[管理学]统计实验报告四.docVIP

实验四、 SPSS的相关、回归和预测 一、实验目的 　　掌握变量之间的序列关系和相关关系，应用时间序列和相关回归进行分析预测。 二、实验要求 要求根据有关数据库，熟悉相关、回归分析和预测的操作方法，掌握时间数列的各种预测方法。 三、实验内容 SPSS时间序列的分析： １、回归预测法（最小平方法） 步骤： 绘制时间序列图【Graphs】→【Sequence】 【Analyze】→【Regression】→【Curve Estimation】 【Save Variables】框：【Prdicted values】表示保存预测值；【Residuals】表示保存参差；【Prediction intervals】表示保存预测值默认95％置信区间的上限和下限值。 （3）【Prdict Case】框：【Predict from estimation period through last case】表示计算当前所有样本期内的预测值；【Predict through】表示计算指定样本期内的预测值，指定样本期在【Observation】框后输入。 将数据按照课本例题11-5输入SPSS中，并进行相关设置，按照上述步骤操作。 首先利用软件绘制出我国餐饮业从业人员数的曲线图，可见该趋势图形基本呈现为一条直线，时间数列的逐期增长量近似一个常数。（如下图） 对原数据进行预测，得预测值如下表： 上表显示数据中保存了各种拟合曲线的预测值，分别是利用线性、对数、逆、二次、三次、复合、幂、S、增长、指数、逻辑斯谛回归做出来的预测值。 对曲线拟合进行分析与选择： SPSS提供了多种曲线拟合，包括线性、对数、逆、二次、三次、复合、幂、S、增长、指数、逻辑斯谛。横向目录分别为可决系数R^2，F，自由度1，自由度2，尾概率，常数 ，b1，b2，b3。 在选择选用哪种曲线拟合中，可观测可决系数R^2的值：R^2值越大，则表示拟合程度越好；该值 1时，则表示观测值与曲线完全拟合。在上表中，我们可以观测到Linear的R^2值最大，为0.968，大于其他拟合曲线的R^2值，因此在实际预测中该题我们偏向选择线性曲线的预测拟合度最高。 在Parameters Estimates中提供的是预测曲线函数。如该题中的线性曲线为：y=401.507+53.537*x，x是自变量，即时间序列，取值为1,2,3,4，……如该题中，采用线性回归分析，当x=1时，代入线性曲线函数方程中，得y=455.04364，即为1991年的预测值。相对应地，x=2时算出来的函数值即为采用线性回归分析时1992年的预测值。 另外产生的上图形象地把拟合后的曲线画出来了，将各拟合曲线作了展示。 ２、移动平均法 【Transform】－【Creat time series】，function中选择相应的方法按照移动平均值与原时间序列在时间位置上的对应关系不同， 移动平均法可分为前移动平均（Prior moving average）和中心移动平均（Centered moving average） 。Prior moving average】计算当前值以前若干期的平均值Centered moving average】是指以当前值为中心，计算前后若干期的平均值。Prior moving average】做出来的预测值是往后推三期。即第一个预测值是作为第四期的预测值，后面依次类推。而采用【Centered moving average】做出来的预测值，则是作为计算的三期中的中间那一期的中间值，即步长取3时，前三期算出来的第一个预测值作为第二期的预测值，后面的数据依次类推。 上表显示为采用【Centered moving average】做出来的预测值，其中步长分别取3,2,5,4。 不同的移动步长，对原数列的修匀效果见上图。 3指数平滑法 【Analyze】－【Time series】－【exponential smoothing】－【Simple】 Simple法基本过程： 1.首先定义变量、输入数据，至少要有一个变量 2.指定需要进行指数平滑处理的变量。 3.“Parameters”参数设定，选定指数平滑中的参数，误差修正权数 α（General（Alpha））的取值在默认状态下为0.1，当α＝1时，预测值等于最新的观测值。单击Grid Search选项，如不加改动，可让程序自动计算α从0.1到1的10个指数平滑结果，并将误差平方和最小的平滑结果暂时存放在数据库中，当然，在这里可重新设置α的开始值，以后每次的增加值及终止值。 在本程序中，确定Initial Values初始值栏中的选择有两种方式，选择Automatic项，初始值用自动方式生成，程序自动