取的样本进行统计差异(Statistical Significance)的验证，最终得出结论是拒绝(Reject)还是不拒绝(Fail to Reject)所设定的假设条件。另一些研究则是进行关联度分析(Measures of Association)，通常涉及相关分析(Correlation)和回归分析(Regression)。相关分析是通过计算来测度变量之间的关系程度;而回归分析则是为预测某一因变量的数值而创建一个数学公式。
值得注意的是，随着我们研究和分析的`问题越来越复杂，计算机和统计软件的发展使得多变量统计工具应用越来越广泛。如果多变量之间是从属关系，我们就需要从属关系的分析技巧(Dependency Techniques)，如多元回归分析(Multiple Regression)、判别分析(Discriminant Analysis)、方差的多元分析(MANOVA，Multivariate Analysis of Variance)、典型相关分析(Canonical Analysis)、线性结构关系分析(LISREL，Linear Structural Relationships)、结合分析(Conjoint Analysis)等。如果多变量之间是相互依赖关系，我们就需要相互依赖关系的分析技巧(Interdependency Techniques)，如因子分析(Factor Analysis)、聚类分析(Cluster Analysis)、多维尺度分析(Multidimensional Scaling)等。如果收集的数据有明显的时间顺序，我们不考虑变量之间的因果关系，而是重点考察变量在时间方面的发展变化规律，我们就需要时间序列分析(Time Series Analysis)。目前流行的统计软件，如SPSS对上述各种分析方法都提供非常好的支持。
第六步、得出结论，并完成论文
论文的撰写要结构合理、文字表达清楚确定，容易让人理解。形式上要尽量采取可视化的效果，例如多用图表来表现研究过程和研究结果。具体论文的撰写要考虑包含如下内容：摘要、研究介绍(包括背景、研究的问题、研究的目的)、研究的方法和步骤(样本选择、研究设计、数据收集、数据分析、研究的局限性)、研究的发现、结论(简要结论、建议、启示意义)、附录、参考文献。
针对社会科学和商务领域的问题研究，我们传统上所遵循的研究思维模式是：“提出问题、分析问题和解决问题”。我们承认这是一种创造性的思维过程。遵循这种思维方式可以帮助决策者快速找到问题，并解决问题。然而，用这一思维模式来指导研究的过程，容易使我们混淆研究者与决策者的地位，找不准研究者的定位。首先，这一研究思路和模式将问题的解决和问题的研究混在一起了。其次，没有突出，或者说掩盖了对研究方法的探讨和遵循。这种传统的思维方式是结果导向的思维方式。它忽略了问题的识别过程和研究方法的遵循过程。而从科学研究的角度看，问题的识别过程和研究方法的遵循过程是一项研究中非常重要的两个前提。问题的识别过程可以保证所研究的问题有很强的针对性，与理论和实践紧密联系，防止出现只做表面文章的情况，解决不了根本问题。研究方法的遵循过程可以保证研究结果的可靠性，使研究结果有说服力。当然，在此，我们并不是说明“提出问题、分析问题和解决问题”这一传统模式是错误的，也不否认研究的目的是指导实践。然而，我们觉得，这一传统研究思维模式太笼统，太注重结果导向，不足以说明科学的研究的一般方法和研究步骤。
在社会科学和商务研究中，运用这一传统的研究思路和模式来指导学生撰写论文，容易出现两个不良的倾向。一是使我们过于重视论文本身的写作过程，而忽略了论文写作背后的研究过程和研究方法。也就是只强调结果，不重视过程。在此情况下，论文的写作多半是进行资料的拼凑和整合。当然我们并不能低估资料的拼凑和整合的价值。可是，如果一味将论文的写作定位在这样的过程，显然有就事论事的嫌疑，无助于问题的澄清和问题的解决，也有悖于知识创造的初衷。特别是，既没有识别问题的过程，也没有形成研究问题和研究假设，甚至没有用任何可以遵循的研究分析方法，就泛泛对一个问题进行一般描述，进而提出感觉上的解决方案。这种研究结果是很难被接受的。第二个不良的倾向是上述传统的研究思路和模式使我们辨别不清我们是在做研究，还是在做决策。研究通常是在限定的一个范围内，在一定的假设前提下进行证明或推理，从而得出一定的结论。我们希望这个结论对决策者能产生影响。然而，决策者毕竟与研究者所处的地位是不一样的，考虑的问题与研究者或许一致，或许会很不一致。有价值的研究是要给处在不同地位的决策者(或者实践者)给予启示，并促其做出多赢的选择。因此，传统的研究思维模式缺乏研究的质量判定标准，缺乏系统性和可控性，也不具备可操作性，容易让研究者急功近利，盲目追求片面的终极的解决方案。
在指导对外经济贸易大学研究生的实践中，我们曾试图改变以往的传统思维模式，尝试让我们的研究生将论文的写作与研究过程结合起来，特别注重研究的过程和研究方法，并且要求在论文的写作中反映这些研究的方法与步骤。例如，2002届研究生万莲莲所写的《电子采购系统实施中的管理因素-摩托罗拉公司电子采购系统实施案例研究》硕士论文就是在这方面所做的最初探索。此论文的结构就分为综述、指导理论、方法论、数据分析，以及研究结论和启示等五个主要部分，运用了问卷调查和深度访谈等定性和定量的各种具体方法。其研究结论具有非常强的说服力，因为研究者并不限于第二手资料的收集、整理和加工，而是借鉴前人的理论研究框架，运用问卷定量调查等手段，遵循案例研究的方法，对第一手资料进行收集、处理和分析之后得出的结论，对实践具有较强的指导意义。相同的研究方法，我们又应用在其他研究生的论文写作过程中，例如2002届龚托所写的《对影响保险企业信息技术实施的主要因素的研究》、2003届王惟所写的《对中国铜套期保值现状的研究》，以及2003届马鸣锦所写的《中国银行业知识管理程度与网络银行发展程度的关系研究》等。通过论文写作，这些研究生的确掌握了一般研究的方法和研究的步骤。以上的研究结论对教学和实践直接有借鉴的意义。在教学和咨询过程中，其方法和结论都得到了肯定。据多方反馈，效果还是非常好的。
【注释】：
[1]这是笔者在美国芝加哥自然博物馆看恐龙展览时了解的美国科学家的基本研究思路而得到的启示。
[2] Robson, Colin (1993), Real World Research: A Resource for Social Scientists and Practitioner-Researcher. Blackwell Publishers, P303。
[3] Bryman, A. (1988), Quality and Quantity in Social Research. London: Unwin Hyman.我们发现许多文献资料将定量与定性分析方法称为定量与定性技术(techniques)
[4] Cook, T.D. and Reichardt, C.S. (1979) Qualitative and Quantitative Methods in Evaluation Research. Newbury Park and London: Sage. Ragin, C. C. (1987) The Comparative Method: moving beyond qualitative and quantitative strategies. Berkeley, Cal.: University of California Press.
