SPSS14-时间系列分析

第14章时间序列分析TimeSeries返回各种时间序列分析过程修补缺失值与创建时间序列指数平滑有关公式操作实例自回归过程有关公式操作实例自回归综合移动平均过程操作实例季节分解过程操作实例习题14习题参考答案结束目录返回分析内容指数平滑自回归综合移动平均季节分解法在做分析前，须对数据进行预处理，步骤：1对缺失值数据进行修补2定义相应的时间序列3对时序数据平稳性计算各种时间序列分析过程返回修补缺失值过程与对话框返回Seriesmean:整个序列的均数来替换缺失值Meanofnearbypoints：相邻若干点均数来替换Medianfonearbypoints：若干相邻点中位数来替换Linearinterpolation：相邻两点平均值来替换Ineartrendatpoints：该点的线性趋势（记录号做自变量）创建时间序列对话框时间序列分析是建立在序列的平稳下的判断序列是否平稳可以看它的均数和方差是否不再随时间的变化而变化，自相关系数是否只与时间间隔有关而与所处的时间无关。通常，大多数时间序列不平稳，经常进行差分和对数转换或平方根转换进行平稳化处理创建时间序列对话框运行函数Lag时的结果说明返回functionDifference非季节性差分Seasonaldifference跨距恒定间隔的季节性差分Centeredmovingaverage中心移动平均Priormovingaverage时间序列当前值之前的跨距平均值Runningmedians包括当前值跨距的中位数Cumulativesum包括当前值累积总和Lag滞后Lead领先Smoothing混合数据平滑基础上，计算新时序值指数平滑ExponentialSmoothing返回概念1958年，由holt提出，应用于无趋势、非季节作为基本形式的时间序列的分析。估计是非线性的，其目标是使预测值和实测值间的均方差为最小。四种方法：Simple：研究时间序列数据无趋势和季节变化Holt：使用于有线性趋势、无季节变化Winters：使用于含有季节性因素的时间序列预测Custom：自定义，选择趋势和季节指数平滑有关公式（Simple法）计算公式tttFXF1111122111111NtNNtNttttFXXXXF对第1个公式重新排列后得到：tttttteFFXFF1返回预测值是前一期预测值加上前一期预测值中所产生的误差的修正值。误差修正权数a，默认状态下为0.1，通常在0.1-0.3之间。指数平滑有关公式（Holt法）三个方程式111ttttbSXS111ttttbSSbmbSFttmt利用前一期的趋势值bt1直接修正平滑值St用来修正趋势值bt，趋势值用相邻两次平滑值之差来表示进行预测，预测值为基础值加上趋势值乘以预测超前期数两个参数α、γ（从0~1之间取值）返回指数平滑有关公式（Winters法）四个方程式111ttLtttbSIXS其中（0α1）111ttttbSSb其中（0γ1）LttttISXI1其中（0β1）mLtttmtImbSF公式中数据Xt为含有季节性因素的时间序列，St值是去除季节性因素的平滑值。L为季节的长度（每年的月数或季数），I为季节的修正系数。返回指数平滑过程主对话框返回指数平滑参数选项对话框返回指数平滑保存对话框返回Custom模型选择项返回Simple法实例输出计算结果返回纪录某化工厂化工生产过程中每分钟的温度读数，请对121分钟的温度度数作一次平滑预测Holt法计算实例输出返回某厂从1977-2000年生产机器的销售量，给出其2002年的预测销售量Winters法实例输出返回按千人计的英国1955-1969年季度失业人数和gdp国内生产总值，预测1970年第四季度的失业人数和gdp值。自定义指数趋势输出返回自回归Autoregression返回自回归有关公式用Xt，Xt-1，Xt-2，…，记在等间隔时间t，t-1，t-2，…上的过程值用Zt，Zt-1，Zt-2，…，记关于均值μ的偏差，即Zt=Xt–μtptpttteZZZZ2211p阶自回归（AR）：时间序列的当前值等于时间序列前一个的值同一个随机误差的线性组合，即：ttteXX11返回计算自回归方法精确极大似然方法：能够处理缺失值数据，以及能够使用滞后因变量作为自变量Cochrane-orcutt：当时间序列含缺失值，无效Prais-winsten：不使用于缺失值，比上法优自回归过程主对话框返回保存对话框返回选项对话框返回案例变量weight为某养鱼场历年的年捕捞量。