SPSS主成分分析和因子分析参考.ppt

11.3 ARIMA模型 11.3.1 基本概念及统计原理 说明： 所谓拖尾是自相关系数或偏相关系数逐步趋向于0，这个趋向过程有不同的表现形式，有几何型的衰减，有正弦波式的衰减；而所谓截尾是指从某阶后自相关或偏相关系数为0。 11.3 ARIMA模型 11.3.1 基本概念及统计原理 （2）统计原理 非平稳时间序列——ARIMA过程 11.3 ARIMA模型 11.3.1 基本概念及统计原理 （2）统计原理 季节ARIMA模型 时间序列常呈周期性变化，或称为季节性趋势。用变通的ARIMA模型处理这种季节性趋势会导致参数过多，模型复杂。季节性乘积模型可以得到参数简约的模型。季节性乘积模型表示为ARIMA(p, d, q, sp, sd, sq)（或ARIMA(p, d, q) × (sp, sd, sq)k）。其中，sp表示季节模型的自回归系数；sd表示季节差分的阶数，通常为一阶季节差分；sq表示季节模型的移动平均参数。如是月度资料，要描述年度特征，则sd = 12；如是日志资料，要描述每周特征，则sd = 7。 11.3 ARIMA模型 11.3.1 基本概念及统计原理 （3）ARIMA建模步骤 ARIMA建模实际上包括3个阶段，即模型识别阶段、参数估计和检验阶段、预测应用阶段。其中前两个阶段可能需要反复进行。 ARIMA模型的识别就是判断p，d，q，sp，sd，sq的阶，主要依靠自相关函数（ACF）和偏自相关函数（PACF）图来初步判断和估计。一个识别良好的模型应该有两个要素：一是模型的残差为白噪声序列，需要通过残差白噪声检验，二是模型参数的简约性和拟合优度指标的优良性（如对数似然值较大，AIC和BIC较小）方面取得平衡，还有一点需要注意的是，模型的形式应该易于理解。 11.3 ARIMA模型 11.3.2 SPSS实例分析 【例11-5】表是某加油站55天的燃油剩余数据，其中正值表示燃油有剩余，负值表示燃油不足，要求对此序列拟合时间序列模型并进行分析。 天 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 燃油数据 92 -85 80 12 10 3 -1 -2 0 -90 100 -40 -2 20 78 -98 -9 75 65 天 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 燃油数据 80 -20 -85 0 1 150 -100 135 -70 -60 -50 30 -10 3 -65 10 8 -10 10 天 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 　 　 燃油数据 -25 90 -30 -32 15 20 15 90 15 -10 -8 8 0 25 -120 70 -10 　 　 11.3 ARIMA模型 第1步 数据组织：将数据组织成两列，一列是“天数”，另一列是“燃油量”，输入数据并保存，并以“天数”定义日期变量。 第2步 观察数据序列的性质： 先作时序图，观察数据序列的特点。按“分析→预测→序列图”的顺序打开“序列图”对话框，将“油料量”设置为变量，并将所生成的日期新变量“DATE_”设为时间标签轴，生成如下图所示的时序图。 可以看出数据序列在0上下振荡，且无规律，可能是平稳的时间序列。 11.3 ARIMA模型 再做自相关图和偏自相关图进一步分析。按“分析→预测→自相关”顺序打开“自相关”对话框，并在“输出”选项组中将“自相关”和“偏自相关”同时选上，输出结果如下面两图所示。 从上左图可以看出，自相关函数呈现出比较典型的拖尾性，说明数据自相关性随时间间隔下降。从上右图可以看出，除了延迟1阶的偏自相关系数在2倍标准差范围之外，其他除数的偏自相关系数都在2倍标准差范围内波动。根据这个特点可以判断该序列具有短期相关性，进一步确定序列平稳。同时，可以认为该序列偏自相关函数1阶截尾。 综合该序列自相关函数和偏自相关函数的性质，根据前表的模型识别规则，可以拟合模型为AR(1)，即ARIMA(1, 0, 0)。 11.3 ARIMA模型 第3步 模型拟合： 按“分析→预测→创建模型”顺序打开“时间序列建模器”对话框，将“燃油量”选入“因变量”框。设置过程与图11-7类似，并选择“方法”下的“ARIMA”模型。 “条件”对话框设置。单击“方法”右边的“条件（C）…”按钮，打开“时间序列建模器：ARIMA条件”对话框，并按如下图所示进行设置。在“ARIMA阶数”框中需设置“非季节性”参数：自回归的阶p、差分的阶d和移动平均数q。如果时间序列有季