第十一章SPSS的时间序列讲述.pptVIP

4.2 模型识别 两个重要概念： 自相关函数（Autocorrelation Function , AFC） 偏自相关函数PACF 对于平稳AR (p)序列，所谓滞后k偏自相关系数就是指在给定中间k-1个随机变量 的条件下，或者说，在剔除了中间k-1个随机变量的干扰之后， 对 影响的相关度量。用数学语言描述就是 4.2 模型识别 模型识别主要是通过读ACF图和PACF图为目标序列定阶，即识别p, q的值，提供几个粗的模型以便进一步分析完善。例如： 样本ACF（自相关）图 样本PACF（偏自相关）图 4.2 模型识别 模型定阶的经验方法 如果样本(偏)自相关系数在最初的d阶明显大于两倍标准差范围，而后几乎95％的自相关系数都落在2倍标准差的范围以内，而且通常由非零自相关系数衰减为小值波动的过程非常突然。这时，通常视为(偏)自相关系数截尾。 ARMA模型相关性特征 模型 自相关系数 偏自相关系数 AR(P) 拖尾 P阶截尾 MA(q) q阶截尾 拖尾 ARMA(p,q) 拖尾 拖尾 4.3 参数估计和模型诊断 参数估计是对识别阶段提供的粗模型参数估计并假设检验（具体估计方法略，可以用统计工具直接计算），做出模型的诊断。 模型识别和参数估计及模型诊断过程往往是一个模型逐渐完善的过程，需要不断修正最初的选择。 4.3 参数估计和模型诊断 模型的显著性检验 目的 检验模型的有效性（对信息的提取是否充分） 检验对象 残差序列 判定原则 一个好的拟合模型应该能够提取观察值序列中几乎所有的样本相关信息，即残差序列应该为白噪声序列 。 反之，如果残差序列为非白噪声序列，那就意味着残差序列中还残留着相关信息未被提取，这就说明拟合模型不够有效。 4.3 参数估计和模型诊断 模型的拟合效果 1、 AIC准则——最小信息量准则（An Information Criterion） 指导思想——似然函数值越大越好，未知参数的个数越少越好 AIC统计量（越小越好） 缺陷：在样本容量趋于无穷大时，由AIC准则选择的模型不收敛于真实模型，它通常比真实模型所含的未知参数个数要多 。 2、 SBC准则 SBC统计量 4.3 参数估计和模型诊断 例：用AIC准则和SBC准则评判两个拟合模型的相对优劣 结果 AR(1)优于MA(2) 模型 AIC SBC MA(2) 536.4556 543.2011 AR(1) 535.7896 540.2866 4.4 预测 利用建立起来的ARIMA模型可以对未来的值进行预测，这也是模型实际应用价值的体现。 下图是利用ARIMA模型进行预测的观测值和预测值序列 观测值 预测值 SPSS操作菜单 AnalyzeForecastingCreate Models Method： 1、Expert Modeler 2、Exponential smoothing 3、ARIMA 1 - * 第十一章 SPSS的时间序列分析 第一节 时间序列分析概述 一、相关概念 时间序列：有序的数列：y1,y2,y3,…yt 理解： 1、有先后顺序且时间间隔均匀的数列； 2、随机变量族或随机过程的一个“实现”，即在每一个固定时间点t上，现象yt看作是一个随机变量， y1,y2,y3,…yt是一系列随机变量所表现的一个结果。 时间序列分析的一般步骤 1、数据准备 收集数据，按恰当格式组织 2、数据的观察与检验阶段 总体把握时间序列发展变化特征，图形法等 3、数据的预处理阶段 必要的变换，特征更加明显利于模型选择，满足模型要求 4、数据分析和建模阶段 时间序列模型 时域： 一、成熟方法： 简单回归分析：研究变量间关系，用一个或几个变量的变化解释所关注变量的变化规律，适合于序列间的结构分析，较长期预测； 趋势外推：利用各种特征曲线进行拟合，适合于精度要求不高的中长期预测； 指数平滑：利用平滑去除随机干扰 时间序列模型 二、随机型时间序列模型： ARMA模型（B-J）：一种典型的随机型时间序列分析方法，常用于随机性波动较频繁序列的短期预测。适合于平稳序列的分析。对于非平稳序列，通过差分或季节差分以及各种变换进行平稳化处理后采用，统称为ARIMA模型 ARCH模型：自回归条件异方差模型 ，对于一个时间序列而言，在不同时刻可利用的信息不同，而相应的条件方差也不同，利用ARCH 模型，可以刻划出随时间而变异的条件方差。 时间序列分析的一般步骤 5、模型评价阶段 预测精度：SSE、MAPE、拟合优度、预测值方差 横向关系：F统计量、t统计量、AIC、SBC 6、模型的实施应用阶段 第二节 数据准备 一、数据文件建立 二、时间定义 DataDefine Dates