[5]Robson, Colin (1993), Real World Research: A Resource for Social Scientists and Practitioner-Researcher. Blackwell Publishers, P307。
[6] John Van Maanen, James M. Dabbs, Jr., and Robert R. Faulkner, Varieties of Qualitative Research (Beverly Hills: Calif.: Sage Publications, 1982), P32
[7] 这是因为社会科学和商务研究中包括了人的因素，而人本身作为分析者具有自身的缺陷。例如：数据的有限性、先入为主的印象、信息的可获得性、推论的倾向性、思维的连续性、数据来源可靠性、信息的不完善性、对信息价值判断误差、对比的倾向性、过度自信、并发事件与相关度的判断，以及统计数据的不一致性等。上述缺陷的总结与分析来源于Sadler, D. R. (1981) Intuitive Data Processing as a Potential Source of Bias in Educational Evaluation. Educational Evaluation and Policy Analysis, 3, P25-31。
[8] Robson, Colin (1993), Real World Research: A Resource for Social Scientists and Practitioner-Researcher. Blackwell Publishers, P371。
[9] Ronald R. Cooper, C. William Emory (1995, 5th ed) Business Research Methods, IRWIN, P352
时间序列数据挖掘研究论文提纲 论文摘要: 随着计算机与信息技术的普及和大容量存储技术的发展,人们在日常事务处理和科学研究中逐渐积累了大量宝贵数据,这些数据背后蕴藏着对决策有重要参（略）.如何从这些历史数据中提取需要的信息正成为数据挖掘领域（略）在现实生活中,时间是数据本身固有的因素,在数据中常常会发现时序语义问题.时序数据的出现使得有必要在数据挖掘中考虑时间因素.时序数据在现实生活中广泛存在,如金融市场、工业过程、科学试验、医疗、气象、水文、生物信（略）储规模呈现爆炸式增长.因此对时间序列数据挖掘问题进行深入研究是非常必要和富有挑战性的. 从20世纪末开始,复杂网络的研究已经渗透到生命科学、数理学科和工程学科、社会科学等众多不同的领域.对复杂网络的研究,已成为科（略）个极其重要的富有挑战性的课题.其研究热点之一是寻找复杂网络中的社团结构,事实上这个过程就是一个聚类的过程,所以研究复杂网络社团划分新算法,对于时间（略）重要意义. 本文结合时间序列数据挖掘和复杂网络理论,开展了如下的研究工作: 综述了时间序列数据挖掘和时间序列模式挖掘的研究现状,指出了研究的现实意义.介绍并分析了最具代表性的... With the popularity of computer and information technology,and the great（omitted）nt of storage technique of high capacity,,a great amount of data is accumulated in daily work and in s（omitted）research.Much potentially useful knowledge is hided behind data.Today how to manage and use（omitted）e series data efficiently and extract useful information is an important problem in dat（omitted）ime is the inherent attribute of data,so we should take time into account when mining association rules.Time serie... 目录:摘要 第4-5页 Abstract 第5页 1 绪论 第8-16页 ·选题背景 第8-9页 ·国内外研究现状 第9-14页 ·数据挖掘研究现状 第9-11页 ·时间序列数据挖掘的研究现状 第11-12页 ·序列模式挖掘研究现状 第12页 ·频繁趋势挖掘的研究与发展 第12-13页 ·聚类问题的研究现状 第13-14页 ·本文主要研究内容 第14-16页 2 研究背景 第16-24页 ·数据挖掘与知识发现 第16页 ·数据挖掘的起源 第16-17页 ·引发数据挖掘的挑战 第16-17页 ·相关领域对数据挖掘的`推动 第17页 ·数据挖掘的过程 第17-18页 ·数据挖掘的分类 第18-20页 ·数据挖掘的方法 第20-22页 ·数据挖掘系统 第22页 ·数据挖掘软件的评价 第22-24页 3 时间序列数据挖掘 第24-36页 ·时间序列 第24-25页 ·时间序列概念 第24页 ·时间序列分类 第24-25页 ·时间序列数据挖掘研究 第25-28页 ·序列模式挖掘 第28-34页 ·问题描述 第28页 ·序列模式挖掘 第28-29页 ·序列模式挖掘算法分析与比较 第29-34页 ·时间序列聚类分析 第34-36页 ·复杂网络社团划分方法 第34页 ·时间序列聚类与复杂网络社团结构划分 第34-36页 4 模糊频繁模式挖掘研究 第36-44页 ·趋势分析 第36页
1.模型的选择和建模基本步骤
（1）建模基本步骤
1）用观测、调查、取样，取得时间序列动态数据。
2）作相关图，研究变化的趋势和周期，并能发现跳点和拐点。拐点则是指时间序列从上升趋势突然变为下降趋势的点，如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列。
3）辨识合适的随机模型，进行曲线拟合。
（2）模型的选择
