实验spss中的时间序列分析.docVIP

实验八 spss11中的时间序列分析 一、实验目的 了解spss11中时间序列分析的简单方法 二、实验原理介绍 1.SPSS中时间序列分析简要介绍 依时间顺序排列起来的一系列观测值称为时间序列，跟大部分的统计不同，这类资料的先后顺序是不能忽视的，更关键的是观测值之间不独立。因此，这类数据不能用普通的统计方法解决。时间序列分析（Time series）是专门用于分析这种时间序列资料的统计模型。它考虑的不是变量之间的因果关系，而是重点考察变量在时间方面的发展变化规律，并为之建立数学模型。 时间序列分析的方法可以分为两大类：Time domain和Frequency domain。前者将时间序列看成是过去一些点的函数，或者认为序列具有时间系统变化的趋势，它可以用不多的参数来加以描述，或者说可以通过差分、周期等还原成随机序列。后者则认为时间序列是由数个正弦波成分叠加而成，当序列的确来自一些周期函数集合时，该方法特别有用。不同的专业领域习惯用不同的方法：经济学习惯用Time domain，而电力工程专家则对Frequency domain更感兴趣。下面讲述的都是Time domain 由于时间序列模型的复杂性，它在spss中横跨了数据整理、统计分析和绘图三大部分，具体来说是： 预处理模块：包括用于填充序列缺失值的Transform | replace Missing Values过程，建立时间变量的Data | Define dates过程和将序列平稳化的Transform | Create Time Series过程。 图形化观察/分析：时间序列在分析中高度依赖图形。Spss为其提供了特有的观察工具：序列图（Sequence Chart）、自相关/偏自相关图（Autocorrelation Function，ACF Autocorrelation Function，PACF）、交叉相关图（Crosscorrelation Function，CCF）、周期图（Periodogram）和谱密度图（Spectral Chart）。后三者被统一放置在Graphs | Time Series菜单中。 分析模块：它们被统一放置在Analysis | Time Series菜单中，共包括指数平滑法（Exponential Smoothing过程）、自回归线性模型（Autoregressive model）、ARIMA模型和季节解构（Seasonal Decomposition）四种方法。 2.时间序列的建立和平稳化 在对数据拟合时间序列模型前需要进行一系列的准备工作，首先，如果数据存在缺失值的话就要进行填补；第二，SPSS是不会自动将数据文件识别为时间序列的，必须要加以定义；第三，原始的时间序列往往要经过初步的计算（平稳化）才能更好的用于进一步分析。 2.1缺失值的填补－Replace Missing Values过程 大多数时间序列模型都要求数据序列完整无缺，但这实际上非常难以做到。当序列中存在缺失值时，显然不可能采用剔除的方法，因为这样会使得缺失值之后数据的周期发生错位。在这种情况下就应当使用Replay Missing Values过程对缺失值采用适当的方法进行填充，并将结果存入一个新变量。 例子：打开数据文件gnp.sav，删除变量gnp在第8、14条记录中的数值，然后选择适当的缺失值填充方法对其进行填充。 缺失值填充方法有好几种，但各有使用范围，现在gnp序列的规律并不清楚，为保险起见，我们只利用缺失值附近的数据进行填充。 方法：Transform | Replace Missing Values 图1 图1中解释如下： New Variable框：缺失值填充前后的变量对应列表 Name框：存储填补序列的新变量名称 Method下拉列表：可供选择的序列填充方法 Series mean：全体序列的均数，默认值 Mean of nearby points：相邻若干点的均数，在下方的Span of nearby points单选框组中设置使用的相邻点数。 Median of nearby points：相邻若干点的中位数，在下方的Span of nearby points单选框中设置使用的相邻点数 Linear interpolation：线性内插，即缺失值相邻两点的均数，但如果缺失值是在序列的最前/最后，则无法被填充。 Linear trend at point：该点的线性趋势，将记录号作为自变量，序列值作为因变量进行回归，求得该点的估计值。 Span of nearby points单选框组：设置相应填充方法中需要使用的相邻记录数。 Change：将所做得设定应用于相应变量 2.2时间变量的定义－Define dates过程 时间序列