逆向思维与统计研究教学课件.ppt

用ARIMA模型拟合带有独立变量的时间序列 例：数据tsadds2.sav是一个销售时间序列，以每周七天为一个季节周期，除了销售额序列sales之外，还有一个广告花费的独立变量adds。先不理睬这个独立变量，把该序列当成纯粹时间序列来用ARIMA模型拟合。右图为该序列的点图。 数据tsadds2.sav 再首先点出其acf和pacf条形图 acf图显然不是拖尾模式，因此，必须进行差分以消除季节影响。试验多次之后，看上去ARIMA(2,1,2)( 0,1,1)7的结果还可以接受。残差的pacf和acf条形图在下一页图中 用ARIMA模型拟合带有独立变量的时间序列 继续改进我们的模型，再把独立变量广告支出加入模型，最后得到的带有独立变量adds的ARIMA(2,1,2)( 0,1,1)7模型。拟合后的残差图在下图中。 用ARIMA模型拟合带有独立变量的时间序列 从各种角度来看拟合带独立变量平方的ARIMA(2,1,2)( 0,1,1)7模型给出更好的结果。 虽然从上面的acf和pacf图看不出（一般也不应该看出）独立变量对序列的自相关性的影响，但是根据另外的一些判别准则，独立变量的影响是显著的，而且加入独立变量使得模型更加有效。 用ARIMA模型拟合带有独立变量的时间序列 要注意，一些独立变量的效果也可能是满足某些时间序列模型的，也可能会和季节、趋势等效应混杂起来不易分辩。这时，模型选择可能就比较困难。也可能不同模型会有类似的效果。 一个时间序列在各种相关的因素影响下的模型选择并不是一件简单明了的事情。实际上没有任何统计模型是绝对正确的，它们的区别在于，在某种意义上，一些模型的某些性质可能要优于另外一些。 SPSS的实现:ARIMA模型 时间序列的acf和pacf图：可以用选项Graphs－Time Series－Autocorrelations， 然后把变量选入Variables中(对于数据AR1.sav，把时间序列Z选入)。 在Display中(默认地)有选项Autocorrelations和Partial autocorrelations导致acf和pacf图。 人们还经常对残差项绘acf和pacf图。 SPSS的实现:ARIMA(p,d,q)(P,D,Q)s模型拟合 选择Analyze－Time Series－ARIMA，然后把数据中的时间序列选入Dependent(在数据AR1.sav中,选Z,对数据tssales.sav时选sales,而对数据tsadds2.sav时选sales),对于Independent,仅在使用数据tsadds2.sav时选了adds。 在Model的第一列为ARIMA(p,d,q)(P,D,Q)s模型的前三个参数(p,d,q),第二列(sp,sd,sq)为ARIMA(p,d,q)(P,D,Q)s模型的后三个参数(P,D,Q)。这样只要选定我们所希望尝试的模型参数即可。 周期s由于在定义序列时已经有了(见对话框中注明的Current Periodicity后面的数字),就不用另外输入了。在输出的变量中有误差和拟合(预测)的序列，在输出文件中还有各个参数和一些判别准则等。。 公式：指数平滑模型 这些模型中有a，g，d，f为待估计参数，g＝0意味着斜率为常数（趋势无变化），而d＝0意味着没有季节成分，f和减幅趋势有关；对于时间序列Xt，趋势、光滑后的序列、季节因子和预测的序列分别用Tt、St、It 和 表示；另外，p表示周期，et为残差 指数平滑模型:线性趋势可加季节模型（Linear trend, additive seasonality model） 指数平滑模型:线性趋势可乘季节模型（Linear trend, multiplicative seasonality model） 时间序列的组成部分 一个时间序列可能有趋势、季节、循环这三个成分中的某些或全部再加上随机成分。因此， 如果要想对一个时间序列本身进行较深入的研究，把序列的这些成分分解出来、或者把它们过虑掉则会有很大的帮助。 如果要进行预测，则最好把模型中的与这些成分有关的参数估计出来。 就例中的时间序列的分解，通过SPSS软件，可以很轻而易举地得到该序列的趋势、季节和误差成分。 时间序列的组成部分 下图表示了去掉季节成分，只有趋势和误差成分的序列。 时间序列的组成部分 下图用两条曲线分别描绘了趋势成分和季节成分。 时间序列的组成部分 下图用两条曲线分别描绘了趋势成分和误差成分。 SPSS的实现:时间序列的分解 前面对例tssales.sav数据进行分解利用SPSS的选项Analyze-Time Series-Seasonal Decomposition， 然后在Variable(s)(变