基于SPSS的时间系列预测分析.docVIP

PAGE 8 福建农林渔牧业总产值的分析与预测 N N 平稳非白噪声序列 计算ACF、PACF ARMA模型识别 估计模型中未知参数的值 模型优化 预测序列未来走势 模型检验 Y 图2-1 ARMA模型建模步骤 3 数据的采集、整理和分析 3.1 数据的采集 本文选取1978 年—2007 年福建农业经济产值时间序列数据，资料如下表3-1 所示： 表3-1 福建省1978年—2007 农业经济产值时间序列数据(单位：亿) 年份 农业产值 年份 农业产值 年份 农业产值 1978 36.33 1988 182.00 1998 973.37 1979 43.11 1989 209.92 1999 1010.82 1980 45.49 1990 227.12 2000 1037.27 1981 56.11 1991 253.51 2001 1061.61 1982 63.73 1992 295.24 2002 1125.29 1983 68.08 1993 386.34 2003 1170.54 1984 80.66 1994 574.05 2004 1315.10 1985 99.05 1995 738.63 2005 1373.01 1986 107.07 1996 850.67 2006 1449.78 1987 132.97 1997 925.56 2007 1692.16 数据来源：福建经济与社会统计年鉴 3.2 数据的分析处理 利用软件绘制原始数据的时间序列图，如图3-1所示： 图3-1 原始数据时间序列图 从图3-1可以看出福建省农林渔业总产值呈增长趋势，特别是在1993年以后，呈现出强劲的增长势头。1992—2007年福建农林渔牧业总产值平均每年增长84.46亿元，平均年增长率为29.28%，呈现加快增长趋势。从整个时间来看，福建农林渔牧业总产值时间序列呈现出指数增长的趋势，并且具有很强的非平稳性。 3.3 对数据进行零均值化和平稳化处理 对含有指数趋势的时间序列，通常可以通过取对数将指数趋势转化为线性趋势，然后再对其进行差分来消除线性趋势[4]。绘制取对数后的时间序列图3-2所示： 图3-2：取对数后的时间序列图 取对数后的序列图显示出了线性趋势，对该序列进行取差分运算，先进行一阶差分，绘制一阶差分后的时间序列图，如图3-3所示： 图3-3 一阶差分时间序列 从图3-3可以看到，一阶差分后，数据图前期波动较大，后期波动较小，且具有一定的非平稳性。因此要进行二阶差分，如图3-4所示： 图3-4 二阶差分时间序列 从图3-4可以看到，二阶差分后，时间序列基本平稳。检查差分后的均值，得到其均值为-0.0005899，约等于0。至此，数据基本符合平稳化、零均值化的要求，可以进行模型的识别定阶。 4 模型的识别 由上述经处理好的基本符合要求的数据，即1978—2007年间福建农林渔牧各年总产值取对数后的二阶差分值序列，记为，利用软件，计算该时间序列的自相关系数ACF和偏自相关系数PACF，具体数值和图形如下： 表4-1 二阶差分时间序列的自相关函数ACF和偏自相关函数PACF k ACF PACF k ACF PACF k ACF PACF 1 -.108 -.108 10 .121 .018 19 .083 .005 2 -.348 -.364 11 -.183 -.017 20 .074 -.026 3 .158 .078 12 -.091 -.232 21 -.075 -.082 4 -.138 -.274 13 .112 -.121 22 -.017 -.073 5 -.294 -.318 14 -.069 -.099 23 .129 .057 6 .334 .133 15 .017 -.022 24 -.119 -.121 7 .101 -.039 16 .093 -.160 25 .009 .016 8 -.264 -.128 17 .007 -.059 9 .085 -.062 18 -.129 -.127 图4-1 二阶差分时间序列的自相关ACF图 图4-2 二阶差分时间序列的偏自相关PACF图 计算出样本自相关系数和偏自相关系数的值之后，要根据它们表现出来的性质，选自适当的模型拟合观察值序列[6]。这个过程实际上就是要根据样本自相关系数和偏自相关系数的性质估计自相关阶数和移动平均阶数，因此，模型的识别过程其实也是模型的定阶过程。 模型定阶的基本原则如下表所示[7]： 表4-2 ARMA模型的定阶原则 ACF PACF 模型定阶 拖尾 p阶截尾 AR(p)模型 q阶截尾 拖尾 MA(q)模型 拖尾 拖尾 ARMA(p,q)模型 从二阶差分的自相关函数ACF和偏自相关函数PACF的数值可以看出，两者