当利用过去观测值的加权平均来预测未来的观测值时，赋予离得越近的观测值以更多的权，而“老”观测值的权数按指数速度递减，称为指数平滑（exponential smoothing），它能用于纯粹时间序列的情况。
对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用自回归（AR）模型、移动平均（MA）模型或其组合的自回归移动平均（ARMA）模型等来拟合。
一个纯粹的AR模型意味着变量的一个观测值由其以前的p个观测值的线性组合加上随机误差项而成，就像自己对自己回归一样，所以称为自回归模型。
MA模型意味着变量的一个观测值由目前的和先前的n个随机误差的线性的组合。
当观测值多于50个时一般采用ARMA模型。
对于非平稳时间序列，则要先将序列进行差分（Difference，即每一观测值减去其前一观测值或周期值）运算，化为平稳时间序列后再用适当模型去拟合。这种经差分法整合后的ARMA模型称为整合自回归移动平均模型（Autoregressive Integrated Moving Average），简称ARIMA模型（张文彤，2002；薛薇，2005；G.E.P.Box et al.，1994）。
ARIMA模型要求时间序列满足平稳性和可逆性的条件，即序列均值不随着时间增加或减少，序列的方差不随时间变化。但由于我们所关注的地层元素含量变化为有趋势和周期成分的时间序列，都不是平稳的，这就需要对其进行差分来消除这些使序列不平稳的成分。所以我们选择更强有力的ARIMA模型。
2.平稳性和周期性研究
有些数学模型要检验周期性变化是否为平稳性过程，即其统计特性不随时间而变化，我们可根据序列图、自相关函数图、偏自相关函数图和谱密度图等对序列的平稳性和周期性进行识别。当序列图上表现有明显分段特征时可采用分段计算法，若分段求得的每段频谱图基本一致或相似，则认为过程是平稳的，否则是非平稳的。
自相关函数ACF（Autocorrelations function）是描述序列当前观测值与序列前面的观测值之间简单和常规的相关系数；而偏自相关函数PACF（Partial autocorrelations function）是在控制序列其他的影响后，测度序列当前值与某一先前值之间的相关程度。
平稳过程的自相关系数和偏自相关系数只是时间间隔的函数，与时间起点无关，都会以某种方式衰减趋近于0。
当ACF维持许多期的正相关，且ACF的值通常是很缓慢地递减到0，则序列为非平稳型。
序列的自相关-偏自相关函数具有对称性，即反映了周期性变化特征。
3.谱分析
确定性周期函数X（t）（设周期为T）在一定条件下通过傅里叶（Fourier）级数展开可表示成一些不同频率的正弦和余弦函数之和（陈磊等，2001），这里假设为有限项，即：
洞庭湖区第四纪环境地球化学
其中，频率fk=k/T，k=1，2，…，N。
上式表明：如果抛开相位的差别，这类函数的周期变化完全取决于各余弦函数分量的频率和振幅。换句话说，我们可以用下面的函数来表示X（t）的波动特征：
洞庭湖区第四纪环境地球化学
函数p（f）和函数X（t）表达了同样的周期波动，两者实际上是等价的，只不过是从频域和时域两个不同角度来描述而已。称p（f）为X（t）的功率谱密度函数，简称谱密度。它不仅反映了X（t）中各固有分量的周期情况，还同时显示出这些周期分量在整体X（t）中各自的重要性。具体说，在X（t）中各周期分量的对应频率处，谱密度函数图应出现较明显的凸起，分量的振幅越大，峰值越高，对X（t）的整体影响也越大。
事实上，无论问题本身是否具有周期性或不确定性（如连续型随机过程或时间序列）都可以采用类似的方法在频域上加以描述，只是表示的形式和意义比上面要复杂得多。时间序列的谱分析方法就是要通过估计时间序列的谱密度函数，找出序列中的各主要周期分量，通过对各分量的分析达到对时间序列主要周期波动特征的把握。
根据谱分析理论，对一个平稳时间序列｛Xt｝，如果其自协方差函数R（k）满足 |R（k）|＜+∞，则其谱密度函数h（f）必存在且与R（k）有傅氏变换关系，即平稳序列 ｛Xt｝ 的标准化谱密度p（f）是自相关函数r（k）的傅氏变换。由于p（f）是一个无量纲的相对值，在许多情况下更便于分析和比较。
如何从实际问题所给定的时间序列 ｛Xt，t=1，2，…，n｝ 中估计出其谱密度或标准谱密度函数是谱分析要解决的主要问题。本书采用图基-汉宁（Tukey-Hanning）窗谱估计法。
早期的时序分析通常都是通过直观的数据比较或绘图观测，寻找序列中蕴含的发展规律，这种分析方法就成为描述性时序分析。古埃及人发现尼罗河泛滥的规律就是依靠这种分析方法。而在天文、物理、海洋学等自然科学领域，这种简单的描述性时序分析方法也常常使人们发现意想不到的规律。 比如根据《史记 货殖列传》记载，早在春秋战国时期，范蠡和计然就提出我国农业生产具有“六岁穰、六岁旱，十二岁一大饥”的自然规律。《越绝书 计倪内经》则描述的更加详细，“太阴三岁处金则穰，三岁处氺则毁，三岁处木则康，三岁处火则旱......天下六岁一穰，六岁一康，凡十二岁一饥”。 用现代汉语来表述就是“木星绕天空运行，运行三年，如果处于金位，则该年为大丰收年；如果处于水位，则该年为大灾年；再运行三年，如果处于木位，则该年为小丰收年，如果处于火位，则该年为小灾年，所以天下平均六年一个大丰收年，六年一个小丰收年，十二年为一个大饥荒”。这是2500多年前，我国对农业生成具有3年一个小波动，12年左右一个大周期的记录，是一个典型的描述性时间序列分析。 描述性时序序列分析方法是人民在认识自然、改造自然的过程中发现的实用方法，对于很多自然现象，只要人们观察时间足够长，就能运描述性时序分析发现蕴含在时间里的自然规律，根据自然规律，做恰当的政策安排，就能有利于社会的发展和进步。 人们没有采取任何复杂的模型或分析方法，仅仅是按照时间序列收集数据，描述和呈现序列的波动，就了解到小麦产量的周期波动特征，产生该周期特征的气候原因以及周期波动对价格的影响。操作简单，直观有效是描述性时间序列分析方法的突出特点。它通常也是人们进行统计时序分析的第一步，通过图示的方法直观的反映出序列的波动特征。 随着研究领域的不断拓广，人们发现单纯的描述性时序分析有很大的局限性，在金融、保险、法律、人口、心理学等社会科学研究领域，随机变量的发展通常会呈现出非常强的随机性，想通过对时序序列简单的观察和描述，总结出随机变量发展变化的规律，并准确预测出它们将来的走势通常是非常困难的。 