逆向思维与统计研究.ppt

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，以每周七天为一个季节周期，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、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 指数平滑模型:线性趋势可加季节模型（Linear trend, additive seasonality model） SPSS的实现:时间序列数据的产生 SPSS并不会自动把某些变量看成带有某些周期的时间序列；需要对该变量的观测值附加上时间因素。 例数据tasales.sav原本只有一个变量sales。这样就需要附加带有周期信息的时间。 方法是通过选项Data－Define Dates， 然后在