第7章节时间序列SPSS(1084KB).pptVIP

表7.7 ARIMA（1，1，1）模型在2006-2008年的预测值 * 《统计学实验》第7章时间序列分析 7-* Forecast Model 2006 2007 2008 GDP-Model_1 Forecast 2.03E5 2.22E5 2.40E5 UCL 2.08E5 2.35E5 2.63E5 LCL 1.98E5 2.09E5 2.17E5 图7.8 原始数据时序图、模型拟合值和预测值的点图 * 《统计学实验》第7章时间序列分析 7-* 【程序方式】 PREDICT THRU YEAR 2008. * Time Series Modeler. TSMODEL /MODELSUMMARY PRINT=[MODELFIT] /MODELSTATISTICS DISPLAY=YES MODELFIT=[ SRSQUARE] /MODELDETAILS PRINT=[ FORECASTS] /SERIESPLOT OBSERVED FORECAST FIT /OUTPUTFILTER DISPLAY=ALLMODELS /AUXILIARY CILEVEL=95 MAXACFLAGS=24 /MISSING USERMISSING=EXCLUDE /MODEL DEPENDENT=GDP PREFIX=Model /ARIMA AR=[1] DIFF=1 MA=[1] TRANSFORM=NONE CONSTANT=YES /AUTOOUTLIER DETECT=OFF. * 《统计学实验》第7章时间序列分析 7-* 7.4 时间序列的季节分解 【例7.5】 (数据文件为li7.2.sav) 使用例7.2中1990年至2004年我国月度社会消费品零售总额数据（亿元）。 利用季节分解法对数据的季节因素和趋势因素进行分解。 * 《统计学实验》第7章时间序列分析 7-* 【统计理论】 时间序列的季节分解方法就是剔除数据中的周期性波动，比如季节性的突高突低，发现修正后的长期趋势。时间序列的季节分解主要有两种方法：乘法模型(multiplicative)和加法模型(additive)。 乘法模型表示时间序列变量可以分解成季节分量、趋势分量（即季节修正后的序列变量）和随机波动的乘积。 加法模型则意味着时间序列变量可以表示为这些分量的和。 * 《统计学实验》第7章时间序列分析 7-* 【菜单方式】 打开数据文件li7.2.sav， 首先按照例7.2中的方法定义一个时间变量， 选择Analyze → Time series Seasonal → Decomposition 命令， 将RetailSales点入到Variable(s)中，在Method Type中选择Multiplicative，Moving Average Weight选项中选择Endpoints weighted by 0.5， 点击Display casewise listing选项，可以列出计算结果数值。点击Save选项，将误差分量、季节修正序列、季节因子、趋势因子存入数据文件中。 最后单击OK按钮。 * 《统计学实验》第7章时间序列分析 7-* 【菜单方式】 此时在数据文件的最后四列中出现4个新存储的变量。将这四个新变量选中 选择Analyze → Time series → Sequence charts 命令， 选择One chart per variable即可得到图7.9的结果。 * 《统计学实验》第7章时间序列分析 7-* 图7.9 误差分量、季节修正序列、季节因子、趋势因子的时序图 * 《统计学实验》第7章时间序列分析 7-* 【程序方式】 * Seasonal Decomposition. TSET PRINT=BRIEF NEWVAR=ALL MXNEWVAR=4. SEASON /VARIABLES=RetailSales /MODEL=MULTIPLICATIVE /MA=CENTERED. * 《统计学实验》第7章时间序列分析 7-* * 【统计理论】 假设 为后移(滞后)算子，即 ， ，令 则(7.4)可以写为： * 《统计学实验》第7章时间序列分析 7-* 【统计理论】 有几种信息准则也可用来决定AR过程的阶p，它们都基于似然函数。例如，著名的AIC准则定义为： 其中 是残差平方和的估计。在实际应用中，事先给定一个