为了更准确的估计随机时序发展变化的规律，从20世纪20年代开始，学术界利用数理统计学原理分析时序序列。研究重心从总结表现现象转移到分析序列值内在的相互关系上，由此开辟了一门应用统计学科，时序序列分析。 纵观时间序列分析方法的发展历史可以将时间序列分析方法分为两大类。 频域分析方法也成为频谱分析或谱分析方法 早期的频谱分析方法假设任何一种无趋势的时间序列都可以分解成若干不同频率的周期波动，借助傅里叶分析从频率的角度揭示时间序列的规律，后来又借助了傅里叶变换，用正弦、余弦项之和来逼近某个函数。20世纪60年代，burg在分析地震信号时提出最大熵谱值估值理论，该理论克服了传统谱分析所有雇的分辨率不高和频率漏泄等缺点，使得谱分析仅以一个新阶段，称之为现代谱分析阶段。 目前谱分析方法主要用于电器工程，信息工程，物理学，天文学，海洋学和气象科学等领域，它是一种非常有用的纵向数据分析方法，但是由于谱分析过程一般都比较复杂，研究人员通常需要很强的数学基础才能熟练使用它，同时它的分析结果也比较抽象，不易于进行直观的解释，所以谱分析方法的使用具有很大的局限性。 时域（time domain）分析方法主要是从序列自相关的角度解释时间序列的发展规律。相对于谱分析方法，它具有理论基础扎实、操作步骤规范、分析结果易于解释等有点。目前它已经广泛应用于自然科学和社会科学的各个领域，成为时间序列分析的主流方法。本书就是介绍时域分析方法。 时域分析方法的基本思想是事件的发展通常都具有一定的惯性，这种惯性用统计的语言来描述就是序列值之间存在一定的相互关系，而且这种相互关系具有某种统计规律。我们分析的重点就是寻找这种规律，并拟合出适当的数学模型来描述这种规律，进而利用这个拟合模型来预测序列未来的走势。 时域分析方法具有相对固定的分析套路，通常都遵循如下分析步骤： 时域分析方法的产生最早可以最早追溯到1987年，英国统计学家G.M.JenKins联合出版了 Times Series Ananlysis Forecasting and Control一书。在书中，Box和Jenkins在总结前人的基础上，系统的阐述了对求和自回归移动平均（autoregressive integrated moving average）ARIMA模型的识别、估计、检验及预测的原理和方法。这些知识现在被称为经典的时序序列分析方法，是时域分析的核心方法。为了纪念Box和Jinkens对时间序列的发展的特殊贡献，现在人们也常把ARIMA模型称为Box-Jenkins模型。 Box-Jenkins模型实际上是主要运用于单变量、同方差的线性模型。随着人们对各领域时序序列的深入研究，发现该经典模型在理论和应用上都还存在许多局限性。所以近20年来，统计学家纷纷转向多变量场合、异方差场合和非线性场合的时序序列分析方法的研究，并且取得了突破进展。
顾名思义，时间序列就是按照时间顺利排列的一组数据序列。时间序列分析就是发现这组数据的变动规律并用于预测的统计技术。该技术有以下三个基本特点： 1.假设事物发展趋势会延伸到未来； 2.预测所依据的数据具有不规则性； 3.不考虑事物发展之间的因果关系。 对时间序列进行分析的最终目的，是要通过分析序列进行合理预测，做到提前掌握其未来发展趋势，以此为业务决策提供依据。 移动平均法和指数平滑法的局限 移动平均法是一种简单平滑预测技术，它的基本思想是：根据时间序列资料逐项推移，依次计算包含一定项数的序时平均值，以反映长期趋势。但这种方法不适合预测具有复杂趋势的时间序列。指数平滑法是移动平均法的改进方法，通过对历史数据的远近不同赋予不同的权重进行预测。但在实际应用中，指数平滑法的预测值通常会滞后于实际值，尤其是所预测的时间序列存在长期趋势时，这种滞后的情况更加明显。 在实际进行时间序列预测时，遇到的数据会比较复杂，所以我们需要用到更专业的预测方法来对数据进行合理预测。通常情况下一个时间序列包含四种因素，它们会通过不同的组合方式影响时间序列的发展变化。 时间序列四种因素有两种组合方式。 1.四种因素相互独立，即时间序列是由四种因素直接叠加而形成的，可用加法模型表示： Y=T+S+C+I 2.四种因素相互影响，即时间序列是综合四种因素而形成的，可用乘法模型表示： Y=T×S×C×I，通常遇到的时间序列都是乘法模型。其中，原始时间序列值和长期趋势可用绝对数表示，季节变动、循环变动和不规则变动则用相对数（通常是变动百分比）表示。 当我们需要对一个时间序列进行预测时，需要将上述四种因素从时间序列中分解出来。原因是： 1.把因素从时间序列中分解出来后，就能克服其他因素的影响，仅考量某一种因素对时间序列的影响； 2.分解这四种因素后，也可以分析他们之间的相互作用，以及它们对时间序列的综合影响； 3.当去掉某些因素后，就可以更好地进行时间序列之间的比较，从而更加客观地反映事物变化发展规律； 4.分解这些因素后的序列可以用于建立回归模型，从而提高预测精度。 通常情况，我们会考虑进行季节因素的分解，也就是将季节变动因素从原时间序列中去除，并生成由剩余的三种因素构成的序列来满足后续分析需求。 如果时间序列图的趋势随着时间的推移，序列的季节波动变得越来越大，则建议使用乘法模型；如果序列的季节波动能够基本维持恒定，则建议使用加法模型。 时间序列的预测步骤主要分为四步： （1）绘制时间序列图观察趋势； （2）分析序列平稳性并进行平稳化； （3）时间序列建模分析； （4）模型评估与预测； 平稳性是指时间序列的所有统计性质都不会随着时间的推移而发生变化，对于一个平稳的时间序列来说，需要具有以下特征： （1）均数和方差不随时间变化； （2）自相关系数只与时间间隔有关，与所处的时间无关。 相关系数是用来量化变量之间的相关程度。自相关系数研究的是一个序列中不同时期的相关系数，也就是时间序列计算其当前期和不同滞后期的一系列相关系数。 目前主流的时间序列预测方法都是针对平稳的时间序列进行分析的，但是实际上，我们遇到的大多数时间序列都不平稳，所以在分析时，需要首先识别序列的平稳性，并且把不平稳的序列转换为平稳序列。一个时间序列只有被平稳化处理过，才能被控制和预测。 