逆向思维和统计研究.docVIP

用 ARIMA 模型拟合例 tssales.sav 关于于参数，不要选得过大；每次拟合之后要检查残差的 acf 和 pacf 图，看是否为无关随机序列。 在 SPSS 软件中还有类似于回归系数的检验以及其他一些判别标准的计算机输出可做参考（这里不细说）。 经过几次对比之后，对于例 16.1 数据我们最后选中了 ARIMA(0,1,1)( 0,1,1)12 模型来拟合。拟合的结果和对 2003 年 12 个月的预测在下图中。 例 tssales.sav 的原始序列和由模型得到的拟合值及对未来 12 个月的预测图。 例：数据 AR1.sav 为了核对，当然要画出残差的 acf 和 pacf 的条形图来看是否还有什么非随机的因素存在。下图为这两个点图，看来我们的模型选择还是适当的。 用 ARIMA 模型拟合带有独立变量的时间序列 例：数据 tsadds2.sav 是一个销售时间序列，以每周七天为一个a name=baidusnap0/a季节/B周期，除了销售额序列 sales 之外，还有一个广告花费的独立变量 adds 。先不理睬这个独立变量，把该序列当成纯粹时间序列来用 ARIMA 模型拟合。右图为该序列的点图。 数据 tsadds2.sav 再首先点出其 acf 和 pacf 条形图 acf 图显然不是拖尾模式，因此，必须进行差分以消除季节/B影响。试验多次之后，看上去 ARIMA(2,1,2)( 0,1,1)7 的结果还可以接受。残差的 pacf 和 acf 条形图在下一页图中 用 ARIMA 模型拟合带有独立变量的时间序列 继续改进我们的模型，再把独立变量广告支出加入模型，最后得到的带有独立变量 adds 的 ARIMA(2,1,2)( 0,1,1)7 模型。拟合后的残差图在下图中。 用 ARIMA 模型拟合带有独立变量的时间序列 从各种角度来看拟合带独立变量平方的 ARIMA(2,1,2)( 0,1,1)7 模型给出更好的结果。 虽然从上面的 acf 和 pacf 图看不出（一般也不应该看出）独立变量对序列的自相关性的影响，但是根据另外的一些判别准则，独立变量的影响是显著的，而且加入独立变量使得模型更加有效。 用 ARIMA 模型拟合带有独立变量的时间序列 要注意，一些独立变量的效果也可能是满足某些时间序列模型的，也可能会和季节/B、趋势等效应混杂起来不易分辩。这时，模型选择可能就比较困难。也可能不同模型会有类似的效果。 一个时间序列在各种相关的因素影响下的模型选择并不是一件简单明了的事情。实际上没有任何统计模型是绝对正确的，它们的区别在于，在某种意义上，一些模型的某些性质可能要优于另外一些。 SPSS 的实现 :ARIMA 模型 时间序列的 acf 和 pacf 图：可以用选项 Graphs － Time Series － Autocorrelations ， 然后把变量选入 Variables 中 ( 对于数据 AR1.sav ，把时间序列 Z 选入 ) 。 在 Display 中 ( 默认地 ) 有选项 Autocorrelations 和 Partial autocorrelations 导致 acf 和 pacf 图。 人们还经常对残差项绘 acf 和 pacf 图。 SPSS 的实现 :ARIMA(p,d,q)(P,D,Q)s 模型拟合 选择 Analyze － Time Series － ARIMA ，然后把数据中的时间序列选入 Dependent( 在数据 AR1.sav 中 , 选 Z, 对数据 tssales.sav 时选 sales, 而对数据 tsadds2.sav 时选 sales), 对于 Independent, 仅在使用数据 tsadds2.sav 时选了 adds 。 在 Model 的第一列为 ARIMA(p,d,q)(P,D,Q)s 模型的前三个参数 (p,d,q), 第二列 (sp,sd,sq) 为 ARIMA(p,d,q)(P,D,Q)s 模型的后三个参数 (P,D,Q) 。这样只要选定我们所希望尝试的模型参数即可。 周期 s 由于在定义序列时已经有了 ( 见对话框中注明的 Current Periodicity 后面的数字 ), 就不用另外输入了。在输出的变量中有误差和拟合 ( 预测 ) 的序列，在输出文件中还有各个参数和一些判别准则等。。 公式：指数平滑模型 这些模型中有 a ， g ， d ， f 为待估计参数， g ＝ 0 意味着斜率为常数（趋势无变化），而 d ＝ 0 意味着没有季节/B成分， f 和减幅趋势有关；对于时间序列 Xt ，趋势、光滑后的序列、季节/B因子和预测的序列分别用 Tt 、 St 、 It 和 表示；另外， p 表示周期， et 为残差