第11章 SPSS在时间序列预测中的应用.pptVIP

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【周期性分解】对话框 选择菜单栏中的【分析】→【预测】→【创建模型】命令，弹出【创建模型】对话框。将该对话框左侧的【 VAR00001】移入【因变量】列表框。在【模型】下拉列表框中选择【ARIMA】，并选择【条件】选项，弹出【ARIMA条件】对话框。 Step02：ARIMA模型选择 在【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【继续】按钮，返回【创建模型】对话框。 Step03：统计量的选择 单击【创建模型】中的【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【保存】选项卡。 Step04：保持变量的选择 在 【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【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预测的的预测值和带前缀NResidual的残差的值。 3 实例结果及分析 （1）模型描述 该模型为模型-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-方,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【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方，标准化的BIC的值，ljung- Box统计量的值。 从表11-11中可以看出标准BIC值为9.187。 由于在【统计量】对话框中，选择显示模型参数的估计值，所以，在输出结果中出现模型的参数估计的结果。 从表11-12可以看出，AR(1)的参数估计值是0.029，T统计量的相伴概率为0.862，接受AR(1)为零的原假设。MA(1)的参数估计值是0.884，T统计量的相伴概率为8.499，拒绝MA(1)为零的原假设。SAR(1)的参数估计值是0.366，所以，该模型不是最优的模型，对数据的分析不是十分的恰当。 （4）模型的拟合图 在获得了参数估计值和模型结构后，代入初值，便可以拟合数据，从而绘制图像。拟合数据以前缀为Predicted的变量Predicted-_VAR000001_ Model_1出现在SPSS的当前数据编辑窗口中。 图11-45 11.3.4 实例进阶分析 1. 进阶分析 上面所建立的ARIMA(1,1,1)(1,1,1)模型并不是最佳的模型，所以，需要重新建模，可以利用专家建模器来完成。 2. 实例操作 Step01：打开【周期性分解】对话框 选择菜单栏中的【分析】→【预测)】→【创建模型】命令，弹出【创建模型】对话框。将该对话框左侧的【 VAR00001】移入【因变量】列表框。在【模型】下拉列表框中选择【专家建模器】选项。 Step03：统计量的选择 单击【统计量】选项卡，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【输出过滤】选项卡. Step04：在【输出过滤】选项卡中选择【基于拟合优度过滤模型】，输出拟合优度最好的那一个模型，选择拟合优度准则为标准BIC准则。选择好以后，单击 【保存】选项卡。 Step05：保持变量的选择 在 【保存】选项卡中选择保存预测值，保存残差的值。 Step06：完成操作 单击【确认】，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 （3）模型的统计量的结果 由于在【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11-15中可以看出标准BIC值为8.160，比 ARIMA(1,1,1)(1,1,1)模型的标准BIC值小一些。 由于在【统计量】对话框中，选择显示模型参数的估计值，所以，在输出结果中出现模型的参数估计的结果。 从表10-12可以看出，对原始数据建立的 加法模型，Alpha 的参数估计值是0.091，该模型是最优的模型，对数据的分析比较的恰当