第11章时间序列预测应用汇总.pptVIP

2、基本原理 时间序列的随机分析通常利用Box-Jenkins建模方法。利用Box-Jenkins方法建模的步骤为： （1）计算观测序列的样本相关系数和样本偏相关系数。 （2）模式识别：检验序列是否为平稳非白噪声序列。如果序列是白噪声序列，建模结束；如果序列为非平稳序列，采用非平稳时间序列的建模方法，建立ARIMA模型或SARIMA模型；如果序列为平稳序列，建立ARMA模型。 （3）初步定阶和参数估计：模型识别后，框定所属模型的最高阶数；然后在已识别的类型中，从低阶到高阶对模型进行拟合及检验。 （4）拟合优度检验：利用定阶方法对不同的模型进行比较，以确定最适宜的模型。 （5）适应性检验：对选出的模型进行适应性检验和参数检验，进一步从选出的模型出发确定最适宜的模型。 （6）预测：利用所建立的模型，进行预测。 11.3.2 ARIMA模型的SPSS操作详解 Step01 ：打开【Create Models(创建模型)】对话框 当时间序列的数据已经准备好以后，xz 选择菜单栏中的【Analyze(分析)】→【Forecasting(预测)】→【Create Models(创建模型)】命令，弹出【Create Models(创建模型)】对话框。在该对话框左侧的【Variables(变量)】列表框中选择一个变量，将其移入【Dependent Variables(因变量】列表框。在【Method(模型)】下拉列表框中选择【ARIMA】，然后选择【ARIMA】选项，并单击【Criteria(条件)】按钮，弹出【ARIMA Criteria(ARIMA条件)】对话框。 Step02 ：ARIMA模型选择 对话框中的第一部分为【ARIMA Order(ARIMA序列)】, 第二部分为【Transformation(转换)】。 Step03 ：离群值的处理 在【ARIMA Criteria(ARIMA条件)】对话框中单击【Outliers(离群值)】选项卡， 弹出【Outliers(离群值)】对话框，这样可以选择对离群点的处理方式。 Step04 ：完成操作 单击【Create Models(创建模型)】对话框中的【OK(确认)】按钮，将进行ARIMA模型建模。 11.3.3 实例图文分析：旅客周转量的ARIMA建模 1. 实例内容 以我国2004年1月到2009年12月旅客周转量的数据为例，尝试建立ARIMA模型。 2. 实例操作 Step01：打开【Seasonal Decomposition(周期性分解)】对话框 选择菜单栏中的【Analyze(分析)】→【Forecasting(预测)】→【Create Models(创建模型)】命令，弹出【Create Models(创建模型)】对话框。将该对话框左侧的【 VAR00001】移入【Dependent Variables(因变量】列表框。在【Method(模型)】下拉列表框中选择【ARIMA】，并选择【Criteria(条件)】选项，弹出【ARIMA Criteria(ARIMA条件)】对话框。 Step02：ARIMA模型选择 在【ARIMA Order(ARIMA序列)】选项组中输入阶数都为1，建立ARIMA(1,1,1)(1,1,1)模型，单击【Continue(继续)】按钮，返回【Create Models(创建模型)】对话框。 Step03：统计量的选择 单击【Create Models(创建模型)】中的【Statistics(统计量)】对话框中，选择展示模型拟合度量、Box-ljung 统计量、被模型过滤掉的样本数据的个数的选项，选择显示模型参数的估计值，选择好以后，单击【Save(保存)】选项卡。 Step04：保持变量的选择 在 【Save(保存)】选项卡中选择保存预测值，保存残差的值。 Step05：完成操作 单击对话框中的【OK(确认)】按钮，将进行ARIMA模型建模,完成操作。此时，输出结果，同时在当前数据编辑窗口中自动生成带前缀Predicted的预测值和带前缀NResidual的残差的值。 3 实例结果及分析 （1）模型描述 该模型为Model-1，模型的类型为ARIMA(1,1,1)(1,1,1)模型。 （2）模型拟合优度 对VAR00001建立ARIMA(1,1,1)(1,1,1)模型的拟合优度，包括了调整R-Square,标准化的BIC等所有拟合优度的值。 （3）模型的统计量的结果 由于在【Statistics(统计量)】对话框中，选择了展示模型拟合度量、ljung- Box统计量、被模型过滤掉的样本数据的个数的选项，所以，在输出结果中出现了调整R-Square，标准化的BIC的值，ljung- Box统计量的值。 从表11-11中可以