为了提高经营管理水平，需建立自回归模型，预测2002年的捕捞量。自回归分析实例输出Prais-Winsten法计算结果返回1995199619971998199920002001year2,7503,0003,2503,5003,7504,0004,250ValueweightFitforweightfromAREG,MOD_11995199619971998199920002001year2,7003,0003,3003,6003,9004,200Valueweight95%LCLforweightfromAREG,MOD_195%UCLforweightfromAREG,MOD_1实测值和估计值之间的线图实测值—可信区间线图返回自回归综合移动平均（ARIMA）返回概述它估计非季节和季节平稳性的自回归综合移动平均模型，arima模型，也称box-jenkins模型。可对包含季节趋势的时序分析第一步：对数据差分第二步：选定合适的模型第三步：参数估计、检验。自回归综合移动平均过程主对话框返回选择参数对话框返回模型参数选择返回自回归综合移动平均分析实例输出1123返回自回归综合移动平均分析实例输出24567返回自回归综合移动平均分析实例输出3实测值与预测值的拟合线图返回季节分解法SeasonalDeccomposition返回概述时间序列变化受多种因素影响，分为四种长期趋势因素（t）季节变动因素（s）周期变动因素（c）不规则变动因素（i）时间序列看成四因素函数Y=f（t,s,c,i）加法模型和乘法模型Y=t+s+c+I,y=t*s*c*I乘法模型更常用，时序和长期趋势用绝对值表示，季节变动、周期变动、不规则变动用相对值（百分数）表示季节分解主对话框返回季节分解法分析实例输出返回14习题1、时间序列的基本概念。2、时间序列分析过程中有哪几种常用的方法？3、对数据用时间序列模型进行拟合处理前，应做哪些准备工作？4、在哪个过程中可进行缺失值的修补？5、修补缺失值的方法共有几种？6、在哪个过程中可定义时间变量？7、时间序列分析是建立在序列的平稳的条件上的，怎样判断序列是否平稳？8、为什么要建一个时间序列的新变量？在SPSS的哪个过程中来建时间序列的新变量？返回时间序列习题参考答案1、时间序列是指一个依时间顺序做成的观察资料的集合。2、时间序列分析过程中最常用的方法是：指数平滑、自回归、综合移动平均及季节分解。3、先对数据进行必要的预处理和观察，直到它变成稳态后再用这些过程对其进行分析。根据对数据建模前的预处理工作的先后顺序，将它分为三个步骤：首先，对有缺失值的数据进行修补，其次将数据资料定义为相应的时间序列，最后对时间序列数据的平稳性进行计算观察。4、修补缺失值可在Transform菜单的ReplaceMissingValues过程中进行。5、修补缺失值的方法共有五种，它们分别是：⑴、Seriesmean；⑵、Meanofnearbypoints；⑶、Medianofnearbypoints；⑷、Linearinterpolation；⑸、Lineartrendatpoint。6、定义时间变量可在Data菜单的Definedates过程里实现。7、判断序列是否平稳可以看它的均数和方差是否不再随时间的变化而变化、自相关系数是否只与时间间隔有关而与所处的时间无关。8、在时间序列分析中，为检验时间序列的平稳性，经常要用一阶差分、二阶差分，有时为选择一个合适的时间序列的模型还要对原时间序列数据进行对数转换或平方根转换等。这就需要在已经建立的时间序列的数据库中，再建一个新的时间序列的变量。在SPSS的CreateTimeSeries中可根据现有的数字型时间序列变量的函数建立一个新的变量。返回预测的必要条件：取得真实的数据选择正确的方法挖掘更多信息返回返回