第十一章 SPSS的时间序列分析.pptVIP

11.6.3 自回归法的应用举例 利用1992年初至2002年底共11年我国激光唱机出口量月度数据，对激光唱机出口量进行分析预测。主要分析过程如下： · 首先绘制和观察序列图 · 模型一：利用趋势外推法建立趋势模型 由于序列的趋势并非直线上升，而呈加速上升的态势。因此可首先利用二次曲线进行趋势拟合。以时间及其二次项作为解释变量，并计算DW统计量和预测值以及残差序列。 · 模型二：一阶自回归模型（极大似然法） 观察该模型的拟合效果是否较趋势外推模型有所改进。 · 模型三：对数序列自回归模型 观察图激光唱机出口量序列图发现，序列除了具有曲线趋势、明显的季节性特征之外，还有一个特征就是序列的波动幅度随时间的推移越来越大。这种波动必然会影响到模型的误差序列，进而使其出现方差不平稳性。从前面讲过的方差非平稳性的处理中我们知道，可通过对序列取对数的方法来消除这种波动性逐渐增大的现象。 11.7 ARIMA模型分析 11.7.1ARIMA分析的基本思想和模型 ARIMA是自回归移动平均结合（AutoRegressive Integrated Moving Average）模型的简写形式，用于平稳序列或通过差分而平稳的序列分析。 ARMA模型也称B-J方法，是一种时间序列预测方法。从字面上可以知道，ARMA模型是自回归模型（AR）和移动平均模型（MA）有效组合和搭配的结果，称为自回归移动平均模型。 ARMA其一般形式为： yt―φ1yt-1―φ2yt-2―…―φpyt-p＝et+θ1et-1+θ2et-2+…+θqet-q 其中，等式左边是模型的自回归部分，非负整数p称为自回归阶数，｛φ1，φ2，…，φp｝称为自回归系数；等式右边是模型的移动平均部分，非负整数q称为移动平均阶数，｛θ1，θ2，…，θq｝称为移动平均系数。p，q分别是偏自相关函数值和自相关函数值显著不为零的最高阶数。可以看出，当p＝0时，模型是纯移动平均模型，记为ARMA（0，q）；当q＝0时，模型是纯自回归模型，记为ARMA（p，0）。ARMA（p，q）模型可用较少的参数对序列进行较好地拟合，其自相关和偏自相关函数均呈现拖尾性。 ARMA模型只适合于对平稳序列的分析。实际应用中的时间序列并非平稳序列，不能直接采用ARMA模型。但通常这些序列可通过变换处理后变为平稳序列。对它们的分析一般应采用自回归移动平均结合ARIMA模型。ARIMA模型又分为ARIMA（p，d，q）模型和ARIMA（p，d，q）（P，D，Q）s模型。 ·ARIMA（p，d，q）模型 当序列中存在趋势性时，可通过某些阶数的差分处理使序列平稳化。这样的序列被称为是一种准平稳的序列，而相应的分析模型被概括为ARIMA（p，d，q