第11章 SPSS在时间械尿列预测中的应用.pptVIP

第11章 SPSS在时间序列预测中的应用 ; 时间序列分析是概率统计学科中应用性较强的一个分支，在金融经济、气象水文、信号 处理、机械振动等众多领域有从所采用的数学工具和理论， 时间序列分析分为时域分析和谱分析两大类分析方法 预测的流程通常可以用下图来描述 ：;11.1 时间序列的预处理 ;⑶特征分析 所谓特征分析就是在对数据序列进行建模之前，通过从时间序列中计算出一些有代表性的特征参数，用以浓缩、简化数据信息，以利数据的深入处理，或通过概率直方图和正态性检验分析数据的统计特性。通常使用的特征参数有样本均值、样本方差、标准偏度系数、标准峰度系数等。 ⑷相关分析 所谓相关分析就是测定时间序列数据内部的相关程度，给出相应的定量度量，并分析其特征及变化规律。 理论上，自相关系数序列与时间序列具有相同的变化周期．所以，根据样本自相关系数序列随增长而衰减的特点或其周期变化的特点判断序列是否具有平稳性，识别序列的模型，从而建立相应的模型。 3.其他注意事项 进行时间序列预处理的时候，常常需要对数据一些变换，例如，取对数，做一阶差分，做季节差分等。 ;11.1.2 时间序列预处理的SPSS操作详解 ;如果选择月度数据或季度数据，将会出现【更高级别的周期】。在其下方将显示数据的最大周期长度，月度数据默认周期长度为12，季度数据默认周期长度为4。;单击【确认】按钮，此时完成时间的定义，SPSS将在当前数据编辑窗口中自动生成标志时间的变量。; Step02：数据采样;Step03：直观分析;Step04：特征分析;Step05 ：相关分析;在左侧的候选变量列表框中选择一个变量，将其移入【变量】列表框中。 单击【选项】按钮，弹出【选项】对话框。;11.1.3 实例图文分析：社会商品零售总额的预处理;2 实例操作;Step02：标志时间的变量出现 单击【确认】按钮，此时完成时间的定义，SPSS将在当前数据编辑窗口中自动生成标志时间的变量，同时在输出窗口中将会出现一个简明的日志，说明时间标志变量及其格式和包含的周期等。;Step03 ：数据采样 选择菜单栏中的【数据】→【选择个案】命令，弹出【选择个案???对话框，点选【基于时间或个案全距】单选钮，并单击【范围】按钮，此时会出现新的对话框，在【第一个个案】选项组的【年】文本框中输入“2000”，在【月】文本框中输入“1”，在【最后个个案】选项组的【年】文本框中输入“2009”，在【月】文本框中输入“12” 。单击【继续】按钮，然后单击【选择个案】对话框中的【确认)】按钮，此时在输出窗口中将会出现一个简明的日志，说明此时只对2000年1月都2009年12月的数据做分析与建模。 ;;Step04 ：直观分析;Step05 ：特征分析;Step06 ：相关分析;3 实例结果及分析;（2）特征分析结果;（3）相关分析结果;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.;（2）样本自相关系数的图形 在SPSS中画出了样本自相关系数图。图中的横轴为滞后期，纵轴为样本自相关系数。图中用条形形状来表示样本自相关系数，并画出了95%的置信上下限的线条。从下图可以看出该时间序列的自相关系数并不呈负指数收敛到零，其衰减速度比较慢，不是平稳时间序列。;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.;（3）样本偏相关系数的值 在SPSS中给出了不同滞后阶的样本偏相关系数的值，样本偏相关系数的标准误差（标准列）。从表10-3样本偏相关系数的数据表可以看出该时间序列不是白噪声。;（4）样本偏相关系数的图形 图中的横轴为滞后期，纵轴为样本偏相关系数（PACF）。图中用条形形状来表示样本偏相关系数，并画出了95%的置信上下限的线条。从下图可以看出该时间序列的偏相关系数在一阶滞后期、12阶滞后期比较大，说明该时间序列具有周期性，不是平稳时间序列。 ;11.2 时间序列的确定性分析;2、基本原理 （1）指数平滑法 指数平滑法有助于预测存在趋势和（或）季节的序列。指数平滑法分为两步来建模，第一步确定模型类型，确定模型是否需要包含趋势、季节性，创建最适当的指数平滑模型，第二步选择最适合选定模型的参数。 指数平滑模法一般分为无季节性模型、季节性模型。无季节性模型包括简单指数平滑法、布朗单参数线性指数平滑法等，季节性模型包括温特线性和季节性指数平滑法