第十一章SPSS的时间序列分析课件.pptVIP

（3）在Method框中选择参数ρ估计的方法，其中： ■ Exact maximum-likelihood为精确极大似然法、它是一种建立在极大似然估计准则基础上的参数估计方法。一般在大样本下（样本数大于50）有比较优良的参数估计。 ■ Cochrane-Orcutt法是一种在误差序列具有一阶自相关情况下较常用的参数估计方法，它不适用于序列存在缺失值的情况。 ■ Prais-Winsten法是一种适用在一阶自相关情况下的广义最小二乘法，也不适用于存在缺失值的情况。这种方法一般优于Cochrance-Orcutt方法。 （4）单击Option按钮对模型算法进行设置： ■ 在Initial value of autoregressive parameter框后输入自回归模型迭代初始值ρ 。 ■ 在Convergence Criteria中指定迭代收敛条件：在Maximum iterations后指定最大跌代次数；在Sum of squares change后指定误差平方和减少达到什么程度时终止迭代。 ■ 在Display框中指定输出哪些分析结果 请注意，SPSS的自回归分析是针对误差项存在一阶自相关的情况设计的。当序列中存在更高阶的自相关时，就需要使用ARIMA模型。 11.6.3 自回归法的应用举例 利用1992年初至2002年底共11年我国激光唱机出口量月度数据，对激光唱机出口量进行分析预测。主要分析过程如下： · 首先绘制和观察序列图 · 模型一：利用趋势外推法建立趋势模型 由于序列的趋势并非直线上升，而呈加速上升的态势。因此可首先利用二次曲线进行趋势拟合。以时间及其二次项作为解释变量，并计算DW统计量和预测值以及残差序列。 · 模型二：一阶自回归模型（极大似然法） 观察该模型的拟合效果是否较趋势外推模型有所改进。 · 模型三：对数序列自回归模型 观察图激光唱机出口量序列图发现，序列除了具有曲线趋势、明显的季节性特征之外，还有一个特征就是序列的波动幅度随时间的推移越来越大。这种波动必然会影响到模型的误差序列，进而使其出现方差不平稳性。从前面讲过的方差非平稳性的处理中我们知道，可通过对序列取对数的方法来消除这种波动性逐渐增大的现象。 11.7 ARIMA模型分析 11.7.1ARIMA分析的基本思想和模型 ARIMA是自回归移动平均结合（AutoRegressive Integrated Moving Average）模型的简写形式，用于平稳序列或通过差分而平稳的序列分析。 ARMA模型也称B-J方法，是一种时间序列预测方法。从字面上可以知道，ARMA模型是自回归模型（AR）和移动平均模型（MA）有效组合和搭配的结果，称为自回归移动平均模型。 ARMA其一般形式为：