将时间序列平稳化的方式有很多，基础的方法是差分，因为这个方法有助于我们解读时间序列模型。差分，就是指序列中前后相邻的两期数据之差。 ARIMA模型是时间序列分析中常用的一种模型，其全称为求和自回归移动平均模型。该模型形式为：ARIMA（p,d,q）(P,D,Q)。该模型有6个参数，前3个参数（p,d,q）针对季节性变化后的序列，后三个参数(P,D,Q)主要用来描述季节性变化，两个序列是相乘的关系，因此，该模型也称为复合季节模型。 其中：p，是指移除季节性变化后的序列所滞后的p期，取值通常为0或1，大于1的情况较少；d，是指移除季节性变化后的序列进行了d阶差分，取值通常为0、1或2；q，是指移除季节性变化后的序列进行了q次移动平均，取值通常为0或1，很少会超过2。大写的P，D，Q的含义相同，只是应用在包含季节性变化的序列上。本例中，该模型可解读为，对移除季节因素的序列和包含季节因素的序列分别进行一阶差分和一次移动平均，综合两个模型而构建出的时间序列模型。 模型拟合度主要通过R平方或平稳的R平方来评估模型拟合优度，以及在比较多个模型的情况下，通过比较统计量从而找到最优模型。本例中，由于原始序列具有季节变动因素，所以，平稳的R平方则更具参考意义。该值等于32.1%，所以，该时间序列模型的拟合效果一般。 模型统计提供了更多的统计量用以评估时间序列的数据拟合效果。本例中，虽然平稳的R平方值为32.1%，但是“杨-博克斯Q(18)”统计量的显著性（P值）=0.706，大于0.05（此处的显著性（P值）>0.05是期望得到的结果），则接受原假设，认为这个序列的残差符合随机序列分布，同时也没有离群值的出现，这些也都反映出数据的拟合效果还是可以接受的。
时间序列数据挖掘研究论文提纲 论文摘要: 随着计算机与信息技术的普及和大容量存储技术的发展,人们在日常事务处理和科学研究中逐渐积累了大量宝贵数据,这些数据背后蕴藏着对决策有重要参（略）.如何从这些历史数据中提取需要的信息正成为数据挖掘领域（略）在现实生活中,时间是数据本身固有的因素,在数据中常常会发现时序语义问题.时序数据的出现使得有必要在数据挖掘中考虑时间因素.时序数据在现实生活中广泛存在,如金融市场、工业过程、科学试验、医疗、气象、水文、生物信（略）储规模呈现爆炸式增长.因此对时间序列数据挖掘问题进行深入研究是非常必要和富有挑战性的. 从20世纪末开始,复杂网络的研究已经渗透到生命科学、数理学科和工程学科、社会科学等众多不同的领域.对复杂网络的研究,已成为科（略）个极其重要的富有挑战性的课题.其研究热点之一是寻找复杂网络中的社团结构,事实上这个过程就是一个聚类的过程,所以研究复杂网络社团划分新算法,对于时间（略）重要意义. 本文结合时间序列数据挖掘和复杂网络理论,开展了如下的研究工作: 综述了时间序列数据挖掘和时间序列模式挖掘的研究现状,指出了研究的现实意义.介绍并分析了最具代表性的... With the popularity of computer and information technology,and the great（omitted）nt of storage technique of high capacity,,a great amount of data is accumulated in daily work and in s（omitted）research.Much potentially useful knowledge is hided behind data.Today how to manage and use（omitted）e series data efficiently and extract useful information is an important problem in dat（omitted）ime is the inherent attribute of data,so we should take time into account when mining association rules.Time serie... 目录:摘要 第4-5页 Abstract 第5页 1 绪论 第8-16页 ·选题背景 第8-9页 ·国内外研究现状 第9-14页 ·数据挖掘研究现状 第9-11页 ·时间序列数据挖掘的研究现状 第11-12页 ·序列模式挖掘研究现状 第12页 ·频繁趋势挖掘的研究与发展 第12-13页 ·聚类问题的研究现状 第13-14页 ·本文主要研究内容 第14-16页 2 研究背景 第16-24页 ·数据挖掘与知识发现 第16页 ·数据挖掘的起源 第16-17页 ·引发数据挖掘的挑战 第16-17页 ·相关领域对数据挖掘的`推动 第17页 ·数据挖掘的过程 第17-18页 ·数据挖掘的分类 第18-20页 ·数据挖掘的方法 第20-22页 ·数据挖掘系统 第22页 ·数据挖掘软件的评价 第22-24页 3 时间序列数据挖掘 第24-36页 ·时间序列 第24-25页 ·时间序列概念 第24页 ·时间序列分类 第24-25页 ·时间序列数据挖掘研究 第25-28页 ·序列模式挖掘 第28-34页 ·问题描述 第28页 ·序列模式挖掘 第28-29页 ·序列模式挖掘算法分析与比较 第29-34页 ·时间序列聚类分析 第34-36页 ·复杂网络社团划分方法 第34页 ·时间序列聚类与复杂网络社团结构划分 第34-36页 4 模糊频繁模式挖掘研究 第36-44页 ·趋势分析 第36页
曹刿论战是公元前684年 邹忌那个说的是齐威王时候的事是战国时候的人 他在位是356-320 扁鹊是公元前401-301年代的人 马谡是三国时候的人 在春秋战国之后 唇亡齿寒是晋献公伐虢的事 在公元前651年 南辕北辙是魏惠王时候的事 他当时正想攻打邯郸 因为徐州相王时候他们俩互相承认 然后后面魏国被齐国欺负 所以这个事情应该在邹忌讽齐王纳谏之前 所以这个时间序列从前往后应该是曹刿论战、唇亡齿寒、扁鹊见齐桓公、南辕北辙、邹忌讽齐王纳谏、马谡失街亭 希望楼主采纳
时间序列好发论文。根据查询相关公开信息资料显示，从系统论的角度看，时间序列就是某一系统在不同时间（地点、条件等）的响应，围绕时间序列预测、分类、异常检测、表示学习以及在医疗、生物、交通、音乐、金融等方向的应用。
扁鹊见蔡桓公，唇亡齿寒，曹刿论战，邹忌讽齐王纳谏，南辕北辙，马谡失街亭
曹刿论战、唇亡齿寒，都是春秋时的事情。蔡桓公是前400～前357年，齐威王是前378～前320年。所以我认为扁鹊见蔡桓公应在邹忌讽齐王纳谏之前。南辕北辙不好判断，但它出自《战国策•魏策四》，所以也归在战国里。马谡失街亭是三国时候的事。
Etesian亦莘：咨询是一份非常有意思的工作，既包括职业技能、企业管理之类的咨询主业，也会有一些行业内幕、杂谈、感悟以及职业规划。 1 | 咨询公司的PPT是什么样的 事实上，咨询顾问们很少会把PPT称为“PPT”。 正统的叫法应该 slides 、 片子 或是 deck 。 slide 意指单张或几张PPT页， deck 意指一整套PPT报告（就像a deck of cards)。 所以，咨询顾问们常常会说，“我还有好多页片子要画”“老板让我今晚做个deck出来”，而不是说“我要画PPT”。 1 咨询公司deck的目的 咨询公司的deck一般有以下几种使命： 1. Proposal ——用于投标/竞标/讲标 2. Deliverable ——作为项目的交付品 3. Thesis ——类似于whitepaper，用于表达观点，pitch客户 4. Report ——对客户的汇报材料，有的时候和proposal、deliverable、thesis指的是同一个东西，是一个比较宽泛的概念 归根到底，PPT的使命在于展示咨询顾问们的观点，而这样的使命也就决定了咨询公司的deck与其他PPT（如产品发布会、工作汇报等）有着很大的不同。 在绝大多数日常语境下，优秀的PPT的关键词应该是“文字简洁”“配图合适”以及越来越流行的“扁平化”。 比如这样： 或者这样： 与之相反的，我们常常能看到某些咨询公司出具的PPT密密麻麻铺满了字。 比如这样： 或者这样： 从传统审美来看，这样的slides也许美观性上略有不足，但我们并不能简单粗暴地认为这张PPT是失败的。 由于咨询公司的deck承担了绝大部分信息传递的职责，因此当美观和简洁与内容的充实性冲突的时候，咨询顾问还是偏好于将内容完全呈现。甚至还有些客户，就是特别喜好内容多的slides，认为slides上的字越多，他们的钱花得越值得。甚至在汇报的过程中，他们更愿意去阅读，而非听顾问演说。 2 deck的结构 咨询公司的报告一般由三部分组成： Part1 Summary： 一些关键性的结论的罗列，具体参考前文展示的BCG的executive summary；除此以外，在正式汇报中，还应把此次汇报的Objective（比如是否需要客户高层做决策）描述清楚，这部分一般不会出现在正式agenda中； Part2 正文： 这就不多说了； Part3 附录： 主要是对正文内容的一些支撑，有一些繁杂的数据分析、推倒方法等并不适合放在正文中一并汇报，而是放在附录中，如果客户提出疑问，可以随时切换至附录并详加阐述；除此以外，项目完成的一些工作（比如做了多少访谈，发放多少问卷等）也会放在附录中。 比如这样： 说完整体架构，我们再聚焦到每一页slides。 slide一般有五大要素： 1. Tagline ：标题栏，用简单的话概括整页的内容 2. Illustration ：配图，整页的核心，用数据图表或其他类型的图（如流程图、架构图等），说明本页要表达的核心内容 3. Commentary ：对配图的描述与解释 4. Notes ：对整页slide的补充说明，一般是数据口径、名词定义等内容 5. Source ：所有数据及信息的来源 举个例子，下图中，各大要素均已用红框标出。 3 deck的制作流程 特别要注意的是，咨询公司的deck与其他类型的PPT还有一个显著的不同点，在于标题栏。 一般PPT的标题都是短语，比如“xxx牌汽车的市场份额”；而咨询PPT的标题栏则是对整页内容的凝练，比如下图中“土方机械在各地区都是最大的细分市场，在世界其他地区呈两位数增长”。 如果单独把咨询deck每一页的标题抽出来，就会发现呈现在你眼前的是一个完整的故事，这就是我们说的“storyline”。 比如这样： Stroyline是对整个整个咨询项目工作的高度总结与概括，决定了所有的将会如何呈现在客户眼前。虽然不同类型的咨询项目的Storyline都有各自的固定套路，但在实际工作中也往往千变万化： 这个数据是否要展示给客户？ 应该放在一开始就吸引眼球，还是放在后面引发爆点？ 如果放在前面，整个故事应该如何串联？放在后面呢？ …… 很多时候，Storyline的梳理不仅仅是商务工作，更是艺术创作。 Stroyline是绘制PPT的第一步，顾问们还要经历六个步骤才能最终做出汇报PPT： Step2，分页内容梳理 Step3，单页内容的相关数据整理，与逻辑梳理 Step4，在白板或纸面绘制slides草稿，并修改一万遍 Step5，在电脑上绘制slides，并修改一万遍 Step6，被老板枪毙，以上过程重来 T_T Step7，整合所有slides成为完整的deck，并持续修订 2 | 咨询PPT中的图与表 由于图表的直观性，所以总是能比文字更先一步抓住观众的吸引力。 图表也因此承担了绝大部分传达信息的职责，文字的功能更多在于解释说明。图表往往是是一页slide的核心。 定量图表 1 柱状图 Bar Chart 柱状图由于自身特性，所能承担的功能最多样化，因此也是咨询报告中出现频率最多的图表。 在表示多项数据按特定序列编排（一般是时间序列）时，一般使用纵向的柱状图。 在传统观念中，柱状图的横轴一般情况下要表示特定顺序，否则柱形图是没有意义的。此时应该选用横向条形图(Bar)，用条形图根据数值大小进行排序。 当然，以上标准也有例外。当出现多个系列、多组数据需要对比时，即使没有序列，也应该选择纵向的柱形图，这是因为由于人的视觉特点，横向条形图在展示效果上不够直观。还有的时候，由于PPT页面版面的原因，也会将横向图与纵向图相互替换。总体上来讲，纵向的柱状图使用范围更加广泛。 为了强调各部分的数量或者百分比，往往会使用 堆积柱形图 (Stacked)。堆积柱形图在绝大部分场合都可以代替饼图，与饼图相比，柱形图的不同的柱之间更加可比，更直观，而且形状更规整，利于排版。 由柱状图衍生出来的 瀑布图 (waterfall)，突出强调变化的数值，或者数值之间的加减关系。 2 饼图 Pie Chart 饼图主要是展现各部分占总体情况。一般情况下，除非是有特殊要求，饼图不宜分割过多，建议5-7块为宜。有时候，某一部分需要特别展开，可使用复合饼图。 饼图的圆形与slide的方形有所冲突，因而在实际的排版中，饼图在美观性上往往不尽如人意；而且，在饼图内一些份额较少的数据往往容易被忽略。因此，一些咨询公司已经开始减少使用甚至不使用饼图。 3 折线图 Line Chart 折线图主要通过线条的高度和斜度表示数据变化的趋势，特别是相对于时间序列的变化趋势。这一点和柱状图很类似。而折线图和柱状图最大的区别在于二者对数据变化趋势的表现形式。折线图的形状和折线的斜率直观地表现出了变化率，而柱状图更注重于表现变化量。 折线图在咨询deck中出现的频率也并不算高，一般数据量较少时，大多使用柱状图，只有在很长的时间序列内，展现数据的波动情况时，才会使用折线图。 4 点图 4.1 散点图 散点图表现的是二维数据的分布情况。 当散点图的横纵坐标相互独立时——如横坐标是产品市场份额，纵坐标是产品增长速率——散点图可以看做是矩阵，用于多个数据的筛选。和BCG matrix类似，越靠近右上角越好，越靠近右下角越差。 另一种情况下，散点图的横纵坐标有 相关性 ——比如横坐标是人均GDP，纵坐标是人均消费量，点表示各个国家——散点图则显示的是数据分布的规律性，最后展现出来的数据往往集中在某一区域内，类似于线性回归。 4.2 气泡图 由散点图延伸出来的气泡图，可以表示三维的数据。一般用气泡面积的大小来表现收入、资产、人数、个数等衡量规模的数据。与散点图类似，气泡图的横纵坐标的关系的不同，也影响了气泡图展现信息的差异。 下图中的气泡分布就具有明显的线性趋势。 5 面积图 5.1 堆积图/区域图 Area Chart 区域图可以理解为折线图与柱状堆积图的结合。主要是反应各类别数据变化的趋势以及占比情况。非百分比的面积图还能表现出总体数据的变化情况。 5.2 Mekko Chart Mekko图又称市场地图（market map）可通过不同矩形块的面积，体现各个不同的数据的大小关系以及在总体之中的比例。 6 雷达图 雷达图展现的是同一个体几个并列要素其相对应的数据。一般情况下这些要素多符合MECE原则。多个雷达图的叠加，能够轻易判断出不同的数据主体的各项特征。 定性图表 1 表格 由于表格天生长得太丑，咨询PPT中一般会尽量避免表格的出现，即使出现，也会尽量避免使用office自带的表格绘制工具，从而使表格以美化的形象出现。 表格的优点在于： -与纯文字描述相比，表格简洁、直观，可以省略主语与部分谓语，只保留关键的形容词和副词短语 -与图标相比，表格节省空间，单位面积内信息传递量更大 -可灵活设计，适应不同slide的排版情况 因此，表格的 使用 范围一般是： 非数据信息（一般都室定性描述）的展示，以及对比（包括时间、空间、种类等多个维度的对比） 文字描述啰嗦，重复语句较多 数据图表占据空间过大，或者数据图表传达信息不清晰 2 Harvey Ball 作为咨询圈内最经典的定性分析手段之一，Harvey Ball（请原谅我也不知道中文是什么）一直活跃于各种报告中。Harvey Ball其实运用了统计学中“四分位数”的概念，将25分位、75分位等概念进行了简化之后，用来比较不同个体之间的差异性。 3 甘特图 Gantt Chart 甘特图即时间表，一般用来规划咨询项目的工作进度，多用于竞标的poposal以及项目的kick off。 甘特图需要写明工作内容、负责人、时间进度以及里程碑（milestone），便于在项目的进程中追踪进度。 4 路径图 Roadmap “路径图”没有统一的名称，也没有约定俗成的形式，一般用于客户规划未来商业战略/系统实施/企业变革等进度。 5 泳道图 在与业务流程相关的咨询项目中，常使用泳道图。泳道图能够清晰体现出某个具体动作发生在哪个部门，将这些业务动作按照职能进行划分。由于外观像不同的游泳道，因此称为泳道图。泳道图很少直接在汇报的deck里作为展示的对象，一般会被写进详细的交付材料中 以上就是咨询报告中最常见的定性与定量图表。除了Mekko 图之外，其他所有图表都可以通过PowerPoint自带的图表工具绘制。据说是由于专利原因，只有Think-cell和Mekko Graphic能够绘制Mekko图。相比Mekko，Think-cell也更为方便易用，在咨询公司的应用情况也更为广泛。3 | 如何做好顶尖咨询公司的PPT PPT的实质即是呈现信息，制作slides有三大要素：内容，逻辑，风格。 “内容”是一份deck的血肉。曾和一个朋友探讨他们项目上的deck如何去做，最后发现原因出在没有足够的内容来支撑每一页slides。而图表正是这些“内容”的重要表现形式，这在上一章中已经详细描述过了。 风格之于PPT，犹如容貌与衣饰之于人： 比如，通过配色就可以轻易分辨报告到底出于MBB哪家之手： 比如，某几家尽量避免使用饼状图，而使用堆积柱状图代替； 比如，某家多用线条，而很少用色块； 再比如，某几家最近两年的风格越来越向互联网公司接近…… 我们可以通过外貌、穿着、声音等特征轻易地分辨出身边不同的人，同样地，我们可以通过配色、图形、文字等分辨出咨询公司。“风格”与其他两要素有一定的交集，但仅限于直观表象的层面，是一种“习惯”的表象。风格由咨询公司的传统决定，在潜移默化中塑造了咨询顾问们制作PPT的一些技巧（而非技术）。所有的咨询公司都有几套公司内部的模板（如下图），甚至还有一些咨询公司有专门的graphic部门，负责做PPT的美化。 逻辑是PPT的骨架，如果没有严密的、通顺的逻辑，deck以及每一页slide，都会让观众觉得茫然或晦涩。而逻辑正是本文的主题。 总体上来讲，PPT的逻辑分为三个层次： 1.整个deck的故事线（storyline） 2.每一页的细节内容（tag line） 3.细节内容的组织形式（Format） 1 Storyline-故事线 故事线，一般用英文storyline代称，是整篇deck的脊梁。 storyline决定了咨询报告的叙述逻辑与顺序，也就从根本上决定了这篇报告能否从一开始到最后都能吸引观众的兴趣与注意力。 很多行业外的朋友都有这样的疑惑：为什么不按照做项目的顺序，或者说按照一开始的方法论来组织最终的报告呢？为什么最后的报告（无论是讲标报告还是结项汇报），都要花大量的时间在确定这些PPT的先后顺序上？ 举个简单的例子。 一般地，一份市场战略项目的汇报报告会包含：市场规模，增长预测，竞争态势，自身现状评估与预测等几块内容。 不难看出，“市场”与“竞争”是有交集部分的，“竞争”与“标的分析”是有交集部分的。 那么，这些交集应该如何切分，然后合理地放到报告中呢？还需要考虑的问题是，应该先讲市场，还是先讲自身？应该先讲自身，还是先讲竞争？ 再举个简单的例子。 一些内部运营优化/转型的项目，会对客户内部进行一次完整的诊断，并提出解决方案。 在诊断的过程当中，会收集到很多客户内部存在问题，然后顾问们就会针对这些问题提出有效的解决方案。 很多时候，针对一条问题，解决方案往往会涵盖很多方面。比如，一些问题可能同时涉及市场、人力资源，而另一些问题会涉及财务、销售等。 那么，在最终的汇报中，是应该逐条详解不同的问题，还是逐条描述对公司不同职能条线（市场，销售，人力资源，财务等）的优化呢呢？ 以上问题都没有标准答案。 ——也许我们会遇到市场糟糕，但自身逆势增长的情况，可能我们就会把市场的评估向后放一放。 ——也许我们在诊断中发现，不同的职能条线所需要的解决方案数量相近，难度相似，可能我们就会按照职能条线的顺序逐一汇报。 2 Tag Line-标题栏 严格地来说，Tag Line应该是storyline的具体表现，是故事线进一步的产物，也就是我们在开头提到的“每一页的细节内容”。在实际工作中，顾问们常常会用storyline代指连结在一起的tag line。 在Storyline（先说什么后说什么）敲定之后，项目组就要开始确定每一页的片子应该要讲什么内容了。这里没有太多细节可说，但有两个原则必须明确： 原则一：每一页片子必须要产生观点，不能仅仅是对客观事物的描述。 下面这一页就是失败的典型： ——只罗列了一些数字，并没有讲清楚数字背后的东西。比如，为什么ROE在15年会下降，16年又迅速反弹？ 原则二：每一页片子只讲一件事情，并在Tagline里用简短的语句说清楚。 来看一个失败的案例： 这页片子完美地触犯了原则一和原则二： ——没有提出自己的观点，让观众短时间内无法直接获取PPT的重点内容； ——Tagline是一个短语，非陈述句； ——讲了两件事，并且没有论述清楚这两件事的关系。 成功的案例是怎样的呢？ ——tagline里面明确提出了Amazon的 "triple threat" 价值主张，并得出结论：亚马逊正在侵蚀传统的零售商。 原则三：所有的tagline应该是连续的，并且能组成完整的storyline。 直接看案例。 以下图片取材于百度文库中的《罗兰贝格产业规划项目》，是罗兰贝格在2008年为华夏幸福基业做的战略规划。 由于篇幅原因，这里选取了报告中A模块的第1点《影响功能定位的外部趋势分析》的所有tagline。 ——所有的标题连起来就是连贯的语段，即使不看内容也能大致了解报告说了些什么。建议自行搜索原文阅读。 3 Format-排版 一般在一页PPT内，主要有图表（chart & table)、论述图(illustration)和文字这三类组成模块。 在经历了无数个画片子的深夜后，终于总结出了一套简单粗暴、行之有效的PPT排版法： 十六格排版法 。 首先，想象一下，一页空白的PPT里有16个大小相同的格子，像这样： 这里，插播一个叫“ 区域 ”的概念： “区域“是由一个或多个方格组成的形状，是PPT 里最高层级的组成元素。每一个区域均包含各种各样的内容，也因此有图表，论述图和文字等多种表现形式。 所以，绘制PPT可以简化为：把方格组成不同区域，把所有的内容，包括图表，论述图和文字，按照一定次序，对应摆放到PPT上各个区域里。 原则一：组成区域的方格可以根据区域的内容进行合并、伸缩。横向或纵向的区域尽量控制在四个以内。 原则二：每一块区域必须讲述的是同一个内容，并与其他区域相异。 比如这样的一页片子： 依照16格排版的原则，应该是这样的： 每一个彩色矩形就是所谓的“区域”，很容易看出来： ——原来的16个格子被两两组合在一起，成了更大的方块，整个PPT实际只有8块“区域”； ——有一些区域的方格被缩小了，比如黄色和灰色；有一些方格被拉大了，比如红色和紫色，都是为了配合内容的尺寸。 如果横向或纵向有5块甚至以上的区域，在狭小的空间里，就显得局促。除非是内容不可省略或合并，否则不建议超过5个区域。 原则三：所有的区域都只能是矩形，不能出现L、T等字形，更不能出现不规则图形。 这条规则一般都会被遵守，因为非矩形的区域在排版上实在是太丑了。 原则四：相邻区域之间尽量吻合（长或宽相同），尽量避免出现区域与区域之间交错。 不同区域之间的交错，主要由于某一区域过长或过宽，一方面要尽量避免这样的情况，保持相邻区域同长同宽；如果确实由于内容的原因无法实现，那也要保持整体的对齐与对称。 看一个失败的案例： 把不同区域填上色，就可以明显的发现，结构图（灰色区域）与文字（蓝色区域）没对齐，而图片（绿色区域）与排名表（红色区域）没对齐，橙色与绿色也没对齐。整个页面显得有些杂乱。 原则五：不同区域的排布要合乎逻辑。 这一点是最考验顾问功力、也是最难说明的一点。 常见的问题主要由以下几种： 1.重点不突出 没有把重点内容区域放到醒目的位置，如左上、最右或最下等符合阅读顺序的位置；重点区域面积小，易被忽略。还有就是页面内没有重点，比如上面Aon Hewitt的片子。 2.逻辑展现方式有误 最常见的就是用错箭头。箭头一般表示递进、推倒、连接、趋势等含义。经常看见新来的小盆友乱用箭头，导致逻辑混乱。 比如下图，就是不管逻辑硬套模板的典型。 3.逻辑关系有误 最常见的情况是逻辑上平行的区域展现的内容不在同一个层次上，或者展现的形式与维度不在同一个层次上。 比如下图： 标题里讲的是“业务流程”，下面三点虽然都与之相关，但明显不在同一个层面上。这些更多的是内容上的问题，个案之间有很大的差别，很难找到通解通法，因此不再详细说了。 基本上，按照以上几个要点画PPT，最后的结果都不会太糟糕。
可以。因为时间序列大都都是不稳定的。如果将不稳定的序列直接纳入到计量模型里面很有可能会造成伪回归。